午啪啪夜福利无码亚洲,亚洲欧美suv精品,欧洲尺码日本尺码专线美国,老狼影院成年女人大片

1、人工智能賦能化工產(chǎn)業(yè)數(shù)字化轉(zhuǎn)型及其應用2022年10月18日 時代背景：Alpha Go贏得人工智能“圣杯”13志同道合：人工智能多領域技術與應用技術挑戰(zhàn)：人工智能的不足與解決方案4包羅萬象：人工智能政策與典型應用2目錄1時代背景時代背景Alpha Go贏得人工智能“圣杯”莫爾定律描述硬件發(fā)展是18個月芯片能力翻一倍。現(xiàn)在人工智能的計算能力有統(tǒng)計表明是3.5個月翻一倍1、Alpha Go贏得人工智能“圣杯”1、Alpha Go贏得人工智能“圣杯”圍棋：兩個人之間的游戲：張三（黑子）和李四（白子）；張三和李四交替在19 x 19的格子板上放置石頭：張三放置黑色石頭，李四放置白色石頭；石頭不能移動2、，但如果被對手石頭完全包圍的石頭將從棋盤上移除；如果沒有“有利可圖”的動作，游戲?qū)⒔K止；擁有更多“領土”的人獲勝；還有一個名為“劫”的附加規(guī)則，以避免無限循環(huán)。1、Alpha Go贏得人工智能“圣杯”一種“數(shù)據(jù)同化”方法；制作一個系統(tǒng)來查找下一步（有概率），命名為策略網(wǎng)絡；學習人類職業(yè)圍棋玩家的30000000個位置（170000個游戲），以建立初始策略網(wǎng)絡；制作策略網(wǎng)絡的“老版老朋友”，并與他們一起玩；將其分為10000個階段每個階段玩家隨機選擇128個游戲?qū)κ植榭疵總€位置的結(jié)果，并調(diào)整CNN參數(shù)制作一個價值網(wǎng)絡，以顯示每個位置的獲勝概率；通過使用強策略網(wǎng)絡進行蒙特卡洛樹搜索，以找到多個位置3、的獲勝概率利用CNN從這些（巨大的）數(shù)據(jù)中獲取信息最終游戲：結(jié)合策略網(wǎng)絡、價值網(wǎng)絡和蒙特卡羅樹搜索。AlphaGo：半監(jiān)督模擬學習方法 AlphaZero通過使用與AlphaGo Zero一模一樣的方法（MCTS+深度網(wǎng)絡，實際還做了一些簡化），它從零開始訓練：4小時打敗國際象棋的最強程序Stockfish2小時打敗日本將棋的最強程序Elmo8小時打敗與李世石對戰(zhàn)的AlphaGo v181、Alpha Go贏得人工智能“圣杯”2包羅萬象包羅萬象人工智能政策與典型應用3、新一代人工智能發(fā)展規(guī)劃1、在新一輪國際競爭中掌握主動權2、科技強國、民族復興的關鍵一步3、實現(xiàn)彎道超車的重大歷史機遇4、人才優(yōu)4、勢、數(shù)據(jù)競爭、市場優(yōu)勢人工智能成為國家戰(zhàn)略3、人工智能應用領域醫(yī)療自動駕駛智能制造圖像識別智能翻譯智慧城市工業(yè)大數(shù)據(jù)的來源工業(yè)大數(shù)據(jù)的特點監(jiān)測的裝備群規(guī)模大每個裝備需要的測點多單個測點的采樣頻率高從開始服役到壽命終止的數(shù)據(jù)收集歷時長大容量：依靠診斷專家來手動分析很不現(xiàn)實，需要研究智能方法自動分析多樣性：涵蓋了多種機械不同工況下不同物理源輻射出的大量健康狀態(tài)信息速度快：保證數(shù)據(jù)處理的時效性，高效挖掘故障信息并及時預警低價值密度：設備長期處于正常工作狀態(tài)，監(jiān)測數(shù)據(jù)蘊含的信息重復性大，數(shù)據(jù)價值密度低，需要數(shù)據(jù)提純機械領域走向工業(yè)大數(shù)據(jù)時代3、人工智能在工業(yè)領域應用場景工業(yè)大數(shù)據(jù)已經(jīng)成為揭示機械故障演5、化過程及本質(zhì)的重要資源，數(shù)據(jù)量的規(guī)模、解釋運用的能力也將成為當代設備智能維護最為重要的部分。