前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇神經(jīng)網(wǎng)絡(luò)語義分割范文，相信會(huì)為您的寫作帶來幫助，發(fā)現(xiàn)更多的寫作思路和靈感。

神經(jīng)網(wǎng)絡(luò)語義分割范文第1篇

關(guān)鍵詞：圖像分割；邊緣檢測(cè)；算子

中圖分類號(hào)： 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9599(2011)22-0000-02

Image Segmentation Stud and Achievement Based on Visual C + + Image Edge Detection

Lei Xun,Cheng Luyu,Zheng Tao,Wang Xidi

(Xinjiang Agricultural University of Computer and Information Engineering,Urumqi 830052,China)

Abstract:Recalling the definition of image segmentation and classification algorithms,introduces the emerging modern image segmentation techniques:transform based on wavelet analysis and neural network-based image segmentation.In visual C++ platform to achieve several edge detection simulation.

Keywords:Image segmentation;Edge detection;Operators

圖像分割是計(jì)算機(jī)視覺領(lǐng)域中最基本、也是最困難的問題之一，分割結(jié)果的好壞直接影響到后續(xù)工作的優(yōu)劣。由于圖像的多樣性和復(fù)雜性，目前還沒有一種完全通用的分割方法可以實(shí)現(xiàn)對(duì)所有圖像的正確分割，因此圖像分割技術(shù)一直是圖像處理鄰域的研究熱點(diǎn)之一。

一、圖像分割算法介紹

（一）圖像閾值分割。對(duì)灰度圖像的閾值分割就是首先對(duì)圖像中的所有像素點(diǎn)根據(jù)灰度值來進(jìn)行分級(jí)，之后通過算法來確定一個(gè)確定的閾值相比較，將大于以及小于閾值的灰度值對(duì)應(yīng)的像素點(diǎn)進(jìn)行分類，而后對(duì)兩類不同的像素點(diǎn)進(jìn)行二值化?？梢钥闯觯撝档拇_定是圖像閾值分割算法研究的重點(diǎn)。

（二）圖像邊緣檢測(cè)法。圖像的邊緣是指圖像局部區(qū)域亮度變化顯著的部分。該區(qū)域的灰度剖面一般可以看做一個(gè)階躍，即從一個(gè)灰度值的很小的緩沖區(qū)域內(nèi)急劇變化到另一個(gè)灰度相差較大的灰度值。[1]邊緣檢測(cè)主要是圖像的灰度變化的度量，檢測(cè)和定位。邊緣檢測(cè)的基本思想：先利用邊緣增強(qiáng)算子，突出圖像中的局部邊緣，然后定義像素的“邊緣強(qiáng)度”，通過設(shè)置閾值的方法提取邊緣點(diǎn)集。[2]

（三）區(qū)域提取法。區(qū)域提取法有兩種方法：區(qū)域生長(zhǎng)法和區(qū)域分裂合并法。區(qū)域生長(zhǎng)法是從某個(gè)像素出發(fā)，按照一定的準(zhǔn)則，逐步合并鄰近像素形成所需的分割區(qū)域，當(dāng)滿足一定的條件時(shí)，區(qū)域分割完畢；區(qū)域分裂合并法是從整個(gè)圖像出發(fā)，逐漸分裂切割得到各個(gè)子區(qū)域。在實(shí)際應(yīng)用當(dāng)中通常是這兩種基本方法的結(jié)合。兩種方法的關(guān)鍵都是如何選擇合適的相似準(zhǔn)則。

（四）結(jié)合特定理論工具的分割算法?；谛〔ǚ治龊妥儞Q的分割方法：小波分析計(jì)算復(fù)雜度低，抗噪聲能力強(qiáng)，且容易與其它方法結(jié)合進(jìn)行圖像分割。小波分析發(fā)展了傳統(tǒng)的傅立葉變換思想，對(duì)非平穩(wěn)信號(hào)具有更好的分析能力。[3]基于小波分析的動(dòng)態(tài)閾值分割方法，先由二進(jìn)制小波變換將圖像的直方圖分解為不同層次的小波系數(shù)， 然后依據(jù)一定的分割準(zhǔn)則和小波系數(shù)選擇閾值門限，利用閾值標(biāo)出圖像分割的區(qū)域。把小波分析引入圖像分割，利用小波分析動(dòng)態(tài)取得閾值，可以實(shí)現(xiàn)很好的分割效果。

基于神經(jīng)網(wǎng)絡(luò)的分割方法：人工神經(jīng)網(wǎng)絡(luò)，也稱為神經(jīng)網(wǎng)絡(luò)(Neural Networks)，即從生物學(xué)神經(jīng)系統(tǒng)的信號(hào)傳遞而抽象發(fā)展成的一種方法。是由大量模擬神經(jīng)元的數(shù)學(xué)模型相互連接，模擬人腦處理信息的方式，通過學(xué)習(xí)可以進(jìn)行并行分布處理的非線性網(wǎng)絡(luò)系統(tǒng)。在神經(jīng)網(wǎng)絡(luò)的應(yīng)用中，相當(dāng)多的神經(jīng)網(wǎng)絡(luò)模型都是采用BP神經(jīng)網(wǎng)絡(luò)或者它的改進(jìn)形式。

二、邊緣檢測(cè)的Visual C++實(shí)現(xiàn)

（一）原理和算法

邊緣是一定數(shù)量點(diǎn)灰度發(fā)生變化的地方，那么邊緣檢測(cè)大體上就是計(jì)算這個(gè)灰度變化帶的導(dǎo)數(shù)。對(duì)這種變化最有用得兩個(gè)特征是灰度的變化率和方向，分別以梯度向量的幅度和方向來表示它們。

基于灰度的一階導(dǎo)數(shù)可以得到了原始數(shù)據(jù)灰度的梯度，可以利用此數(shù)據(jù)搜尋圖像灰度峰值，基于灰度的二階導(dǎo)數(shù)實(shí)質(zhì)上是灰度梯度的變化率。在理想的連續(xù)變化情況下，在二階導(dǎo)數(shù)中檢測(cè)過零點(diǎn)就是梯度中的局部最大值，峰值檢測(cè)就是邊線檢測(cè)，邊緣檢測(cè)算子檢查每個(gè)像素的鄰域并量化灰度變化率，也包括方向的確定。

1.Roberts邊緣檢測(cè)算子。Roberts邊緣檢測(cè)算子是2 X 2 算子模板，利用斜向上的4個(gè)像素交叉差分定義。因此該算子對(duì)45度和135度方向上的邊緣較為敏感。該模板數(shù)學(xué)表示為：g(x，y)=[ - ]2+ - ]2}1/2 ，其中f(x，y)是具有整數(shù)像素坐標(biāo)的輸入圖像。

2.Prewitt邊緣算子

為了在邊緣檢測(cè)中減少噪聲的影響，1970年P(guān)rewitt提出Prewitt算子。Prewitt算子從加大邊緣檢測(cè)算子模板大小出發(fā)，由2X2擴(kuò)大到3X3來計(jì)算差分算子，其水平方向和垂直方向上的算子模板為以下兩個(gè)：

. .

3.Sobel邊緣算子

Sobel算子從不同的方向檢測(cè)邊緣，距離不同的像素具有不同的權(quán)值，在邊緣點(diǎn)處達(dá)到極值的現(xiàn)象進(jìn)行邊緣檢測(cè)。圖像中的每個(gè)點(diǎn)都用下面這兩個(gè)卷積核做卷積，一個(gè)核對(duì)通常的垂直邊緣響應(yīng)最大，而另一個(gè)對(duì)水平邊緣響應(yīng)最大。

一個(gè)是檢測(cè)水平邊沿的 .一個(gè)是檢測(cè)豎直平邊沿的 。

4.拉普拉斯算子是對(duì)二維函數(shù)進(jìn)行運(yùn)算的二階導(dǎo)數(shù)算子。通常使用的拉普拉斯邊緣檢測(cè)算子如下：

.

由于拉普拉斯算子是一個(gè)二階導(dǎo)數(shù)，所以它將在邊緣處產(chǎn)生一個(gè)陡峭的零交叉。而噪聲點(diǎn)對(duì)邊緣檢測(cè)有一定的影響，所以可以利用平滑濾波器進(jìn)行平滑后再進(jìn)行邊緣檢測(cè)效果會(huì)更好，譬如高斯拉普拉斯算子。

（二）仿真實(shí)驗(yàn)與分析

本實(shí)驗(yàn)采用的軟件環(huán)境為Windows XP，編程環(huán)境Visual C++6.0，對(duì)bmp文件進(jìn)行格式分析后先將24位位圖轉(zhuǎn)換為256位圖，二值化后再利用邊緣檢測(cè)算子對(duì)圖片分別進(jìn)行卷積運(yùn)算。

實(shí)驗(yàn)結(jié)果如下所示：

原圖

Robert算子 Prewitt算子

Sobel算子 拉普拉斯算子

Robert算子利用4個(gè)像素進(jìn)行計(jì)算，邊緣定位準(zhǔn)，對(duì)噪聲敏感，適于處理陡峭的低噪聲圖像。Prewitt 算子對(duì)噪聲有抑制作用，但Prewitt算子對(duì)圖像邊緣的定位不如Robert算子，與Prewitt算子相比，Sobel算子對(duì)于像素的位置的影響做了加權(quán)，因此效果更好。Laplacian 算子同樣對(duì)噪聲比較敏感，所以通常都是用Laplacian 算子和平滑算子結(jié)合生成的模板進(jìn)行圖像分割處理。

結(jié)論語：

本實(shí)驗(yàn)只是利用各種邊緣檢測(cè)算子對(duì)灰度圖像的分割進(jìn)行了研究，但通常圖像信息中空間復(fù)雜性和相關(guān)性都比較強(qiáng)，每種方法也只局限于特定的分割對(duì)象。實(shí)際應(yīng)用中往往是各種算法的綜合處理。各種算法雖然都可以不斷改進(jìn)，但如果要從根本上提高圖像處理質(zhì)量的話，未來需要成功加入高層的語義信息才能滿足社會(huì)更多的需求。

參考文獻(xiàn)：

[1]殷國(guó)軍,秦莉.圖像分割算法研究綜述[J].河北工程技術(shù)高等?？茖W(xué)校學(xué)報(bào).2009,(02)

[2]黃鋒華,劉琪芳,冀金鳳.基于MATLAB數(shù)字圖像邊緣檢測(cè)算子的研究[J].機(jī)械工程與自動(dòng)化,2011,(04)

[3]王彪,李建文,王鐘斐,基于小波分析的新閾值去噪方法,計(jì)算機(jī)工程與設(shè)計(jì),2011,(03)

[作者簡(jiǎn)介]

神經(jīng)網(wǎng)絡(luò)語義分割范文第2篇

[關(guān)鍵詞]中文分詞　分詞算法　歧義消除　未登錄詞　分詞系統(tǒng)

[分類號(hào)]G354

中文分詞是文本分類、信息檢索、信息過濾、文獻(xiàn)自動(dòng)標(biāo)引、摘要自動(dòng)生成等中文信息處理中的關(guān)鍵技術(shù)及難點(diǎn)。經(jīng)過廣大學(xué)者共同努力，過去2D多年中文分詞取得可喜進(jìn)步，黃昌寧、趙海…在四方面總結(jié)了取得的成績(jī)。筆者利用CNKI全文期刊數(shù)據(jù)庫，以“中文and分詞”、“漢語and分詞”、“自動(dòng)and分詞”等為檢索條件，檢索時(shí)段為1987年1月1日～2010年9月1l日，進(jìn)行篇名檢索，經(jīng)篩選分別得到相關(guān)研究論文214、191、165篇，通過文獻(xiàn)歸納總結(jié)出該領(lǐng)域研究現(xiàn)狀、研究?jī)?nèi)容、研究熱點(diǎn)與難點(diǎn)，并展望其發(fā)展。