利用工業(yè)大數(shù)據(jù)技術將大數(shù)據(jù)資源這樣的“石油”提煉成切實可用的“汽油、柴油”等，是將大數(shù)據(jù)轉(zhuǎn)換為“生產(chǎn)力”的關鍵。工業(yè)大數(shù)據(jù)資源大數(shù)據(jù)技術提煉蘊含的運維信息機械領域走向工業(yè)大數(shù)據(jù)時代3、人工智能在工業(yè)領域應用場景定義：使工業(yè)大數(shù)據(jù)中所蘊含的價值得以挖掘和展現(xiàn)的一系列技術與方法的總稱，涵蓋工業(yè)數(shù)據(jù)采集、存儲、預處理、分析挖掘和可視化等。并行處理框架：Hadoop作為分布式系統(tǒng)基礎架構的代表，其框架的核心是基于分布式文件系統(tǒng)（Hadoop Distributed File System，HDFS）和MapRe6、duce的分布式批處理計算框架，支持工業(yè)高實時性采集、大數(shù)據(jù)量存儲及快速檢索，為海量數(shù)據(jù)的查詢檢索、算法處理提供了性能保障。基于分布式系統(tǒng)，工業(yè)大數(shù)據(jù)技術的框架可總結(jié)為：工業(yè)大數(shù)據(jù)技術3、人工智能在工業(yè)領域應用場景工業(yè)設備數(shù)據(jù)存儲分析挖掘智能故障診斷 數(shù)據(jù)質(zhì)量改善 健康狀態(tài)監(jiān)測 智能診斷維修評估 狀態(tài)反饋 建議報告 維修措施資產(chǎn)狀況 設備信息 備件管理 其它需求可視化資源管理系統(tǒng) MapReduce Spark StormHbase數(shù)據(jù)庫HDFS分布式文件系統(tǒng)上層應用Zookeeper/Ambari平臺配置、調(diào)度/平臺管理Hadoop平臺工業(yè)大數(shù)據(jù)技術的研究與突破，旨在從工業(yè)大數(shù)據(jù)中發(fā)現(xiàn)新模式7、和新知識，挖掘有價值的新信息，促進企業(yè)的產(chǎn)品創(chuàng)新、提升經(jīng)營水平以及生產(chǎn)動作效率。而工業(yè)大數(shù)據(jù)驅(qū)動的智能故障診斷是發(fā)掘這些新模式和新知識的重要環(huán)節(jié)。3、人工智能在工業(yè)領域應用場景工業(yè)大數(shù)據(jù)驅(qū)動的智能故障診斷框架質(zhì)量改善數(shù)據(jù)評價準則數(shù)據(jù)清洗數(shù)據(jù)質(zhì)量增強數(shù)據(jù)獲取傳感器組數(shù)據(jù)采集設備分布式存儲器大數(shù)據(jù)質(zhì)量改善工業(yè)大數(shù)據(jù)信號來源分散、采樣形式多變、隨機因素干擾等特點，需要依據(jù)一定標準對數(shù)據(jù)進行篩選，剔除冗余和噪聲數(shù)據(jù)，提高機械大數(shù)據(jù)的可靠性。3、人工智能在工業(yè)領域應用場景工業(yè)大數(shù)據(jù)驅(qū)動的智能故障診斷框架質(zhì)量改善數(shù)據(jù)評價準則數(shù)據(jù)清洗數(shù)據(jù)質(zhì)量增強數(shù)據(jù)獲取傳感器組數(shù)據(jù)采集設備分布式存儲器健康監(jiān)測循環(huán)神經(jīng)網(wǎng)絡支8、持向量回歸自適應閾值大數(shù)據(jù)健康監(jiān)測通過信號處理方法提取多域特征，表征設備的健康狀態(tài)。并結(jié)合歷史健康狀態(tài)信息設置自適應閾值或結(jié)合人工智能模型進行定量評估，實現(xiàn)設備的健康監(jiān)測。3、人工智能在工業(yè)領域應用場景工業(yè)大數(shù)據(jù)驅(qū)動的智能故障診斷框架質(zhì)量改善數(shù)據(jù)評價準則數(shù)據(jù)清洗數(shù)據(jù)質(zhì)量增強數(shù)據(jù)獲取傳感器組數(shù)據(jù)采集設備分布式存儲器健康監(jiān)測循環(huán)神經(jīng)網(wǎng)絡支持向量回歸自適應閾值智能診斷淺層神經(jīng)網(wǎng)絡支持向量機K均值聚類大數(shù)據(jù)智能診斷將分類、聚類等人工智能算法用于機械設備的故障診斷中，對設備故障信息進行知識挖掘，獲得與故障有關的診斷規(guī)則，進而識別設備故障狀態(tài)，以便制訂維修策略。3、人工智能在工業(yè)領域應用場景3志同道合志同9、道合人工智能多領域技術與應用大數(shù)據(jù)背景下的健康監(jiān)測基于故障閾值的健康監(jiān)測基于智能模型的健康監(jiān)測故障點報警閾值10大數(shù)據(jù)背景下的機械設備健康監(jiān)測在充分挖掘監(jiān)測數(shù)據(jù)中所隱含的設備健康狀態(tài)信息的基礎上，通過設置故障閾值定性判斷機械設備的健康狀態(tài)或應用智能模型定量評估機械設備的健康狀態(tài)。4、復雜機電系統(tǒng)智能健康監(jiān)測基于故障閾值的健康監(jiān)測主要步驟特征提取：機械設備的監(jiān)測信號中雖然蘊含了設備的健康狀態(tài)信息，需要憑借統(tǒng)計分析手段，如時域分析、頻域分析、時頻分析等，提取信號的數(shù)字特征，發(fā)現(xiàn)特征量的變化規(guī)律，表征設備的健康狀態(tài)。振動聲發(fā)射溫度高質(zhì)量數(shù)據(jù)庫時域分析頻域分析時頻分析特征提取4、復雜機電系統(tǒng)智能健康監(jiān)10、測基于故障閾值的健康監(jiān)測主要步驟健康狀態(tài)定性判斷：設備在服役過程中，監(jiān)測信號的特征值會隨著時間不斷發(fā)生變化。因此，通過設置特征值的故障閾值來定性判斷機械設備健康狀態(tài)是健康狀態(tài)監(jiān)測的常用手段。振動聲發(fā)射溫度高質(zhì)量數(shù)據(jù)庫時域分析頻域分析時頻分析特征提取固定閾值相對閾值3閾值健康狀態(tài)定性判斷4、復雜機電系統(tǒng)智能健康監(jiān)測健康狀態(tài)定性判斷通過設置特征值的故障閾值是定性判定機械設備健康狀態(tài)的常用手段。故障閾值分為固定閾值和自適應閾值。固定閾值指用以判定機械設備健康狀態(tài)的是固定數(shù)字，是在測定方法確定后所指定的標準。自適應閾值指以同類機械設備的總體情況為依據(jù)或者以同一機械設備的狀態(tài)變化趨勢為依據(jù)，考慮設備自身11、狀態(tài)變化因素而設定的閾值。比如典型的3閾值。