1　中文分詞基礎(chǔ)理論研究

中文分詞理論研究可歸結(jié)為：三種主要分詞算法及組合算法研究、中文分詞歧義消除、未登錄詞識(shí)別與分詞與詞性標(biāo)注評(píng)測(cè)研究。

1.1　分詞算法研究

衡量分詞算法優(yōu)劣標(biāo)準(zhǔn)是分詞速度與精度，各種算法圍繞精度與速度展開。目前分詞算法很多，大致可歸納為：詞典分詞方法、理解分詞方法、統(tǒng)計(jì)分詞方法、組合分詞算法。

1.1.1　詞典分詞方法

?算法。詞典分詞方法按照一定策略將待分析漢字串與詞典中的詞條進(jìn)行匹配，若在詞典中找到某個(gè)字符串，則匹配成功，該方法需要確定三個(gè)要素：詞典、掃描方向、匹配原則。比較成熟的幾種詞典分詞方法有：正向最大匹配法、逆向最大匹配法、雙向最大匹配法、最少切分等。實(shí)際分詞系統(tǒng)，都是把詞典分詞作為一種初分手段，再通過各種其他的語言信息進(jìn)一步提高切分的準(zhǔn)確率。

詞典分詞方法包含兩個(gè)核心內(nèi)容：分詞算法與詞典結(jié)構(gòu)，算法設(shè)計(jì)可從以下幾方面展開：①字典結(jié)構(gòu)改進(jìn)；②改進(jìn)掃描方式；③將詞典中的可按由長(zhǎng)到短遞減順序逐字搜索整個(gè)待處理材料，一直到分出全部詞為止。

?詞典結(jié)構(gòu)。同典結(jié)構(gòu)是詞典分詞算法關(guān)鍵技術(shù)，直接影響分詞算法的性能。三個(gè)因素影響詞典性能：①詞查詢速度；②詞典空間利用率；③詞典維護(hù)性能。Hash表是設(shè)計(jì)詞典結(jié)構(gòu)常用方式，先對(duì)GB2312～1980中的漢字排序(即建立Hash表)，然后將其后繼詞(包括詞的屬性等信息)放在相應(yīng)的詞庫表中。

孫茂松等設(shè)計(jì)并實(shí)驗(yàn)考察了三種典型的分詞詞典機(jī)制：整詞二分、TRIE索引樹及逐字二分，著重比較它們的時(shí)間、空間效率。姚興山提出首字Hash表、詞次字Hash表、詞次字結(jié)構(gòu)、詞3字Hash表、詞3字結(jié)構(gòu)、詞4字Hash表、詞4字結(jié)構(gòu)、詞索引表和詞典正文的詞典結(jié)構(gòu)，該結(jié)構(gòu)提高查詢速度，但增大存儲(chǔ)開銷。陳桂林等介紹了一種高效的中文電子詞表數(shù)據(jù)結(jié)構(gòu)，它支持首字Hash和標(biāo)準(zhǔn)的二分查找，且不限詞條長(zhǎng)度，并給出利用近鄰匹配方法來查找多字詞，提高了分詞效率。目前文獻(xiàn)看，圍繞詞典結(jié)構(gòu)提高分詞性能的主流思想是設(shè)計(jì)Hash表，表數(shù)目隨結(jié)構(gòu)不同而不同，數(shù)目越多，空間開銷越大，但查詢速度也相應(yīng)提高，具體設(shè)計(jì)需要在時(shí)間與空間之間權(quán)衡。

1.1.2　理解分詞方法　基本思想是分詞同時(shí)進(jìn)行句法、語義分析；利用句法信息和語義信息來處理歧義現(xiàn)象，理解分詞方法需要使用大量語言知識(shí)和信息。

?人工智能技術(shù)。人工智能技術(shù)主要包括專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)和生成一測(cè)試法三種。分詞專家系統(tǒng)能充分利用詞法知識(shí)、句法知識(shí)、語義知識(shí)和語用知識(shí)進(jìn)行邏輯推理，實(shí)現(xiàn)對(duì)歧義字段的有效切分。何克抗等深入分析了歧義切分字段產(chǎn)生的根源和性質(zhì)，把歧義字段從性質(zhì)上劃分為四類，并給出消除每一類歧義切分字段的有效方法。王彩榮設(shè)計(jì)了一個(gè)分詞專家系統(tǒng)的框架：將自動(dòng)分詞過程看作是基于知識(shí)的邏輯推理過程，用知識(shí)推理與語法分析替代傳統(tǒng)的“詞典匹配分詞+歧義校正的過程?！鄙窠?jīng)網(wǎng)絡(luò)摸擬人腦神經(jīng)元工作機(jī)理設(shè)計(jì)，將分詞知識(shí)所分散隱式的方法存入神經(jīng)網(wǎng)內(nèi)部，通過自學(xué)習(xí)和訓(xùn)練修改內(nèi)部權(quán)值，以達(dá)到正確的分詞結(jié)果。林亞平、尹鋒利等用BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)了一個(gè)分詞系統(tǒng)，進(jìn)行大量仿真實(shí)驗(yàn)，取得不錯(cuò)分詞效果。

采用神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)的人工智能分詞算法與其他方法相比具有如下特點(diǎn)：①知識(shí)的處理機(jī)制為動(dòng)態(tài)演化過程；②字詞或抽象概念與輸入方式對(duì)應(yīng)，切分方式與輸出模型對(duì)應(yīng)；③能較好地適應(yīng)不斷變化的語言現(xiàn)象，包括結(jié)構(gòu)的自組織和詞語的自學(xué)習(xí)；④新知識(shí)的增加對(duì)系統(tǒng)處理速度影響不大，這與一般機(jī)械匹配式分詞方法有很大區(qū)別；⑤有助于利用句法信息和語義信息來處理歧義現(xiàn)象，提高理解分詞的效果。作為智能分詞技術(shù)的一種探討，將神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)思想引入中文分詞，是一種有益嘗試，為后續(xù)智能自動(dòng)分詞技術(shù)取得更多進(jìn)展打下良好基礎(chǔ)。

黃祥喜提出“生成一測(cè)試”法，通過詞典的動(dòng)態(tài)化、分詞知識(shí)的分布化、分詞系統(tǒng)和句法語義系統(tǒng)的協(xié)同工作等手段實(shí)現(xiàn)詞鏈的有效切分和漢語句子切分與理解的并行。該方法具有通用性，實(shí)現(xiàn)容易，分詞和理解能力強(qiáng)。

由于漢語語言知識(shí)的籠統(tǒng)、復(fù)雜性，難以將各種語言信息組織成機(jī)器可直接讀取的形式，因此目前基于理解的分詞系統(tǒng)還處在試驗(yàn)階段。

?統(tǒng)計(jì)模型技術(shù)。蘇菲等提出基于規(guī)則統(tǒng)計(jì)模型的消歧方法和識(shí)別未登錄詞的詞加權(quán)算法，通過詞頻統(tǒng)計(jì)、加權(quán)技術(shù)與正向逆向最大匹配進(jìn)行消歧與未登錄詞識(shí)別。張茂元等提出基于馬爾可夫鏈的語境中文切分理論，進(jìn)而提出一種語境中文分詞方法，該方法建立在詞法和句法基礎(chǔ)上，從語境角度分析歧義字段，提高分詞準(zhǔn)確率。

1.1.3　統(tǒng)計(jì)分詞方法　統(tǒng)計(jì)方法思想基礎(chǔ)是：詞是穩(wěn)定的漢字的組合，在上下文中漢字與漢字相鄰共現(xiàn)的概率能夠較好地反映成同的可信度。因此對(duì)語料中相鄰共現(xiàn)的漢字的組合頻度進(jìn)行統(tǒng)計(jì)，計(jì)算他們的統(tǒng)計(jì)信息并作為分詞的依據(jù)。常用統(tǒng)計(jì)量有如詞頻、互信息、t-測(cè)試差，相關(guān)分詞模型有最大概率分詞模型、最大熵分詞模型、N-Gram元分詞模型、有向圖模型等。孫茂松等提出了一種利用句內(nèi)相鄰字之間的互信息及t－測(cè)試差這兩個(gè)統(tǒng)計(jì)量解決漢語自動(dòng)分詞中交集型歧義切分字段的方法，并進(jìn)一步提出將兩者線性霍加的新的統(tǒng)計(jì)量md，并引入“峰”和“谷”的概念，設(shè)計(jì)了一種無詞表的自動(dòng)分詞算法。王思力等提出一種利用雙字耦合度和t-測(cè)試差解決中文分詞中交叉歧義的方法。孫曉、黃德根提出基于最長(zhǎng)次長(zhǎng)匹配的方法建立漢語切分路徑有向圖，將漢語自動(dòng)分詞轉(zhuǎn)換為在有向圖中選擇正確的切分路徑。

三種主流方法各有優(yōu)缺點(diǎn)，其具體比較見表1。

1.1.4　組合方法　單個(gè)方法有優(yōu)點(diǎn)，但也存在不足，

實(shí)際分詞算法設(shè)計(jì)時(shí)需要組合幾種方法，利用各自優(yōu)點(diǎn)，克服不足，以更好解決分詞難題。

?字典與統(tǒng)計(jì)組合。翟鳳文等提出了一種字典與統(tǒng)計(jì)相結(jié)合的分詞方法，首先利用字典分同方法進(jìn)行第一步處理，然后利用統(tǒng)計(jì)方法處理第一步所產(chǎn)生的歧義問題和未登錄詞問題。該算法通過改進(jìn)字典的存儲(chǔ)結(jié)構(gòu)，提高了字典匹配的速度；通過統(tǒng)計(jì)和規(guī)則相結(jié)合提高交集型歧義切分的準(zhǔn)確率，并且一定條件下解決了語境中高頻未登錄詞問題。

?分詞與詞性標(biāo)注組合。詞性標(biāo)注是指對(duì)庫內(nèi)語篇中所有的單詞根據(jù)其語法作用加注詞性標(biāo)記。將分詞和詞類標(biāo)注結(jié)合起來，利用豐富的詞類信息對(duì)分詞決策提供幫助，并且在標(biāo)注過程中又反過來對(duì)分詞結(jié)果進(jìn)行檢驗(yàn)、調(diào)整，從而極大地提高切分的準(zhǔn)確率。白拴虎將自動(dòng)分詞和基于隱馬爾可夫鏈的詞性自動(dòng)標(biāo)注技術(shù)結(jié)合起來，利用人工標(biāo)注語料庫中提取出的詞性二元統(tǒng)計(jì)規(guī)律來消解切分歧義。佟曉筠等設(shè)計(jì)N-最短路徑自動(dòng)分詞和詞性自動(dòng)標(biāo)注一體化處理的模型，在分詞階段召回N個(gè)最佳結(jié)果作為候選集，最終的結(jié)果會(huì)在未登錄詞識(shí)別和同性標(biāo)注之后，從這N個(gè)最有潛力的候選結(jié)果中選優(yōu)得到。姜濤等對(duì)Kit提出基于實(shí)例的中文分詞一詞性標(biāo)注模型，通過理論上定性分析和實(shí)驗(yàn)證明得出如下優(yōu)點(diǎn)：①對(duì)于訓(xùn)練語料相關(guān)的文本(即與訓(xùn)練語料相同、相似或同領(lǐng)域的文本)，EBST系統(tǒng)的分詞一詞性標(biāo)注結(jié)果具有極高的準(zhǔn)確率；②EBST系統(tǒng)的分詞一詞性標(biāo)注結(jié)果與訓(xùn)練語料中的分詞一詞性標(biāo)注具有很好的一致性。