4、復雜機電系統(tǒng)智能健康監(jiān)測3閾值若隨機變量的概率密度函數(shù)為X 若-x+，則稱X服從參數(shù)為和2的正態(tài)分布。由正態(tài)分布概率密度曲線的性質(zhì)可知，服從正態(tài)分布的隨機變量只有0.26%的可能落在(-3，+3)區(qū)間之外。通常把正態(tài)分布的這種概率法則稱為3法則。基于該法則的故障閾值稱為3閾值。式中，為標準差，為均值。4、復雜機電系統(tǒng)智能健康監(jiān)測時間/10min幅值/g下圖所示為滾動軸承在全壽命周期內(nèi)的振動信號時域波形。由圖可以看出，軸承振動信號的幅值隨著時間推移有增大趨勢。以滾動軸承為監(jiān)測對象，判斷滾動軸承的健康狀態(tài)。在測試軸承上加裝加速度傳感器采集軸承的振動信12、號。3方法在軸承健康狀態(tài)監(jiān)測中的應用4、復雜機電系統(tǒng)智能健康監(jiān)測時間/10min均方值均方根故障閾值首先，提取振動信號的均方根特征。首先，提取振動信號的均方根特征。然后，根據(jù)提取的均方根特征計算時刻然后，根據(jù)提取的均方根特征計算時刻 t 的的3故障閾值故障閾值t+3t。最最后后，對對比比時時刻刻t的的均均方方根根特特征征和和故故障障閾閾值值的的大大小小。由由下下圖圖可可知知，從從5330 min開始，均方根值開始大于故障閾值，判定該時刻為軸承的故障起始點。開始，均方根值開始大于故障閾值，判定該時刻為軸承的故障起始點。3方法在軸承健康狀態(tài)監(jiān)測中的應用方法在軸承健康狀態(tài)監(jiān)測中的應用4、復雜機電系統(tǒng)13、智能健康監(jiān)測基于智能模型的健康監(jiān)測主要步驟振動聲發(fā)射溫度高質(zhì)量數(shù)據(jù)庫時域分析頻域分析時頻分析特征提取循環(huán)神經(jīng)網(wǎng)絡支持向量機邏輯回歸健康狀態(tài)定量評估基于智能模型的健康監(jiān)測定量評估，其輸出為具有特定取值區(qū)間的連續(xù)值。因此，該類方法所用的智能模型一般是機器學習中的“回歸模型”，即通過訓練集對回歸模型進行學習，從而建立特征空間到連續(xù)取值空間的映射關系。4、復雜機電系統(tǒng)智能健康監(jiān)測循環(huán)神經(jīng)網(wǎng)絡循環(huán)神經(jīng)網(wǎng)絡（Recurrent neural network,RNN）是一類用于處理時序信號的深度神經(jīng)模型。RNN 允許網(wǎng)絡中出現(xiàn)環(huán)形結(jié)構，從而可讓一些神經(jīng)元的輸出反饋回來作為輸入信號。這種結(jié)構與信息反饋過程，使14、得網(wǎng)絡在時刻t 的輸出不僅與時刻t的輸入有關，還與時刻t-1的網(wǎng)絡隱含層的輸出有關，從而RNN能處理與時間有關的動態(tài)信息。4、復雜機電系統(tǒng)智能健康監(jiān)測RNN 在軸承健康狀態(tài)監(jiān)測中應用時間/10s幅值/g對17個滾動軸承進行加速壽命實驗，分別記錄為B1-B17。下圖為軸承B1在全壽命周期內(nèi)的振動信號。以滾動軸承為監(jiān)測對象，定量評估滾動軸承的健康狀態(tài)。在測試軸承上加裝加速度傳感器采集軸承的振動信號。4、復雜機電系統(tǒng)智能健康監(jiān)測RNN 在軸承健康狀態(tài)監(jiān)測中應用時間/10s健康評估然后，選取軸承B2-B17的數(shù)據(jù)作為訓練數(shù)據(jù)集，訓練RNN模型。首先，提取振動信號的14 種特征構成特征向量。最后，以軸承15、B1的數(shù)據(jù)測試訓練好的模型。如下圖所示，測試軸承的健康評估值隨時間出現(xiàn)增長趨勢。軸承的健康評估值分布在0到1之間。4、復雜機電系統(tǒng)智能健康監(jiān)測4、復雜機電系統(tǒng)智能健康監(jiān)測遷移學習選取飛機燃油泵4種故障進行研究：（1）葉片損傷（2）擴散管損傷（3）軸承磨損（4）滲漏故障 針對每一種故障模式，選擇其對應的故障部件替代燃油泵中的正常件，然后進行故障數(shù)據(jù)的采集損傷的葉片損傷的擴散管老化的密封圈磨損的軸承飛機燃油泵故障實驗4、復雜機電系統(tǒng)智能健康監(jiān)測飛機燃油泵的轉(zhuǎn)速為5600r/min，輸出額定流量12000L/h。選擇型號為CA-YD-182-10加速度傳感器進行飛機燃油泵X、Y、Z 3個方向振動信號16、的采集。選用型號為CY-YZ-001的壓力傳感器采集飛機燃油泵出口壓力信號。選用型號為MI-7008的數(shù)據(jù)采集分析儀進行數(shù)據(jù)采集。采樣頻率設為6000Hz，采樣時間設置為5秒，每種故障狀態(tài)下采集30組數(shù)據(jù)，每組數(shù)據(jù)包括3路振動信號和1路壓力信號。XYZ加速度傳感器壓力傳感器數(shù)據(jù)采集分析儀飛機燃油泵故障實驗4、復雜機電系統(tǒng)智能健康監(jiān)測 遷移學習基本思想：學習某個已知源領域（輔助領域）內(nèi)的基本知識，再將學到的知識應用到不同但相關的未知領域（目標領域）內(nèi)去解決相似的問題的過程。舊型號燃油泵新型號燃油泵數(shù)據(jù)充足，與新型泵存在差異故障數(shù)據(jù)不足輔助域目標域 遷移學習可以看作是對人學習認知過程的一種模擬。417、復雜機電系統(tǒng)智能健康監(jiān)測TrAdaBoost 數(shù)據(jù)權重迭代調(diào)整小于1大于14、復雜機電系統(tǒng)智能健康監(jiān)測TrAdaBoost a)少樣本訓練 d)TrAdaBoost訓練 c)輔助數(shù)據(jù)誤導訓練 b)輔助數(shù)據(jù)輔助訓練很難得到可靠的分類模型很多分布相似的輔助數(shù)據(jù)幫助訓練，可得到目標數(shù)據(jù)的準確分類模型輔助數(shù)據(jù)與目標數(shù)據(jù)分布相似度不夠高時，輔助數(shù)據(jù)會造成誤導，影響分類結(jié)果減小錯誤分類的輔助數(shù)據(jù)的權重，并增加錯誤分類目標數(shù)據(jù)的權重，使分類平面向正確的方向移動。錯誤分類增加權重減少權重4、復雜機電系統(tǒng)智能健康監(jiān)測 （1）目標數(shù)據(jù)較少的情況下，遷移學習仍有很高的診斷正確率，目標數(shù)據(jù)越少，優(yōu)勢越明顯。（2）隨18、著目標數(shù)據(jù)量的增加，SVM2診斷正確率增長速度最快，其它兩種模型增速較慢。（3）目標數(shù)據(jù)量足夠多的時候，遷移學習的診斷優(yōu)勢不明顯，甚至會產(chǎn)生少量負遷移。目標數(shù)據(jù)動態(tài)對比4、復雜機電系統(tǒng)智能健康監(jiān)測 （1）目標數(shù)據(jù)數(shù)量越多，診斷正確率越高，同時受輔助數(shù)據(jù)變化的影響越小。