1.2　歧義消除研究

1.2.1　歧義類型　歧義是指同一個(gè)字符串存在不止一種切分形式。歧義字段分為交集型歧義字段(交叉歧義)、組合型歧義字段(覆蓋歧義)兩種。據(jù)統(tǒng)計(jì)交叉歧義字段占到了總歧義字段的86％，所以解決交叉歧義字段是分詞要解決的重點(diǎn)與難點(diǎn)。

1.2.2　消歧方法　目前解決歧義消除的典型方法有：

?窮舉法。找出待分析字串所有可能的詞，該方法簡(jiǎn)單，但時(shí)間開銷大，實(shí)用性不強(qiáng)。多數(shù)時(shí)候采用雙向匹配算法，正向匹配結(jié)果與逆向匹配結(jié)果一致，分詞正確，否則分詞有歧義。

?聯(lián)想一回溯法。李國(guó)臣等提出聯(lián)想一回溯法，先將待切分的漢字符號(hào)串序列依特征詞詞庫分割為若干子串，每個(gè)子串或?yàn)樵~或?yàn)樵~群(幾個(gè)詞組合而成的線性序列)，然后利用實(shí)詞詞庫和規(guī)則庫再將詞群細(xì)分為詞。分詞時(shí)，利用了一定語法知識(shí)。聯(lián)想和回溯機(jī)制同時(shí)作用于分割和細(xì)分兩個(gè)階段，旨在有效解決歧義組合結(jié)構(gòu)的切分問題。

?詞性標(biāo)注。白拴虎利用馬爾可夫鏈的詞性標(biāo)注技術(shù)結(jié)合分詞算法消解切分歧義，其他學(xué)者也有類似成果出現(xiàn)。

?EM(Expectation Maximization)法。王偉等提出基于EM思想，每個(gè)句子所對(duì)應(yīng)的所有(或一定范圍內(nèi))的分詞結(jié)果構(gòu)成訓(xùn)練集，通過這個(gè)訓(xùn)練集和初始的語言模型可以估計(jì)出一個(gè)新的語言模型，最終的語言模型通過多次迭代而得到。EM是極大似然原則下的建模方法，存在過度擬合問題。

?短語匹配與語義規(guī)則法。姚繼偉、趙東范在短語結(jié)構(gòu)文法的基礎(chǔ)上，提出一種基于局部單一短語匹配和語義規(guī)則相結(jié)合的消歧方法。通過增加短語問的右嵌套規(guī)則和采用有限自動(dòng)機(jī)的實(shí)現(xiàn)方式，解決了短語規(guī)則中存在冗余項(xiàng)的問題，提高了短語匹配效率和歧義消除類型的針對(duì)性。

1.3　未登錄詞研究

1.3.1　未登錄詞類型　未登錄詞大致包含兩大類：①新涌現(xiàn)的通用詞或?qū)I(yè)術(shù)語等；②專有名詞，如中國(guó)人名、外國(guó)譯名、地名、機(jī)構(gòu)名(泛指機(jī)關(guān)、團(tuán)體和其他企事業(yè)單位)等。未登錄詞識(shí)別指正確識(shí)別未在詞典中出現(xiàn)的詞，未登錄詞出現(xiàn)極大影響了分詞的精度，如何解決未登錄詞識(shí)別問題成為分詞準(zhǔn)確性的一大難題。

1.3.2　未登錄詞識(shí)別　識(shí)別第一類未登錄詞一般是先根據(jù)某種算法自動(dòng)生成一張候選詞表(無監(jiān)督的機(jī)器學(xué)習(xí)策略)，再人工篩選出其中的新詞并補(bǔ)充到詞表中。該方法需要大規(guī)模語料庫支持。第二種常用辦法是：首先依據(jù)從各類專有名詞庫中總結(jié)出的統(tǒng)計(jì)知識(shí)(如姓氏用字及其頻度)和人工歸納出的專有名詞的某些結(jié)構(gòu)規(guī)則，在輸入句子中猜測(cè)可能成為專有名詞的漢字串并給出其置信度，之后利用對(duì)該類專有名詞有標(biāo)識(shí)意義的緊鄰上下文信息如稱謂，以及全局統(tǒng)計(jì)量和局部統(tǒng)計(jì)量參見下文，進(jìn)行進(jìn)一步鑒定。

歸納起來，未登錄詞解決方案有兩大類：專用方法與通用方法。專用方法主要針對(duì)特定領(lǐng)域的未登錄詞如中文人名、中文地名、中文機(jī)構(gòu)名等識(shí)別，此類方法主要基于專有詞庫與規(guī)則展開。通用方法則重在解決所有類別的未登錄詞識(shí)別問題，前面列舉的機(jī)械分詞、理解分詞、統(tǒng)計(jì)分詞方法就是一種通用方法。

?專有名詞庫。對(duì)中文人名、地名、機(jī)構(gòu)名等分別建立詞庫，該方法需要搜集特定資源并制定特定算法，信息集成難度大。

?啟發(fā)式規(guī)則。通過前后綴的修飾詞發(fā)現(xiàn)人名等未登錄詞。如“先生張三”，前面“先生”就是一個(gè)特定的修飾詞，一般后面緊接著是人名。鄭家恒將中文姓氏用字進(jìn)行歸類，并利用分類信息建立規(guī)則以識(shí)別“小張”、“老李”之類的人名，并且有效地區(qū)分出“張”“李”等字的量詞用法。

?通用解決方案。不針對(duì)特定的未登錄詞設(shè)計(jì)算法，適用于各種類型的未登錄詞。前述三種主流分詞及組合算法則屬于通用解決方案。另外，呂雅娟等對(duì)中同人名、中國(guó)地名、外國(guó)譯名進(jìn)行整體識(shí)別為目標(biāo)，采用分解處理策略降低了整體處理難度，并使用動(dòng)態(tài)規(guī)劃方法實(shí)現(xiàn)了最佳路徑的搜索，較好地解決了未登錄詞之間的沖突問題。秦文、苑春法提出了決策樹的未登錄詞識(shí)別方法，適用各種未登錄詞識(shí)別。

1.4　分詞與詞性標(biāo)注評(píng)測(cè)

各種算法優(yōu)劣需要在真實(shí)文本上以較大規(guī)模、客觀、定量的方式進(jìn)行公開公正評(píng)測(cè)，它是推動(dòng)中文信息處理研究的重要手段。楊爾弘等介紹了2003年“863中文與接口技術(shù)”漢語自動(dòng)分詞與詞性標(biāo)注一體化評(píng)測(cè)內(nèi)容、評(píng)測(cè)方法、測(cè)試試題的選擇與產(chǎn)生、測(cè)試指標(biāo)以及測(cè)試結(jié)果，各種測(cè)試結(jié)果以精確率、召回率、F值度量，并對(duì)參評(píng)系統(tǒng)的切分和標(biāo)注錯(cuò)誤進(jìn)行了總結(jié)。

2　分詞系統(tǒng)研究

中文分詞系統(tǒng)是利用計(jì)算機(jī)對(duì)中文文本進(jìn)行詞語自動(dòng)識(shí)別的系統(tǒng)。一個(gè)高效的、性能優(yōu)良的中文分詞系統(tǒng)應(yīng)該具備幾個(gè)基本要素：分詞精度、分詞速度、系統(tǒng)可維護(hù)性、通用性、適應(yīng)性。基于分詞系統(tǒng)特點(diǎn)，將分詞系統(tǒng)研究分為早期自動(dòng)分詞系統(tǒng)與現(xiàn)代分詞系統(tǒng)研究?jī)刹糠帧?/p>

2.1　早期自動(dòng)分詞系統(tǒng)

20世紀(jì)80年代初有學(xué)者開始研究自動(dòng)分詞系統(tǒng)，陸續(xù)有一些實(shí)用性系統(tǒng)出現(xiàn)。典型的有：CDWS分詞系統(tǒng)、漢語自動(dòng)分詞系統(tǒng)-NEWS L321、書面漢語自動(dòng)分詞專家系統(tǒng)等。由于受硬件條件及分詞技術(shù)影響，早期分詞實(shí)用系統(tǒng)在分詞速度與精度上還不夠理想，實(shí)用性不高。但這些實(shí)用分詞系統(tǒng)的出現(xiàn)為后續(xù)分詞系統(tǒng)設(shè)計(jì)打下了良好基礎(chǔ)。

2.2　現(xiàn)代分詞系統(tǒng)

2.2.1　中國(guó)科學(xué)院計(jì)算所漢語詞法分析系統(tǒng)　ICT-CLAS ICTCLAS(Institute of Computing Technology.Chinese Lexical Analysis System)是中國(guó)科學(xué)院計(jì)算技術(shù)研究所研制，主要功能包括中文分詞，詞性標(biāo)注，命名實(shí)體識(shí)別，新詞識(shí)別；支持用戶同典，繁體中文，GBK、UTF-8、UTF-7、UNICODE等多種編碼格式。目前ICTCLAS3.0分詞速度單機(jī)為996KB／s，分詞精度為98.45％，AP[不超過200KB，各種淵典數(shù)據(jù)壓縮后不到3M。

2.2.2　海量智能分詞研究版　海量智能分詞系統(tǒng)較好地解決了分詞領(lǐng)域中的兩大技術(shù)難題：歧義切分和新詞的識(shí)別，分詞準(zhǔn)確率達(dá)到99.6％，分同效率為2000萬字／分鐘。其中組合歧義的處理一直是分詞領(lǐng)域的難點(diǎn)中的難點(diǎn)，海量分詞系統(tǒng)能對(duì)絕大多數(shù)的組合歧義進(jìn)行正確的切分。在新詞的識(shí)別上，針對(duì)不同類型采用不同識(shí)別算法，其中包括對(duì)人名、音譯詞、機(jī)構(gòu)團(tuán)體名稱、數(shù)量詞等新同的識(shí)別，其準(zhǔn)確率比較高。

由于計(jì)算機(jī)硬件技術(shù)的大幅提升，分詞技術(shù)的逐步成熟，現(xiàn)在分詞系統(tǒng)在歧義消除、未登錄詞識(shí)別方面取得較大進(jìn)展，分詞速度與精度明顯提高，實(shí)際性越來越強(qiáng)，為中文信息處理帶來極大方便。

神經(jīng)網(wǎng)絡(luò)語義分割范文第3篇

關(guān)鍵詞：惡意程序，數(shù)據(jù)挖掘，檢測(cè)方法

中圖分類號(hào)：TP393.08 文獻(xiàn)標(biāo)識(shí)碼：A

The Application of the Data Mining to the Malware Detection

Zhang Jing Yao Shuke

(The International School of Huanghuai College Henan Zhumadian 463000)

Abstract：Based on data mining to the malware detection technology research，The defects of security software in against malware are analyzed．New feature selection method and extraction rules on basis of the new features are proposed．

Keywords： malware；data mining；Detection method

隨著信息技術(shù)的高速發(fā)展，人們積累的數(shù)據(jù)量急劇增長(zhǎng)，從海量的數(shù)據(jù)中提取有用的知識(shí)成為當(dāng)務(wù)之急，數(shù)據(jù)挖掘的出現(xiàn)幫助人們解決了面臨的難題。數(shù)據(jù)挖掘是從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的數(shù)據(jù)中提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識(shí)的過程。它是一門以統(tǒng)計(jì)學(xué)、機(jī)器學(xué)習(xí)、數(shù)據(jù)庫等多個(gè)學(xué)科為基礎(chǔ)的新興學(xué)科，作為一門面向應(yīng)用的學(xué)科分支數(shù)據(jù)挖掘已經(jīng)在許多領(lǐng)域取得了成功的應(yīng)用，如電信、銀行、零售等行業(yè)。