（2）目標數(shù)據(jù)不變的情況下輔助數(shù)據(jù)數(shù)量越多，診斷正確率越高。（3）當輔助數(shù)據(jù)足夠多時，診斷正確率不再增加，但會增加訓練時間。輔助數(shù)據(jù)數(shù)量應適當選取。輔助數(shù)據(jù)動態(tài)對比4、復雜機電系統(tǒng)智能健康監(jiān)測TrAdaBoost樣本權重初始化不合理容易出現(xiàn)負遷移收斂速度慢訓練時間長TrAdaBoost算法輔助數(shù)據(jù)的樣本權重初始化是相等的，這種不合19、理的設定會影響模型的訓練速度以及穩(wěn)定性。算法需要迭代才能從大量數(shù)據(jù)中找到與目標數(shù)據(jù)相似的輔助數(shù)據(jù)，而且迭代訓練過程中低權值數(shù)據(jù)仍然會被用于后續(xù)的迭代訓練過程中。如果輔助數(shù)據(jù)中存在部分數(shù)據(jù)與目標數(shù)據(jù)的相似度很低，如果直接用這種輔助數(shù)據(jù)進行訓練，訓練得到的模型會出現(xiàn)負遷移現(xiàn)象。TrAdaBoost算法缺點4、復雜機電系統(tǒng)智能健康監(jiān)測約束條件：KMM和樣本閾值排除4、復雜機電系統(tǒng)智能健康監(jiān)測 （1）KMM根據(jù)輔助數(shù)據(jù)與目標數(shù)據(jù)的相似度對輔助數(shù)據(jù)進行權值區(qū)別預設，在迭代開始時，K-TrAdaBoost分類器的正確率明顯高于TrAdaBoost。（2）迭代過程中，刪除權重低于閾值的無用輔助數(shù)據(jù)。K-Tr20、AdaBoost迭代30次左右就能較好的收斂。在60次迭代TrAdaBoost才能收斂。（3）迭代收斂完成之后，K-TrAdaBoost算法模型的準確率略微高TrAdaBoost算法。訓練過程對比4、復雜機電系統(tǒng)智能健康監(jiān)測 （1）K-SVM1依靠KMM算法數(shù)據(jù)權重設置，對SVM1的診斷正確率提升了10%左右，但沒有數(shù)據(jù)權重迭代調(diào)整過程，只相當于迭代數(shù)目為1 的 K-TrAdaBoost。（2）K-TrAdaBoost不僅在迭代收斂速度上快于TrAdaBoost，而且在目標數(shù)據(jù)數(shù)量不同的情況下，模型的最終診斷正確率始終高于TrAdaBoost。（3）在目標數(shù)據(jù)量足夠多的時候，K-TrAdaBo21、ost算法有效避免了TrAdaBoost輔助數(shù)據(jù)造成的少量負遷移，與具有足夠目標數(shù)據(jù)的SVM2診斷正確率相當。診斷結(jié)果對比4、下咽癌智能輔助診療系統(tǒng) 隨著物質(zhì)水平的提高，人們的生活水平有了顯著的改善，也重視自己的健康問題。據(jù)調(diào)查，中國癌癥死亡率已經(jīng)上升至亞洲第二位。由于癌癥高致死率，許多人對存有極大的恐懼。在癌癥中，頭頸癌是屬于預后效果差和致死率高的癌癥。頭頸癌是我國較常見的惡性癌癥，也是是全球范圍內(nèi)的第6大癌癥。由于頭頸癌發(fā)病的位置在頭頸部，所以其治療難度很大。在頭頸癌中，下咽癌是其中更易被誤診、惡化速度更快、預后效果更差、治療難度更大且至今仍未被徹底攻克癌癥。了解下咽癌了解下咽癌 由于其罕22、見性，所以HPC的診斷十分依賴醫(yī)生的經(jīng)驗。然而，基層醫(yī)院診療經(jīng)驗缺乏，所以導致HPC很容易被誤診。