為了應(yīng)對(duì)大規(guī)模的惡意程序，提高檢測(cè)時(shí)效性和準(zhǔn)確度，最近許多國(guó)外學(xué)者將數(shù)據(jù)挖掘技術(shù)應(yīng)用于對(duì)抗惡意程序的研究中，惡意程序檢測(cè)是分類過程，即將樣本數(shù)據(jù)分為正常程序和惡意程序。當(dāng)前用于惡意程序檢測(cè)的分類技術(shù)種類繁多，目前研究的比較多，綜合性能較好的分類技術(shù)包括神經(jīng)網(wǎng)絡(luò)、貝葉斯、SVM(支持向量機(jī))、決策樹和關(guān)聯(lián)規(guī)則等幾種。

一、惡意程序的檢測(cè)方法

(1)基于神經(jīng)網(wǎng)絡(luò)的惡意程序檢測(cè)方法

神經(jīng)網(wǎng)絡(luò)近年來越來越受到人們的關(guān)注，其本身良好的聯(lián)想存儲(chǔ)、并行處理、自組織自適應(yīng)性、高度容錯(cuò)等特性非常適合解決數(shù)據(jù)挖掘的問題。IBM公司提出使用單層神經(jīng)網(wǎng)絡(luò)分類器來檢測(cè)引導(dǎo)型惡意程序的方法，分類器的訓(xùn)練采用了反向傳播算法，通過測(cè)試樣本集測(cè)試，誤報(bào)率為0．02％，漏報(bào)率為10―15％，結(jié)果比較理想。結(jié)合Bagging算法，將擾動(dòng)訓(xùn)練數(shù)據(jù)和繞的那個(gè)輸入屬性結(jié)合起來，生成了更為精確并且差異度大的個(gè)體神經(jīng)網(wǎng)絡(luò)，實(shí)驗(yàn)使用了209個(gè)惡意程序文件和423個(gè)正常程序，取得了較好的檢測(cè)效果。

(2)基于貝葉斯分類的惡意程序檢測(cè)方法

貝葉斯決策理論與數(shù)據(jù)挖掘的其他分類方法相比具有最小的誤差率，在處理模式分類問題中應(yīng)用十分廣泛，它在類別先驗(yàn)概率和類條件概率密度已知的情況下，可以得到錯(cuò)誤率最小的分類結(jié)果。實(shí)驗(yàn)結(jié)果表明，貝葉斯分類能夠有效檢測(cè)出未知惡意程序，并保持較低的誤報(bào)率。

(3)基于決策樹的惡意程序檢測(cè)方法

決策樹一般都是自上而下的來生成的。每個(gè)決策或事件(即自然狀態(tài))都可能引出兩個(gè)或多個(gè)事件，導(dǎo)致不同的結(jié)果，把這種決策分支畫成圖形很像一棵樹的枝干，故稱決策樹。決策樹判定速度快、判斷流程直觀等優(yōu)點(diǎn)使其有著廣泛的應(yīng)用。建立一種基于決策樹的惡意程序判定方法，其實(shí)驗(yàn)中使用可執(zhí)行文件結(jié)構(gòu)作為分類特征，首先從大量已知數(shù)據(jù)中學(xué)習(xí)并建立決策樹模型，在未知樣本的分類中得到了91．2％的準(zhǔn)確率，取得了較為顯著的判定效果。

(4)基于SVM的惡意程序檢測(cè)方法

SVM的主要思想可以概括為兩點(diǎn)：(1)它是針對(duì)線性可分情況進(jìn)行分析，對(duì)于線性不可分的情況，通過使用非線性映射算法將低維輸入空間線性不可分的樣本轉(zhuǎn)化為高維特征空間使其線性可分，從而使得高維特征空間采用線性算法對(duì)樣本的非線性特征進(jìn)行線性分析成為可能；(2)它基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化理論之上在特征空間中建構(gòu)最優(yōu)分割超平面，使得學(xué)習(xí)器得到全局最優(yōu)化，并且在整個(gè)樣本空間的期望風(fēng)險(xiǎn)以某個(gè)概率滿足一定上界。提出一種基于支持向量機(jī)惡意程序檢測(cè)模型，檢測(cè)算法采用的特征為程序執(zhí)行過程中使用的Windows API函數(shù)序列，檢測(cè)系統(tǒng)在虛擬機(jī)中監(jiān)視程序的行為并進(jìn)行分析，能有效地檢測(cè)未知惡意程序和各種多念與變形惡意程序，而且該法所需訓(xùn)練樣本量也較少，實(shí)驗(yàn)結(jié)果表明該算法在惡意程序樣本較少的情況下對(duì)未知惡意程序檢測(cè)有較好效果。

(5)基于關(guān)聯(lián)規(guī)則分類的惡意程序檢測(cè)方法

利用關(guān)聯(lián)規(guī)則進(jìn)行分類是分類挖掘的一種重要方法，提出了一種在Windows平臺(tái)下檢測(cè)變形惡意程序及未知惡意程序的新方法――以PE文件調(diào)用的Windows API函數(shù)序列為特征，結(jié)合數(shù)據(jù)挖掘技術(shù)中的OOA挖掘方法來實(shí)現(xiàn)對(duì)惡意程序的主動(dòng)防御，對(duì)未知惡意程序檢測(cè)準(zhǔn)確率達(dá)到92％，但是其僅僅使用了Windows API函數(shù)序列作為特征，對(duì)于動(dòng)態(tài)調(diào)用和以資源形式存在的釋放型惡意程序檢測(cè)能力不足，另外在檢測(cè)過程中使用脫殼引擎并不能檢測(cè)所有的殼，并且脫殼時(shí)間會(huì)影響整個(gè)檢測(cè)的實(shí)時(shí)性。

二、現(xiàn)有研究的缺陷

綜合上文中的研究人員的研究成果來看，這些研究人員關(guān)注數(shù)據(jù)挖掘算法的使用和改進(jìn)，在惡意程序檢測(cè)中取得了較好的效果，但是仍然存在以下缺陷：

(1)忽視篩選惡意程序特征方法的研究，高質(zhì)量的數(shù)據(jù)是影響挖掘結(jié)果準(zhǔn)確度的重要因素，許多數(shù)據(jù)挖掘?qū)＜叶颊J(rèn)為在數(shù)據(jù)挖掘過程中一個(gè)最關(guān)鍵的步驟是對(duì)初始數(shù)據(jù)集的預(yù)備和轉(zhuǎn)換，這一步驟在以往惡意程序檢測(cè)的相關(guān)研究中并沒有引起人們的注意；

(2)無法適用于客戶端檢測(cè)，研究人員只重視檢測(cè)率而忽視客戶端檢測(cè)惡意程序的可行性；

(3)檢測(cè)效率低。以往的研究中由于檢測(cè)殼和脫殼時(shí)間消耗較多，另外基于二進(jìn)制特征碼查殺方式匹配特征時(shí)問長(zhǎng)，所以檢測(cè)效率較低。

三、系統(tǒng)的解決方案

1．鑒于現(xiàn)有研究的不足，本文提出篩選惡意程序新型特征的方法，并在此基礎(chǔ)上提取惡意程序檢測(cè)的智能規(guī)則，本文的智能規(guī)則是相對(duì)于傳統(tǒng)檢測(cè)方式而言的智能，傳統(tǒng)二進(jìn)制檢測(cè)方式查殺方式一個(gè)特征碼往往只能針對(duì)一個(gè)惡意程序或一個(gè)家族的惡意程序，而本文中的智能規(guī)則可以檢測(cè)一類甚至幾類惡意程序，相對(duì)傳統(tǒng)的特征碼而言更具有通用性。下圖展示了本文的研究過程。

首先提取樣本源特征，并對(duì)提取的數(shù)據(jù)進(jìn)行預(yù)處理，在此基礎(chǔ)上篩選惡意程序新型特征和評(píng)估新型特征，然后提取智能化檢測(cè)規(guī)則，最后還將設(shè)計(jì)并實(shí)現(xiàn)客戶端檢測(cè)系統(tǒng)，通過系統(tǒng)測(cè)試評(píng)估智能化規(guī)則在客戶端檢測(cè)的效果。

2．客戶端設(shè)計(jì)

將分類器的決策結(jié)果語義化形成惡意程序智能檢測(cè)規(guī)則，并根據(jù)此規(guī)則構(gòu)造知識(shí)庫，最終實(shí)現(xiàn)了基于智能規(guī)則知識(shí)庫的惡意程序判定系統(tǒng)，包括知識(shí)庫、推理機(jī)、用戶界面、程序數(shù)據(jù)收集和事實(shí)表五個(gè)部分，客戶端各部分的邏輯關(guān)系。

主程序加載并初始化推理機(jī)，啟動(dòng)程序數(shù)據(jù)收集模塊收集系統(tǒng)中的各類信息數(shù)據(jù)，并將這些數(shù)據(jù)轉(zhuǎn)換成事實(shí)的表示形式添加到事實(shí)表中，然后推理引擎加載知識(shí)庫和事實(shí)表并開始推理，最后給出判斷被檢程序是否為惡意程序。其中，知識(shí)庫和數(shù)據(jù)采集是HMDS中最重要的兩個(gè)功能。

原型系統(tǒng)的客戶端關(guān)鍵功能是知識(shí)庫。規(guī)則庫為基礎(chǔ)設(shè)計(jì)專家系統(tǒng)的知識(shí)庫。知識(shí)庫的文件格式設(shè)計(jì)包括：規(guī)則文件頭、規(guī)則數(shù)量、規(guī)則長(zhǎng)度、規(guī)則，以下定義了規(guī)則文件的格式。

每條規(guī)則被定義為包含44個(gè)整數(shù)的數(shù)組，知識(shí)庫以文件形式存儲(chǔ)在磁盤上，每次運(yùn)行時(shí)加載到內(nèi)存。本文采用動(dòng)態(tài)規(guī)則集方式提高檢測(cè)效率，即在檢測(cè)系統(tǒng)啟動(dòng)之后統(tǒng)計(jì)每條規(guī)則的使用頻率，并把根據(jù)使用頻率將規(guī)則降序排列、調(diào)整規(guī)則匹配順序。基于動(dòng)態(tài)規(guī)則集的模式匹配方法，能縮短規(guī)則匹配的時(shí)間，極大地提高了惡意程序檢測(cè)效率。

3．實(shí)驗(yàn)及結(jié)果分析

根據(jù)本文的設(shè)計(jì)目標(biāo)：提取主要測(cè)試實(shí)時(shí)性和檢測(cè)率，以證明用于客戶端檢測(cè)的可行性。本文選取商用殺毒軟件瑞星、金山、Nod32、卡巴斯基]中的檢測(cè)結(jié)果作為比較對(duì)象。

測(cè)試的硬件環(huán)境為Intel Pentium雙核Cpu，主頻3．0GHZ，1GB內(nèi)存，測(cè)試操作系統(tǒng)為Windows XP，安裝Vm Ware Station 6.5.2虛擬機(jī)，分別安裝HMDS、瑞星、金山、Nod32、卡巴斯基，將病毒庫升級(jí)至最新，然后把測(cè)試集的樣本文件拷貝至虛擬機(jī)中，并創(chuàng)建鏡像節(jié)點(diǎn)。

HMDS掃描i盤中的文件共8391個(gè)，其中正常程序2475個(gè)，惡意程序5916個(gè)。檢測(cè)出惡意程序5899個(gè)，其中包括8個(gè)誤報(bào)文件，檢測(cè)時(shí)間為104秒，漏報(bào)25個(gè)文件。

HMDS在檢測(cè)中消耗104秒，單個(gè)文件的掃描時(shí)間約為17ms，與Nod32掃描效率相近；而從內(nèi)存占用看HMDS占用內(nèi)存的峰值為14M，排在Nod32之后，位于第二；掃描速度與內(nèi)存峰值比值僅次于瑞星，排在第三位；HMDS的檢測(cè)率與其它商用殺毒軟件相近，與其他學(xué)者的研究相比有了較大提高；誤報(bào)仍然存在，但是與目前其它學(xué)者的研究相比已經(jīng)有較大的提高。

實(shí)驗(yàn)結(jié)果表明，HMDS有較好的實(shí)時(shí)性，檢測(cè)速度高于部分商用安全軟件，在優(yōu)化匹配算法后可以進(jìn)一步提高檢測(cè)速度；在檢測(cè)率上，HMDS與商用殺毒軟件有相近的性能，但是在誤報(bào)率上仍與基于特征碼檢測(cè)的安全軟件有一定差距；從內(nèi)存資源占用上看HMDS內(nèi)存峰值僅次于Nod32的13MB。

綜上所述，HMDS在資源占用和檢測(cè)效率上表現(xiàn)較好，并且在無惡意程序二進(jìn)制特征庫的情況下能夠檢測(cè)未知惡意程序。由于HMDS基于新型特征的檢測(cè)方式較為單一，沒有綜合使用白名單和黑名單等技術(shù)，存在一定的誤報(bào)和漏報(bào)，因此其檢測(cè)準(zhǔn)確率與商用安全軟件仍有一定差距。實(shí)驗(yàn)結(jié)果證明基于新型特征的智能化規(guī)則的查殺準(zhǔn)確率較高，實(shí)時(shí)性較好，誤報(bào)率較低，資源占用較低。

參考文獻(xiàn)：

[1]張波云，殷建平，張鼎興．基于SVM的計(jì)算機(jī)病毒檢測(cè)系統(tǒng)[J]．計(jì)算機(jī)工程與科學(xué)，2007，29(9)：19-22．

[2]葉艷芳，葉東毅．基于關(guān)聯(lián)規(guī)則挖掘技術(shù)的病毒主動(dòng)防御系統(tǒng)[J]．集美大學(xué)學(xué)報(bào)(自然科學(xué)版)，2006，11(2)：106-111．

[3]王維，肖新光，張栗煒．基于決策樹模型的惡意程序判定方法[C]．全國(guó)網(wǎng)絡(luò)與信息安全技術(shù)研討會(huì)，北京，2007．

作者簡(jiǎn)介：

神經(jīng)網(wǎng)絡(luò)語義分割范文第4篇

關(guān)鍵詞：人工智能；引擎；大數(shù)據(jù)；CPU；FPGA

DOI：10.3969/j.jssn.1005-5517-2017-2.006

1 2016年人工智能迎來了春天

2016年人工智能（A1）進(jìn)入了第三個(gè)。2016年3月9-15日，谷歌AlphaGo（阿爾法狗）以4：1的成績(jī)擊敗世界圍棋冠軍李世石職業(yè)九段，意義非常重大。因?yàn)檫^去機(jī)器主要做感知，現(xiàn)在出現(xiàn)了認(rèn)知，這是人工智能的關(guān)鍵所在。

8個(gè)月后，2016年12月29日～2017年1月4日，AlphaGo的升級(jí)版――谷歌Master（大師）在30秒快棋網(wǎng)測(cè)中，以60勝0負(fù)1和的成績(jī)，橫掃柯潔、古力、聶衛(wèi)平、樸廷桓、井山裕太等數(shù)十位中日韓世界冠軍與頂級(jí)高手。從此以后，也許人類以后就沒有和Master進(jìn)行圍棋比賽的機(jī)會(huì)了！除了圍棋，人工智能下一步將在國(guó)際象棋、中國(guó)象棋等棋類方面發(fā)展。

撲克牌方面，專家水平的人工智能首次戰(zhàn)勝一對(duì)一無限注德州撲克人類職業(yè)玩家，而且DeepStack讓機(jī)器擁有知覺。

人工智能還能玩游戲。其意義很重大，平時(shí)環(huán)境中很難得到一些數(shù)據(jù)，因?yàn)橛螒蛳喈?dāng)于虛擬社會(huì)，例如“星際爭(zhēng)霸2”是復(fù)雜的虛擬社會(huì)，如果人工智能在這個(gè)虛擬社會(huì)中能戰(zhàn)勝人，這將是非常了不起的，未來可涉及到高級(jí)決策，在軍事上很有用處。2016年11月5日，谷歌DeepMind宣布與暴雪合作開發(fā)人工智能，挑戰(zhàn)實(shí)時(shí)戰(zhàn)略視頻游戲“星際爭(zhēng)霸2”。這件事情的意義非常重大。下一步可以用于軍事上的高級(jí)戰(zhàn)略決策。

無人駕駛方面，2016年11月15日，“在第三屆世界互聯(lián)網(wǎng)大會(huì)”期間，18輛百度“云驍”亮相烏鎮(zhèn)子夜路，在3.16公里的開放城區(qū)道路上自主行駛。2016年特斯拉Autopilot 2.0問世，該軟件只需要八千美元，就可讓軟件駕駛汽車。所有特斯拉新車將安裝“具有完全自動(dòng)駕駛功能”的該硬件系統(tǒng)，并可通過OTA（空中下載技術(shù)）進(jìn)行軟件升級(jí)；自動(dòng)駕駛功能從L2（二級(jí)，半無人駕駛）直接跳躍到L4/L5（）；2017年底之前，特斯拉車將以完全自動(dòng)駕駛模式從洛杉磯開往紐約。Uber提出在城區(qū)大范圍無人駕駛出租車試運(yùn)行，Uber 2016年9月14日在美國(guó)匹茲堡市推出城區(qū)大范圍無人駕駛出租車免費(fèi)載客服務(wù)并試運(yùn)行，先期已測(cè)試近2年，說明無人駕駛真正落地了。

為何無人駕駛很重要？因?yàn)槿斯ぶ悄苁菬o人駕駛的核心。除了百度、特斯拉、Uber，谷歌Waymo也在做自動(dòng)駕駛測(cè)試。此外，沃爾沃、福特、寶馬、百度、英特爾等全球約20多家企業(yè)公開宣布，4年以后的2021年將會(huì)是無人駕駛/自動(dòng)駕駛元年，部分5AE L4車將會(huì)實(shí)現(xiàn)量產(chǎn)。

計(jì)算機(jī)視覺

針對(duì)ImageNet ILSVRC測(cè)試比賽的1 000種物體識(shí)別，Deep CNN超過了人類的識(shí)別能力。人是5.1%（如圖1），2016年2月23日谷歌人工識(shí)別的評(píng)測(cè)是3.08%。ImageNetILSVRC中有1000種物體，例如猴子、馬、飛機(jī)、坦克等約1500萬張照片、包含2.2萬類種不同物體。深度學(xué)習(xí)一般能做到52層，極深度學(xué)習(xí)（very deep lea rning）現(xiàn)在已經(jīng)做到1000層。

在ILSVRC 2016國(guó)際評(píng)測(cè)中，包括視覺物體檢測(cè)、視覺物體定位、視頻物體檢測(cè)、場(chǎng)景分類、場(chǎng)景解析等性能均有提高。值得一提的是，在此次大會(huì)上，中國(guó)團(tuán)隊(duì)大放異彩，幾乎包攬了各個(gè)項(xiàng)目的冠軍（圖2）。

人工智能語義分割

基于全卷積神經(jīng)網(wǎng)絡(luò)FCN的路面/場(chǎng)景像素級(jí)語義分割取得重要進(jìn)展。為此，我們可以分割大部分道路。

人工智能唇語專家

看電視時(shí)把聲音關(guān)掉，靠嘴唇說話的變化來識(shí)別談話內(nèi)容，這種能力機(jī)器識(shí)別率已經(jīng)超過人類。例如2016年12月，英國(guó)牛津大學(xué)與谷歌DeepMind等研發(fā)的自動(dòng)唇讀系統(tǒng)LipNet，對(duì)GRID語料庫實(shí)現(xiàn)了95.2%的準(zhǔn)確率；對(duì)BBC電視節(jié)目嘉賓進(jìn)行唇語解讀，準(zhǔn)確率為46.8%，遠(yuǎn)遠(yuǎn)超過專業(yè)的人類唇語專家（僅為12.4%）。

人工智能人臉識(shí)別

人臉識(shí)別可以達(dá)到產(chǎn)品級(jí)別，例如支付寶的刷臉成功率超過了人類。如圖3，人的水平為97.40，百度為99.77。因此可以進(jìn)行產(chǎn)品體驗(yàn)。2017年1月6日，百度人工智能機(jī)器人“小度”利用其超強(qiáng)人類識(shí)別能力，以3：2險(xiǎn)勝人類最強(qiáng)大腦代表王峰。

語音識(shí)別

目前的社交新媒體和互動(dòng)平臺(tái)中，Al虛擬助手和Al聊天機(jī)器人正在崛起。一天，美國(guó)GIT（佐治亞理工大學(xué)）的一個(gè)課堂上來了一位助教，教師講完課后說：“大家有問題就問助教吧”。這位助教原來是個(gè)會(huì)眨眼睛的機(jī)器人！這時(shí)學(xué)生們才知道每天網(wǎng)上給他們答疑解惑的是人工智能，此前學(xué)生們也感到很吃驚，這位助教非常敬業(yè)，晚上還在發(fā)Email。

人工智能語音合成

指從文本聲音到真實(shí)聲音，可以自動(dòng)翻譯成英文。2016年9月19日，谷歌DeepMind推出WaveNet，實(shí)現(xiàn)文本到美式英語或中國(guó)普通話的真實(shí)感語音合成。

人工智能速記員

包括語音識(shí)別和NLP（自然語言處理）。2016年10月17日，微軟的語音識(shí)別系統(tǒng)實(shí)現(xiàn)了5.9%的詞錯(cuò)率（WER），媲美人類專業(yè)速記員，且錯(cuò)誤率更低；中國(guó)科大訊飛也有語音輸入法。

人工智能翻譯

中國(guó)人往往從小學(xué)到讀博士都在學(xué)英語?，F(xiàn)在，谷歌、微軟和百度等公司在做人工智能翻譯。以谷歌為例，2016年9月27日，谷歌的神經(jīng)機(jī)器翻譯系統(tǒng)（GNMT）實(shí)現(xiàn)了多語種翻譯，較之傳統(tǒng)方法，英譯西班牙翻譯錯(cuò)誤率下降了87%，英譯漢下降了58%，漢譯英下降了60%，已接近人工翻譯的水平。也許今后學(xué)外語沒那么重要了，人們可戴著耳機(jī)，耳機(jī)能直接翻譯成各語言。

人工智能對(duì)抗訓(xùn)練

Goodfellow（2014）提出的生成式對(duì)抗網(wǎng)絡(luò)（GAN），為半監(jiān)督學(xué)習(xí)/舉一反三式的學(xué)習(xí)發(fā)展提供新思路，2016年發(fā)展迅速。目前是監(jiān)督式學(xué)習(xí)，需要依靠大數(shù)據(jù)，因此大數(shù)據(jù)需要非常完備。而人是舉一反三式的學(xué)習(xí)。例如人沒有見過飛機(jī)，看過幾張照片就可以把世界上所有飛機(jī)都認(rèn)出；目前的大數(shù)據(jù)驅(qū)動(dòng)的深度學(xué)習(xí)方式，是把世界上所有飛機(jī)照片都看過才行?，F(xiàn)在進(jìn)行舉一反三的半監(jiān)督或無監(jiān)督式學(xué)習(xí)，思路是采用對(duì)抗的方法，一個(gè)網(wǎng)絡(luò)造假，另一網(wǎng)絡(luò)鑒別照片是真是假，通過對(duì)抗式的學(xué)習(xí)來共同進(jìn)步（如圖4）。