因此，迫切需要一種智能化、自動化的圖像分析技術來檢測HPC下咽部位了解下咽癌了解下咽癌4、下咽癌智能輔助診療系統(tǒng)醫(yī)方提出了三個要求：1 確定MRI中腫瘤的大致范圍定位目標檢測2 確定MRI中腫瘤的輪廓邊界摳圖語義分割3 確定HPC患者的預后生存時間區(qū)間圖像分類要求要求4、下咽癌智能輔助診療系統(tǒng)技術路線技術路線4、下咽癌智能輔助診療系統(tǒng)構建HPC的MRI和預后數(shù)據(jù)庫構建基于目標檢測網(wǎng)絡的HPC腫瘤的定位系統(tǒng)構建基于語義分割網(wǎng)絡的HPC腫瘤的分割系統(tǒng)構建基于圖像分類網(wǎng)絡的HPC患者預后生存期分類系統(tǒng)存23、活：x天存活：x天存活：x天存活：x天數(shù)據(jù)庫定位分割分類總體思路細化總體思路細化4、下咽癌智能輔助診療系統(tǒng)(1)先統(tǒng)計HPC腫瘤大小的分布情況(2)CKS用可變形卷積來避免采樣失真(3)SOA會查找高頻anchor的 ratios和scales，去產(chǎn)生對小目標更友好的錨框定位目標檢測系統(tǒng)目標檢測系統(tǒng)4、下咽癌智能輔助診療系統(tǒng)(1)提出一種雙向模塊，可以很好的融合圖像中的深/淺層信息(2)主編碼器模塊是一種具有多重感受野的模塊，可以很好的解決HPC腫瘤大小不一的問題分割語義分割系統(tǒng)語義分割系統(tǒng)4、下咽癌智能輔助診療系統(tǒng)(1)參考于語義分割網(wǎng)絡，我們依舊采用多重感受野的方法來解決HPC腫瘤大小不一24、的問題(2)通過該網(wǎng)絡將圖像轉(zhuǎn)化成概率，選擇最大概率分數(shù)的對應類別作為最后的輸出分類圖像分類圖像分類4、下咽癌智能輔助診療系統(tǒng)部分結(jié)果（下咽癌）部分結(jié)果（下咽癌）4、下咽癌智能輔助診療系統(tǒng)強大的泛化性（肝癌）強大的泛化性（肝癌）4、下咽癌智能輔助診療系統(tǒng)強大的泛化性（新冠）強大的泛化性（新冠）4、下咽癌智能輔助診療系統(tǒng) 4、氫安全泄漏智能可視化技術人類能源利用形式在完成植物能源向化石能源變革后，正經(jīng)歷著由化石能源向可再生能源轉(zhuǎn)換的加氫減碳過程 C:H人類原始能源利用形式第一次能源革命柴薪9煤炭1.63可再生能源0石油、天然氣0.560.25第二次能源革命第三次能源革命可再生能源無污染高效低碳氫25、能氫能-人類能源發(fā)展進程人類能源發(fā)展進程 能源革命就是能量密度提高，能源進化史就是碳氫比的調(diào)整史人類能源從鉆木取火，煤炭、石油，核能等，脫碳是大趨勢火電站水電站生物能源核子能源太陽能氫含量越高能量密度越高22+222化石能源氫能氫能是人類能源技術發(fā)展的必然趨勢氫能是人類能源技術發(fā)展的必然趨勢4、氫安全泄漏智能可視化技術 2020年我國原油進口5.42億噸，遠超美國，成為全球最大的原油進口國。對外依存度70.9%2020年我國天然氣進口1.01億噸，遠超日本，成為全球最大的天然氣進口國，對外依存度40%我國在能源短缺和環(huán)境惡化兩大困境威脅下，可再生清潔能源的發(fā)展迫在眉睫。