人工智能引擎

芯片三巨頭

英特爾、英偉達(dá)和高通全部轉(zhuǎn)到了人工智能上。為此英偉達(dá)的股票漲了幾倍。英特爾也在大搞人工智能。高通為了進(jìn)入人工智能領(lǐng)域，收購(gòu)了恩智浦，恩智浦此前收購(gòu)了飛思卡爾。

現(xiàn)在出現(xiàn)了基于超級(jí)GPU/TPU集群的離線訓(xùn)練，采用超級(jí)GPU/TPu集群服務(wù)器，例如英偉達(dá)的深度學(xué)習(xí)芯片Tesla P100及DGX-1深度學(xué)習(xí)計(jì)算機(jī)，谷歌數(shù)據(jù)中心的TPU。

終端應(yīng)用采用GPU/FPGA-based DPU，例如英特爾Apollo Lake A3900的“智能互聯(lián)駕駛艙平臺(tái)”，高通驍龍的820A處理器。

通用人工智能與認(rèn)知智能

1997年，lBM的超級(jí)電腦程序“深藍(lán)”擊敗國(guó)際象棋大師加里?卡斯帕羅夫；2011年2月，IBM的自動(dòng)問答系統(tǒng)在美國(guó)最受歡迎的智力競(jìng)答電視節(jié)目“危險(xiǎn)邊緣”中戰(zhàn)勝了人類冠軍：IBM的沃森醫(yī)生在某些細(xì)分疾病領(lǐng)域已能提供頂級(jí)醫(yī)生的醫(yī)療診斷水平，例如胃癌診斷。

可見，1.AlphaGo和Master等已可橫掃人類圍棋職業(yè)頂尖高手，下一步，將能下中國(guó)象棋等所有棋類，此外還可以打牌、炒股等，即什么都可以干，是強(qiáng)人工智能。2.人工智能已成為無人駕駛汽車商業(yè)落地的關(guān)鍵。3.視覺物體識(shí)別、人臉識(shí)別、唇語識(shí)別等在許多國(guó)際公開評(píng)測(cè)中，達(dá)到或超過人類的水平；4.速記等語音識(shí)別已可媲美人類；5.包括神經(jīng)機(jī)器翻譯在內(nèi)的自然語言處理，性能也大幅度提升；6.生成式對(duì)抗網(wǎng)絡(luò)得到極大關(guān)注。

目前，發(fā)展通用人工智能成為普遍共識(shí)。

2 社會(huì)極大關(guān)注

未來，可能很多工作就會(huì)消失了。

人工智能引起社會(huì)的極大關(guān)注和熱議，人工智能發(fā)展很快；而且人工智能的學(xué)習(xí)速度快，很勤奮，未來可以達(dá)到人類所有的智能，這時(shí)到達(dá)了從強(qiáng)人工智能到超越人工智能的奇點(diǎn)；人工智能有超越人類智能的可能；理論上，人工智能還可以永生。

這也引起了很多人們的擔(dān)憂。奇點(diǎn)到來、強(qiáng)人工智能、超人工智能、意識(shí)永生、人類滅絕等聳人聽聞的觀點(diǎn)出現(xiàn)，引起包括霍金、蓋茨和馬斯克等在內(nèi)的世界名人對(duì)人工智能發(fā)展的擔(dān)憂。在每年的世界人工智能大會(huì)上，專門有一個(gè)論壇探討人工智能與法律、倫理及人類未來的會(huì)場(chǎng)。

現(xiàn)在，人工智能工業(yè)的OpenAI成立。

2016年全社會(huì)對(duì)人工智能的極大關(guān)注，可能是2016年AI的最大進(jìn)展！

在半監(jiān)督/無監(jiān)督學(xué)習(xí)、通用人工智能方面，人工智能具有舉一反三，并有常識(shí)、經(jīng)驗(yàn)、記憶、知識(shí)學(xué)習(xí)、推理、規(guī)劃、決策，甚至還有動(dòng)機(jī)。這最后一點(diǎn)有點(diǎn)恐怖，人是有意識(shí)和動(dòng)機(jī)的，機(jī)器做事也有動(dòng)機(jī)，太可怕了。

智能學(xué)習(xí)進(jìn)步很快，AIpha Go八個(gè)月后就可以戰(zhàn)勝所有圍棋手，因?yàn)樗苊刻?4小時(shí)學(xué)習(xí)、不吃不喝地學(xué)習(xí)，比人強(qiáng)多了。

因此，在經(jīng)歷了60年“三起兩落”的發(fā)展后，以深度學(xué)習(xí)為主要標(biāo)志的人工智能正迎來第3次偉大復(fù)興，這次引起社會(huì)尤其是產(chǎn)業(yè)界高強(qiáng)度的關(guān)注。因?yàn)樯鲜兰o(jì)60年代和80年代，人工智能沒有達(dá)到這樣的水平。

硅谷精神教父、預(yù)言家凱文?凱利說，未來人工智能會(huì)成為一種如同電力一樣的基礎(chǔ)服務(wù)。斯坦福大學(xué)推出了“人工智能百年研究”首份報(bào)告――《2030年的人工智能與生活》。

3人工智能上升為國(guó)家發(fā)展戰(zhàn)略

有人認(rèn)為第四次工業(yè)革命即將由人工智能與機(jī)器人等引爆。英國(guó)政府認(rèn)為，人工智能有望像19世紀(jì)的蒸汽機(jī)革命那樣徹底改變我們的生活，甚至人工智能給人類社會(huì)帶來的變革與影響，有可能遠(yuǎn)遠(yuǎn)超過蒸汽機(jī)、電力和互聯(lián)網(wǎng)帶來的前三次工業(yè)革命。

智能制造、無人駕駛汽車、消費(fèi)類智能機(jī)器人、虛擬助手、聊天機(jī)器人、智能金融、智能醫(yī)療、智能新聞寫作、智能律師、智慧城市等可能被人工智能代替。人工智能將無處不在，可望替換人類的部分腦力勞動(dòng)，一些職業(yè)會(huì)被取代或補(bǔ)充，一些新的行業(yè)又會(huì)誕生，例如18世紀(jì)出現(xiàn)了紡織工人，之后汽車代替了馬車等。因此，我們將經(jīng)歷從“互聯(lián)網(wǎng)+”到“人工智能+”。

中國(guó)“互聯(lián)網(wǎng)+”與“中國(guó)制造2025”國(guó)家發(fā)展戰(zhàn)略的實(shí)施，對(duì)人工智能的巨大需求在迅速增長(zhǎng)。未來2-5年，人工智能應(yīng)用與產(chǎn)業(yè)發(fā)展將迎來爆發(fā)期。

中國(guó)政府在《“互聯(lián)網(wǎng)+”人工智能3年行動(dòng)實(shí)施方案》提出：計(jì)劃在2018年形成千億級(jí)人工智能產(chǎn)業(yè)應(yīng)用規(guī)模。201 7年1月10日，科技部部長(zhǎng)萬鋼稱，將編制完成人工智能專項(xiàng)規(guī)劃，加快推進(jìn)人工智能等重大項(xiàng)目的立項(xiàng)論證。

美國(guó)政府在2016年10月13日出臺(tái)了《為人工智能的未來做好準(zhǔn)備》的報(bào)告，提出了23條建議措施。同一天，美國(guó)政府又出臺(tái)了《國(guó)家人工智能研發(fā)戰(zhàn)略規(guī)劃》，提出了7大重點(diǎn)戰(zhàn)略方向。美國(guó)參議院于2016年11月30日召開了關(guān)于人工智能的首次國(guó)會(huì)聽證會(huì)，主題是“人工智能的黎明”，認(rèn)為中國(guó)是對(duì)美國(guó)人工智能全球領(lǐng)導(dǎo)地位的一個(gè)真正威脅。在2016年12月20日美國(guó)白宮了《人工智能、自動(dòng)化與經(jīng)濟(jì)》報(bào)告，考察了人工智能驅(qū)動(dòng)的自動(dòng)化將會(huì)給經(jīng)濟(jì)帶來的影響，并提出了國(guó)家的三大應(yīng)對(duì)策略方向。可見，奧巴馬把人工智能看作其政治遺產(chǎn)之一（注：另一個(gè)是Cyber空間）。

英國(guó)政府2016年12月了《人工智能：未來決策的機(jī)遇與影響》的報(bào)告，關(guān)注人工智能對(duì)社會(huì)創(chuàng)新與生產(chǎn)力的促進(jìn)作用，論述如何利用英國(guó)人工智能的獨(dú)特優(yōu)勢(shì)，增強(qiáng)英國(guó)國(guó)力。

日本政府2017年開始，要讓人工智能與機(jī)器人推動(dòng)第四次工業(yè)革命。

4 我國(guó)對(duì)策

應(yīng)以深度卷積神經(jīng)網(wǎng)絡(luò)為核心，全面開展計(jì)算機(jī)視覺、語音識(shí)別和自然語言等人工智能產(chǎn)品的開發(fā)與大規(guī)模產(chǎn)業(yè)化應(yīng)用。這需要大數(shù)據(jù)、計(jì)算平臺(tái)/計(jì)算引擎、人工智能算法、應(yīng)用場(chǎng)景等飛速發(fā)展，另外還需要資源、資金、人才。在方法上，選定垂直細(xì)分領(lǐng)域最重要。

面向若干細(xì)分垂直領(lǐng)域，建立大數(shù)據(jù)中心。實(shí)現(xiàn)大數(shù)據(jù)采集、清洗、標(biāo)簽、存儲(chǔ)、管理與交易，建立大數(shù)據(jù)源公共基礎(chǔ)設(shè)施與垂直領(lǐng)域知識(shí)庫。專有大數(shù)據(jù)是人工智能產(chǎn)業(yè)制勝的關(guān)鍵和法寶。中國(guó)企業(yè)必須開始特別關(guān)注大數(shù)據(jù)的采集與利用。其重要性如同原油―樣，跨國(guó)企業(yè)視之為戰(zhàn)略資源！

強(qiáng)力開展人工智能芯片與硬件平臺(tái)的研發(fā)。包括基于FPGA的深度學(xué)習(xí)芯片；類腦芯片與憶阻器件；建立國(guó)家級(jí)人工智能超算中心。

神經(jīng)網(wǎng)絡(luò)語義分割范文第5篇

2.關(guān)于有限群不可約特征標(biāo)的零點(diǎn)任永才，RENYong-Cai

3.并行解Volterra型積微方程的高精度算法張麟，張洋，呂濤，ZHANGLin，ZHANGYang，LVTao

4.廣義集值隱擬補(bǔ)問題解的存在性及迭代算法顏文勇，成和平，王科，YANWen-Yong，CHENGHe-Ping，WANGKe

5.限制區(qū)域上指數(shù)型函數(shù)方程的穩(wěn)定性徐娟，張和發(fā)，XUJuan，ZHANGHe-Fa

6.仿射流形上的Monge-Ampère度量王曉翊，WANGXiao-Yi

7.α次積分半群的擾動(dòng)劉穎，強(qiáng)靜仁，李淼，LIUYing，QiangJing-Ren，LIMiao

8.一類高階差分方程的全局漸進(jìn)穩(wěn)定性張聰，李洪旭，ZHANGCong，LIHong-Xu

9.q-一致光滑Banach空間中含參廣義混合似變分包含組代宏霞，高雪梅，DAIHong-Xia，GaoXue-Mei

10.變系數(shù)多項(xiàng)式型迭代方程的連續(xù)解高亞萍，GAOYa-Ping

11.企業(yè)技術(shù)創(chuàng)新群體項(xiàng)目中止決策研究李曉峰，徐玖平，LIXiao-Feng，XUJiu-Ping

12.一種數(shù)據(jù)表實(shí)時(shí)備份系統(tǒng)的高速緩存方法郭丹，盧正添，陳文，林漢翮，GUODan，LUZheng-Tian，CHENWen，LINHan-He

13.一種遠(yuǎn)程容災(zāi)系統(tǒng)的動(dòng)態(tài)負(fù)載均衡方法臧文娟，楊頻，趙奎，吳曉勇，盧先鋒，艾登智，ZANGWen-Juan，YANGPin，ZHAOKui，WUXiao-Yong，LUXian-Feng，AIDeng-Zhi

14.能量有效的無線傳感器網(wǎng)絡(luò)覆蓋成簇協(xié)議張曉雪，彭艦，ZHANGXiao-Xue，PENGJian

15.SweepCoverage中的節(jié)點(diǎn)移動(dòng)控制王偉，林鋒，周激流，WANGWei，LINFeng，ZHOUJi-Liu

16.一種基于聯(lián)合頻譜分配技術(shù)的認(rèn)知網(wǎng)絡(luò)路由協(xié)議夏鋒，林鋒，周激流，XIAFeng，LINFeng，ZHOUJi-Liu

17.FOLAPE:基于位向量索引的快速OLAP引擎研究牟昕，唐常杰，左劼，段磊，鞏杰，姜頁希，朱軍，MOUXin，TANGChang-Jie，ZUOJie，DUANLei，GONGJie，JIANGYe-Xi，ZHUJun

18.一種由單視頻圖像序列獲取多視差圖的方法研究李里明，李大海，王瓊?cè)A，時(shí)霖，LILi-Ming，LIDa-Hai，WANGQing-Hua，SHILin

19.基于雙頻光柵條紋的小波變換輪廓術(shù)趙玥，陳文靜，孫娟，許羅鵬，蔡義祥，ZHAOYue，CHENWen-Jing，SUNJuan，XUluo-Peng，CAIYi-Xiang

20.Wyner-Ziv系統(tǒng)中邊信息的多塊模式分析沈衛(wèi)紅，卿粼波，何小海，SHENWei-Hong，QINGLin-Bo，HEXiao-Hai

21.加權(quán)零階局域法在網(wǎng)絡(luò)輿論趨勢(shì)預(yù)測(cè)中的應(yīng)用胡朝浪，胡勇，丁雪峰，吳榮軍，周安民，HUChao-Lang，HUYong，DINGXue-Feng，WURong-Jun，ZHOUAn-Min

22.用于左手材料的對(duì)稱開口諧振環(huán)特性研究杜國(guó)宏，劉昆，DUGuo-Hong，LIUKun

23.與非AbelMaxwell-Chern-Simons場(chǎng)耦合的標(biāo)量場(chǎng)的對(duì)稱性自發(fā)破缺理論陳華雄，隆正文，郭光杰，龍超云，CHENHua-Xiong，LONGZheng-Wen，GUOGuang-Jie，LONGChao-Yun

24.稀有氣體晶體的廣義層錯(cuò)能計(jì)算焦健，王少峰，張慧力，劉瑞萍，王銳，吳小志，JIAOJian，WANGShao-Feng，ZHANGHui-Li，LIURui-Ping，WANGRui，WUXiao-Zhi

25.非摻半絕緣InP材料的電子輻照缺陷研究陳燕，鄧愛紅，趙有文，張英杰，余鑫祥，喻菁，龍娟娟，周宇璐，張麗然，CHENYan，DENGAi-Hong，ZHAOYou-Wen，ZHANGYing-Jie，YUXin-Xiang，YUJing，LONGJuan-Juan，ZHOUYu-Lu，ZHANGLi-Ran

26.利用Hellmann-Feynman定理研究無耗散介觀電感耦合電路中的能量漲落張玉強(qiáng)，蔡紹洪，ZHANGYu-Qiang，CAIShao-Hong

27.H2、D2、CO與Pd同時(shí)反應(yīng)的熱力學(xué)耦合理論和排代效應(yīng)阮文，羅文浪，張莉，蒙大橋，朱正和，傅依備，RUANWen，LUOWen-Lang，ZHANGLi，MENGDa-Qiao，ZHUZheng-He，F(xiàn)UYiBei

28.單向耦合布魯塞爾體系相干共振信號(hào)的放大與維持施建成，SHIJian-Cheng

29.納米TiO2晶型轉(zhuǎn)化機(jī)制探討唐小紅，尹光福，鄭昌瓊，周大利，TANGXiao-Hong，YINGuang-Fu，ZHENGChang-Qiong，ZHOUDa-Li

30.正方形晶格上反鐵磁Gauss模型的相變尹訓(xùn)昌，張平偉，孫光厚，黃國(guó)棟，YINXun-Chang，ZHANGPing-Wei，SUNGuang-Hou，HUANGGuo-Dong

31.狄拉克符號(hào)在有限群表示論中的應(yīng)用黎雷，陶軍，張修明，LILei，TAOJun，ZHANGXiu-Ming

32.SiC相變和熱動(dòng)力學(xué)性質(zhì)的第一性原理計(jì)算王海燕，李旭升，歷長(zhǎng)云，WANGHai-Yan，LIXu-Sheng，LIChang-Yun

33.Reissner-Nordstr(o)mdeSitter黑洞的電磁粒子隧穿輻射蘭明建，程發(fā)銀，LANMing-Jian，CHENGFa-Yin

34.冠醚取代的氨基酸Schiff堿及其金屬配合物的合成、表征和抑菌活性研究魏星躍，秦圣英，WEIXing-Yue，QINSheng-Ying

35.表面活性劑膠束和預(yù)膠束對(duì)4-硝基苯酚苯甲酸酯堿性水解反應(yīng)的影響研究聶麗，羅東麗，劉凡，張?jiān)?，NIELi，LUODong-Li，LIUFan，ZHANGYuan-Qin

36.甲苯胺藍(lán)-果糖二磷酸鈉體系的褪色反應(yīng)及其分析應(yīng)用王祥洪，楊季冬，WANGXiang-Hong，YANGJi-Dong

37.甘薯鮮薯不同儲(chǔ)存期呼吸速率的測(cè)定與分析陶向，童英，張勇為，姜玉松，王海燕，張義正，TAOXiang，TONGYing，ZHANGYong-Wei，JIANGYu-Song，WANGHai-Yan，ZHANGYi-Zheng

38.九寨溝自然保護(hù)區(qū)華西箭竹生長(zhǎng)研究張聰，曾濤，唐明坤，肖維陽，雷開明，曾宗永，ZHANGCong，ZENGTao，TANGMing-Kun，XIAOWei-Yang，LEIKai-Ming，ZENGZong-Yong

39.水稻OsDDB2基因過量表達(dá)載體的構(gòu)建及其轉(zhuǎn)化魏炘，黃維藻，余毅，羅曉莉，唐運(yùn)來，牛向麗，劉永勝，WEIXin，HUANGWei-Zao，YUYi，LUOXiao-Li，TANGYun-Lai，NIUXiang-Li，LIUYong-Sheng

40.生長(zhǎng)調(diào)節(jié)劑對(duì)邊坡生態(tài)修復(fù)植物萌發(fā)生長(zhǎng)的影響陳渲庭，李紹才，孫海龍，楊小林，余璐璐，CHENXuan-Ting，LIShao-Cai，SUNHai-Long，YANGXiao-Lin，YULu-Lu

41.大熊貓核糖體蛋白L30亞基基因(RPL30)的cDNA克隆及序列分析侯怡鈴，侯萬儒，HOUYi-Ling，HOUWan-Ru

42.辛伐他汀治療高膽固醇血癥小鼠過程中肝臟的差異表達(dá)基因閆雯琦，李珉，李星潔，康耀霞，康晉梅，張義正，YANWen-Qi，LIMin，LIXing-Jie，KANGYao-Xia，KANGJin-Mei，ZHANGYi-Zheng

43.珙桐葉片的脫分化和分化誘導(dǎo)研究樊茜雯，徐鶯，陳放，F(xiàn)ANXi-Wen，XUYing，CHENFang

44.半胱氨酸蛋白酶基因RNA干擾表達(dá)載體的構(gòu)建及油菜的遺傳轉(zhuǎn)化安金玲，李曉晨，王景娜，周榮富，王茂林，ANJin-Ling，LIXiao-Chen，WANGJing-Na，ZHOURong-Fu，WANGMao-Lin

45.功能性紅米雜交稻微生物發(fā)酵研究及微量元素分析顏亮，羅強(qiáng)，聶遠(yuǎn)洋，曹玫，朱建清，張單，張艷，黎偉，趙建，YANLiang，LUOQiang，NIEYuan-Yang，CAOMei，ZHUJian-Qing，ZHANGDan，ZHANGYan，LIWei，ZHAOJian

46.麻瘋樹過氧化氫酶的分離純化陳林，高順，唐琳，陳放，CHENLin，GAOShun，TANGLin，CHENFang

47.麻瘋樹干旱誘導(dǎo)差異表達(dá)基因片段的分離與功能分析戴曉，茍春寶，王勇，楊彩蘭，陳巍，陳放，魏煒，DAIXiao，GOUChun-Bao，WANGYong，YANGCai-Lan，CHENWei，CHENFang，WEIWei

48.南瓜資源遺傳多樣性的SRAP分析劉小俊，李躍建，梁根云，房超，劉獨(dú)臣，楊宏，趙云，LIUXiao-Jun，LIYue-Jian，LIANGGeng-Yun，F(xiàn)ANGChao，LIUDu-Chen，YANGHong，ZHAOYun

1.Darcy-Stokes方程的局部壓力梯度投影的穩(wěn)定化方法王躍，胡兵，徐友才，WANGYue，HUBing，XUYou-Cai

2.線彈性問題雙線性有限元多重網(wǎng)格法收斂性分析吳永科，王麗，謝小平，WUYong-Ke，WANGLi，XIEXiao-Ping

3.分?jǐn)?shù)階Cauchy問題解的離散化逼近于小麗，李淼，YUXiao-Li，LIMiao

4.弱擬第一可數(shù)空間與映射沈榮鑫，SHENRong-Xin

5.常仿射平均曲率的完備仿射超曲面吳亞東，WUYa-Dong

6.一類多分子飽和反應(yīng)模型的周期軌冷忠建，高波，LENGZhong-Jian，GAOBo

7.基于Copulas的多元密度函數(shù)估計(jì)方法代增，沈曉靜，朱允民，DAIZeng，SHENXiao-Jing，ZHUYun-Min

8.對(duì)稱正則長(zhǎng)波方程的擬緊致守恒平均隱式差分格式胡勁松，徐友才，閔心暢，陳勇，HUJin-Song，XUYou-Cai，MINXin-Chang，CHENYong

9.關(guān)于Lebesgue-Nagell方程x2+D=yp的一個(gè)注記楊仕椿，廖群英，YANGShi-Chun，LIAOQun-Ying

10.基于XML的語義層報(bào)表模型的研究與實(shí)現(xiàn)林碧英，劉麗欽，LINBi-Ying，LIULi-Qin

11.基于地圖分割與以矢量信息描述地圖的A*尋路算法李立，唐寧九，林濤，LILi，TANGNing-Jiu，LINTao

12.一種基于小生境的模糊支持向量機(jī)新算法黃穎，李偉，李康順，HUANGYing，LIWei，LIKang-Shun

13.產(chǎn)業(yè)鏈協(xié)同商務(wù)平臺(tái)構(gòu)件組裝與在線演化技術(shù)王淑營(yíng)，WANGShu-Ying

14.基于草繪和手勢(shì)的著裝系統(tǒng)施利萍，唐寧九，王萍，于松，SHILi-Ping，TANGNing-Jiu，WANGPing，YUSong

15.基于優(yōu)先級(jí)的空中等待策略模型研究劉洪，喻德軍，周忠麗，姜春強(qiáng)，LIUHong，YUDe-Jun，ZHOUZhong-Li，JIANGChun-Qiang