IEA WEO2012m26、b/dChinaIndiaJapan&KoreaEuropeUnited States012345678Oil export from middle-east in 2035200020112035IEA WEO 2018bcmEuropean UnionJapan&KoreaChinaIndiaSoutheast Asia050100150200250300350400Net gas import in 2040到2035,90%的中東石油都將出口到亞洲我國是最大進口國到2040，亞洲將成為天然氣的主要凈進口地區(qū)我國是最大進口國氫能是人類能源技術發(fā)展的必然趨勢氫能是人類能源技術發(fā)展的必然趨勢27、4、氫安全泄漏智能可視化技術 a、氦氖激光束在氣體射流中傳播的變形。b、顯示氦氖激光束（紅色箭頭）以直角穿過在水平方向上具有密度梯度（青色箭頭）的氣體射流（黑色箭頭）。c、無氣體射流和氣體射流內(nèi)屏幕上的激光束輪廓。d、在一定高度的水平截面處，激光束輪廓在折射率場中的水平變形。激光束輪廓變形實驗（氣體透鏡）示意圖可視化技術可視化技術4、氫安全泄漏智能可視化技術 背景紋影（BOS）實驗裝置圖BOS 測量時光線偏折與背景位移關系示意圖 BOS典型的求解過程如下：1）設計合適的背景圖案并完成光路布置；2）分別拍攝有無相位物體時的背景圖案；3）采用位移預估算法計算相位物體造成的背景圖案移動，得到二維位移28、矢量分布；4）求解泊松方程得到二維折射率分布；5）利用格拉斯通戴爾公式獲得密度分布。二維 BOS 的典型求解流程圖可視化技術可視化技術4、氫安全泄漏智能可視化技術 實驗拍攝圖像（左圖無射流，右圖有射流）射流示意圖射流示意圖，圖中紅色部分是遮罩，避免分析時計算出錯誤矢量可視化技術可視化技術4、氫安全泄漏智能可視化技術4技術挑戰(zhàn)技術挑戰(zhàn)人工智能的不足與解決方案 5、人工智能的不足與解決方案深度學習模型復雜度越高，雖然表現(xiàn)性能會越好，但其可解釋性能力越低。人工智能存在的主要問題可解釋性 5、人工智能的不足與解決方案人工智能存在的主要問題魯棒性差 自動駕駛，安全性要求極高實際環(huán)境中噪音多，環(huán)境復雜目前29、存在大量攻擊人工智能算法的技術，從分類上包括了黑盒攻擊、白盒攻擊、目標的攻擊、非目標的攻擊等，而這極大考驗人工智能魯棒性。目前的防御方法大多都是針對特定攻擊方式定制的，很難防范新的攻擊手段。魯棒性難以衡量缺乏統(tǒng)一有效地魯棒性衡量方法 人工智能技術的魯棒性問題將是人工智能應用過程中必須面對和解決的問題。5、人工智能的不足與解決方案和天才的人類棋手相比，戰(zhàn)勝李世石的AlphaGo其實是個“笨小孩”，它觀摩和訓練的棋局數(shù)以千萬計，勝在了“勤能補拙”。然而，在很多特定領域（無人機、雷達等）仍缺乏可被模型用來學習的數(shù)據(jù)，小樣本問題在特定領域仍很明顯人工智能存在的主要問題小樣本問題 5、人工智能的不足與解30、決方案未來作戰(zhàn)對抗模式將發(fā)生巨大變化，由原來的信息域?qū)寡葑優(yōu)橐哉J知域為主的對抗，以深度學習為主要模型的智能識別系統(tǒng)愈發(fā)容易受到欺騙攻擊，特別是目標識別的智能識別模型更顯脆弱。2019年6月，美海軍研究局發(fā)展一種“新型數(shù)字偽裝欺騙技術”，該技術可以迷惑敵方的智能偵容與打擊系統(tǒng)，將坦克識別為轎車。研究表明，空天基平臺(衛(wèi)星、無人機)對機場、陣地、航母等高價值目標的光電識別時，目標成像分辨率低(目標成像少像素特性)，圖像質(zhì)量不高，僅需少量像素擾動就能欺騙智能識別模型，導致識別任務失敗。2020年，美國人工智能安全委員會(NCSAI)人工智能測試床提案，旨在提升人工智能技術在實際應用過程中的安全性。謝謝大家敬請批評指正