16.基于小波神經(jīng)網(wǎng)絡(luò)的復(fù)雜三維物體測(cè)量蔡義祥，陳文靜，趙玥，許羅鵬，CAIYi-Xiang，CHENWen-Jing，ZHAOYue，XULuo-Peng

17.JPEG壓縮編碼在DM642平臺(tái)上的實(shí)現(xiàn)及優(yōu)化許光輝，王正勇，卿粼波，徐萍，XUGuang-Hui，WANGZheng-Yong，QINGLin-Bo，XUPing

18.2.4GHz0.18μmCMOSDoherty功率放大器設(shè)計(jì)李美光，鄔其榮，石瑞英，LIMei-Guang，WUQi-Rong，SHIRui-Ying

19.基于小波變換的醫(yī)學(xué)解剖與功能像融合新算法陳美玲，陶玲，錢志余，CHENMei-Ling，TAOLing，QIANZhi-Yu

20.選取小波函數(shù)的方法研究許羅鵬，陳文靜，趙玥，蔡義祥，XULuo-Peng，CHENWen-Jing，ZHAOYue，CAIYi-Xiang

21.PSoC在水輪機(jī)鍵相電路中的應(yīng)用王武，WANGWu

22.辨識(shí)Lorenz混沌系統(tǒng)所有參數(shù)的一種新方法張平偉，尹訓(xùn)昌，李娟，ZHANGPing-Wei，YINXun-Chang，LIJuan

23.雙功能偶聯(lián)劑ATE的合成及其用于211At標(biāo)記蛋白質(zhì)的研究魏敏，楊遠(yuǎn)友，劉寧，廖家莉，伍姣姣，馮悅，金建南，WEIMin，YANGYuan-You，LIUNing，LIAOJia-Li，WUJiao-Jiao，F(xiàn)ENGYue，JINJian-Nan

24.采用EPMA確定微粒表面薄膜厚度的方法研究毛莉，安竹，MAOLi，ANZhu

25.一個(gè)五維自治超混沌系統(tǒng)的混沌同步與反同步劉曉君，李險(xiǎn)峰，王三福，楊麗新，LIUXiao-Jun，LIXian-Feng，WANGSan-Fu，YANGLi-Xin

26.溫度對(duì)量子環(huán)磁矩振蕩規(guī)律的影響吳強(qiáng)，WUQiang

27.全氟己基苯甲酸-吡啶衍生物氫鍵復(fù)合物的理論研究李雪梅，張建平，LIXue-Mei，ZHANGJian-Ping

28.奇異介子對(duì)前身中子星轉(zhuǎn)動(dòng)慣量的影響趙先鋒，張華，ZHAOXian-Feng，ZHANGHua

29.弱磁場(chǎng)中弱相互作用費(fèi)米氣體的相對(duì)論修正效應(yīng)趙義明，門福殿，ZHAoYi-Ming，MENFu-Dian

30.Pu3分子激發(fā)態(tài)的外場(chǎng)效應(yīng)謝安東，周玲玲，羅文浪，阮文，伍冬蘭，XIEAn-Dong，ZHOULing-Ling，LUOWen-Lang，RUANWen，WUDong-Lan

31.環(huán)磷腺苷-龍膽紫體系的顯色反應(yīng)及其分析應(yīng)用王祥洪，謝兵，WANGXiang-Hong，XIEBing

32.視黃酸衍生物HX600c的合成改進(jìn)閻承袆，楊莉，樊維，錢珊，吳勇，YANChen-Yi，YANGLi，F(xiàn)ANWei，QIANShan，WUYong

33.H2O與HX(X=F,Cl,Br)分子間氫鍵的相互作用李志鋒，王文英，李會(huì)學(xué)，唐慧安，朱元成，LIZhi-Feng，WANGWen-Ying，LIHui-Xue，TANGHui-An，ZHUYuan-Cheng

34.膽固醇-聚乙二醇-胰島素偶聯(lián)物的合成楊莉，伍曉春，錢珊，趙敏，吳勇，YANGLi，WUXiao-Chun，QIANShan，ZHAOMin，WUYong

35.穩(wěn)態(tài)熒光探針法對(duì)新型二聚季銨鹽表面活性劑聚集數(shù)的測(cè)定胡元，梁麟霖，劉凡，湯毅，HUYuan，LIANGLin-Lin，LIUFan，TANGYi

36.具有不同插入層的CrNx涂層的結(jié)構(gòu)和性能鄢強(qiáng)，童洪輝，宋慧瑾，鄭家貴，沈麗如，金凡亞，YANQiang，TONGHong-Hui，SONGHui-Jin，ZHENGJia-Gui，SHENLi-Ru，JINFan-Ya

37.多孔鈦片上二氧化鈦納米管束的制備與表征趙蓉，丁冉峰，蔣煒，梁斌，ZHAORong，DINGRan-Feng，JIANGWei，LIANGBin

38.一個(gè)與ABA信號(hào)通路相關(guān)未知基因AB的亞細(xì)胞定位研究張亮，李燕，楊笑瑒，吳明杰，蔡黎，楊毅，ZHANGLiang，LIYan，YANGXiao-Yang，WUMing-Jie，CAILi，YANGYi

39.鎘脅迫對(duì)不同小麥品種生理特性及抗氧化酶類活性的影響段永平，涂仕華，馮文強(qiáng)，徐飛，張中偉，陳洋爾，王紹東，龔永兵，袁澍，林宏輝，DUANYong-Ping，TUShi-Hua，F(xiàn)ENGWen-Qiang，XUFei，ZHANGZhong-Wei，CHENYang-er，WANGShao-Dong，GONGYong-Bing，YUANShu，LINGHong-Hui

40.不依賴基因序列和連接反應(yīng)克隆(SLIC)方法的改進(jìn)王廣珺，何川，張義正，WANGGuang-Jun，HEChuan，ZHANGYi-Zheng

41.利用酵母雙雜交系統(tǒng)篩選甘藍(lán)型油菜ATP6的相互作用蛋白質(zhì)孫力，李娜娜，余渝，柴靚，王健美，楊毅，李旭峰，SUNLi，LINa-Na，YUYu，CHAILiang，WANGJian-Mei，YANGYi，LIXu-Feng

42.SAFB1蛋白的表達(dá)純化及其對(duì)乳腺癌細(xì)胞抑制作用的驗(yàn)證季雯娟，張磊，王慧娟，劉挺，柏慶然，吳傳芳，JIWen-Juan，ZHANGLei，WANGHui-Juan，LIUTing，BAIQing-Ran，WUChuan-Fang

43.RBM5蛋白調(diào)控c-FLIP差異性剪切及其抑制A549增殖的研究張磊，季雯娟，柏慶然，王慧娟，吳傳芳，ZHANGLei，JIWen-Juan，BAIQing-Ran，WANGHui-Juan，WUChuan-Fang

44.Co2+對(duì)萊茵衣藻生長(zhǎng)及類囊體膜功能的影響惠心娣，段曉瓊，袁翰，劉科，杜林方，HUIXin-Di，DUANXiao-Qiong，YUANHan，LIUKe，DULin-Fang

45.草甘膦高效降解菌的篩選鑒定及降解特性研究全鑫，周春雨，范婕妤，陶科，史冠瑩，楊茜，崔文華，侯太平，QUANXin，ZHOUChun-Yu，F(xiàn)ANJie-Yu，TAOKe，SHIGuan-Ying，YANGQian，CUIWen-Hua，HOUTai-Ping

46.犢牛牛病毒性腹瀉/粘膜病母源抗體研究劉亞剛，劉娣琴，楊曉農(nóng)，蔣朝龍，余瓊，李建，常文棣，LIUYa-Gang，LIUDi-Qin，YANGXiao-Nong，JIANGChao-Long，YUQiong，LIJian，CHANGWen-Di

47.穿山龍薯蕷皂甙次生代謝合成相關(guān)新基因的克隆和分析茍興華，何明雄，孫雁霞，王躍華，茍小軍，GOUXing-Hua，HEMing-Xiong，SUNYan-Xia，WANGYue-Hua，GOUXiao-Jun

48.脫毛堿性蛋白酶定點(diǎn)突變的初步分析楊慶軍，張小偉，馮紅，張義正，YANGQing-Jun，ZHANGXiao-Wei，F(xiàn)ENGHong，ZHANGYi-Zheng

1.種群分化遺傳算法在求解多人非合作對(duì)策Nash均衡解中的應(yīng)用史思紅，羅懋康，李世倫

2.關(guān)于一類四階偏微分方程解的一個(gè)Bernstein性質(zhì)蔣研，許瑞偉

3.帶有阻尼項(xiàng)的非線性Klein-Gordon方程整體解存在的最佳條件黃文毅，張健，陳文利

4.最大公因子封閉集上冪矩陣行列式的整除性譚千蓉，林宗兵

5.Stokes方程的局部絕對(duì)穩(wěn)定化有限元方法祁瑞生，馮民富，劉丹

6.基于標(biāo)準(zhǔn)論域的模糊控制器設(shè)計(jì)黃麗，胡世凱，李中夫，李智

7.推廣的Dempster合成規(guī)則在航跡關(guān)聯(lián)中的應(yīng)用馬艷霞，屈小媚

8.變時(shí)滯隨機(jī)反應(yīng)擴(kuò)散Hopfield神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性張子芳，鄧瑾

9.Reissner-Mindlin板的Z-Z矩形元的改進(jìn)胡兵，閔心暢，徐友才

10.一類反應(yīng)擴(kuò)散方程的定態(tài)分歧張強(qiáng)，張正麗

11.具有混合時(shí)滯的脈沖Cohen-Grossberg神經(jīng)網(wǎng)絡(luò)的指數(shù)耗散性楊治國(guó)，黃玉梅

12.基于GB/T20984的信息安全風(fēng)險(xiǎn)評(píng)估模型與綜合評(píng)價(jià)方法歐曉聰，王禎學(xué)，胡勇，吳榮軍

13.累積優(yōu)先級(jí)時(shí)隙分配算法的GDP模型楊奕，施海，陳新崗

14.一種基于過濾驅(qū)動(dòng)的寫時(shí)拷貝快照方法周煜，盧正添，易固武，葛亮

15.一種基于概率方法的中期沖突探測(cè)算法陳曉波，宋萬忠，楊紅雨

16.一種節(jié)點(diǎn)特征累積的自適應(yīng)加權(quán)分簇算法丁春利，朱敏，黃建，范量

17.基于SVM預(yù)測(cè)的金融主題爬蟲陳黎，李志蜀，琚生根，唐小棚，梁時(shí)木，韓國(guó)輝

18.應(yīng)用混沌和模糊聚類的自適應(yīng)隱蔽通信算法孫界平，琚生根，蘇理云，李征，夏欣

19.在三維空間直接進(jìn)行的三角剖分算法康子陽，蘇顯渝，劉天成

20.基于集總參數(shù)電容的新型混合左右手傳輸線設(shè)計(jì)楊滔，劉長(zhǎng)軍，黃文，李雨濃

21.一種改進(jìn)的TDOA概率定位算法及應(yīng)用李婧，龔曉峰，張燁，武瑞娟

22.基于分離程度的二叉樹的多類SVM在李坤，任清安，文斌，羅愛民

23.基于圖像色彩和紋理的SOM聚類和檢索方法楊曉敏，嚴(yán)斌宇，吳煒，何小海