|
|
|
题名
|
作者
|
年代
|
出处
|
被引量
|
| 1 | 深度学习在故障诊断与预测中的应用显示文摘近年来,深度学习以其在特征提取与模式识别方面独特优势与潜力被广泛应用于众多领域,已取得显著进展,其在复杂工业系统故障诊断与预测中的研究属于新兴领域。对近年来深度学习及其在各领域发展的优秀综述文献以及主流的开源仿真工具平台进行了整理,同时介绍了五种典型的深度学习模型,包括自动编码器(Auto-Encoder,AE)、深度置信网络(Deep Belief Networks,DBN)、卷积神经网络(Convolutional Neural Networks,CNN)、循环神经网络(Recurrent Neural Network,RNN)、生成对抗网络(Generative Adversarial Network,GAN);从研究背景、实现流程及研究动态等三个方面就深度学习在故障诊断与预测中的应用研究进行了归纳总结,对近年来这一领域发表的相关论文进行了系统的综述;从研究实际出发探讨了深度学习在故障诊断与预测领域应用中存在的问题、挑战及解决方法,并对未来值得继续研究的方向进行了展望。 | 余萍 曹洁 | 2020 | 计算机工程与应用2020，56，3： | 51 |
| 2 | 深度学习模型可解释性的研究进展显示文摘深度学习在很多人工智能应用领域中取得成功的关键原因在于,通过复杂的深层网络模型从海量数据中学习丰富的知识。然而,深度学习模型内部高度的复杂性常导致人们难以理解模型的决策结果,造成深度学习模型的不可解释性,从而限制了模型的实际部署。因此,亟需提高深度学习模型的可解释性,使模型透明化,以推动人工智能领域研究的发展。本文旨在对深度学习模型可解释性的研究进展进行系统性的调研,从可解释性原理的角度对现有方法进行分类,并且结合可解释性方法在人工智能领域的实际应用,分析目前可解释性研究存在的问题,以及深度学习模型可解释性的发展趋势。为全面掌握模型可解释性的研究进展以及未来的研究方向提供新的思路。 | 化盈盈 张岱墀 葛仕明 | 2020 | 信息安全学报2020，5，3： | 35 |
| 3 | 深度学习的可解释性显示文摘深度学习已经成功运用在自然语言、多媒体、计算机视觉、语音和跨媒体等相关的特定领域。然而,这一架构在'端到端'模式下、通过标注大量数据来进行误差后向传播而优化参数的学习方法被比喻为一个'黑盒子',解释性较弱。可解释性指算法要对特定任务给出清晰概括,并与人类世界中已定义的原则或原理联结。在诸如自动驾驶、医疗和金融决策等'高风险'领域,利用深度学习进行重大决策时,往往需要知晓算法所给出结果的依据。因此,透明化深度学习的'黑盒子',使其具有可解释性,具有重要意义。围绕深度学习可解释性这一问题,本文从卷积神经网络可视化、卷积神经网络的特征分析、卷积神经网络的缺陷及优化、利用传统机器学习模型来解释神经网络和基于可解释模块的深度网络学习这五个方面介绍现有研究工作。对近年来人工智能顶级会议上关于深度学习可解释性的论文发表数量进行统计分析,发现深度学习的可解释性是目前人工智能研究的一个热点。最后,本文认为深度学习的可解释性研究可从因果模型、推理、认知理论和模型、智能人机交互等方面着手,以构建出可解释、更通用和适应性强的人工智能理论、模型和方法。 | 吴飞 廖彬兵 韩亚洪 | 2019 | 航空兵器2019，26，1： | 32 |
| 4 | 深度学习在装备剩余使用寿命预测技术中的研究现状与挑战显示文摘有效的装备剩余使用寿命(RUL)预测有助于及时规避严重生产事故,并为视情维护提供技术支持,在现代工业中发挥着重要作用。近年来,深度学习凭借其在大数据处理和特征提取方面的独特优势与潜力,在RUL预测领域得到了广泛应用。鉴于此,综述了深度学习在装备RUL预测领域的最新研究。首先介绍几种应用于RUL预测的典型深度学习方法,并对其实现RUL预测的基本原理和建模方法进行了概述;其次,对近年来典型深度学习方法在RUL预测领域的应用和发展趋势进行了详细总结;最后,探讨了现阶段基于深度学习的RUL预测技术所面临的挑战性问题及展望。 | 刘惠 刘振宇 郏维强 张栋豪 谭建荣 | 2021 | 计算机集成制造系统2021，27，1： | 27 |
| 5 | 飞行数据异常检测技术综述显示文摘飞行数据是一系列与飞行和运行状态相关的参数。飞行数据异常检测技术旨在监测航空器关键部件的健康状态、发现机组飞行操纵等问题,从而有利于维修维护、消除安全隐患和确保飞行安全。但是,标签数据的缺少、高准确率要求、计算资源限制等问题为实际应用带来严峻挑战。阐述了飞行数据异常检测的基本内涵和研究现状,并在此基础上探讨了潜在的问题和可能的发展方向,力求为飞行数据异常检测技术的发展提供可行的研究思路。 | 彭宇 何永福 王少军 刘大同 刘连胜 | 2019 | 仪器仪表学报2019，40，3： | 26 |
| 6 | 深度神经网络解释方法综述显示文摘深度神经网络具有非线性非凸、多层隐藏结构、特征矢量化、海量模型参数等特点,但弱解释性是限制其理论发展和实际应用的巨大障碍,因此,深度神经网络解释方法成为当前人工智能领域研究的前沿热点。针对军事、金融、医药、交通等高风险决策领域对深度神经网络可解释性提出的强烈要求,对卷积神经网络、循环神经网络、生成对抗网络等典型网络的解释方法进行分析梳理,总结并比较现有的解释方法,同时结合目前深度神经网络的发展趋势,对其解释方法的未来研究方向进行展望。 | 苏炯铭 刘鸿福 项凤涛 吴建宅 袁兴生 | 2020 | 计算机工程2020，46，9： | 23 |
| 7 | 可视化与人工智能交叉研究综述显示文摘随着人工智能技术的突破性进展,人工智能与可视化的交叉研究成为当前的研究热点之一,为人工智能和大数据分析领域的若干核心难题提供了启发式的理论、方法和技术.一方面,人工智能技术的创新应用提升了可视化的分析效率,拓展了分析功能,为大数据可视分析提供了强有力的工具.另一方面,可视化技术增强了以深度学习为代表的人工智能的可解释性和交互性,为可解释人工智能提供了可靠的技术基础.本文从面向人工智能的可视化技术和人工智能驱动的可视化技术两个方向,分别介绍了数据质量改善、可解释机器学习、智能特征提取、可视化自动布局与生成、智能交互、智能故事叙述等6个重要问题.对国内外的研究进展进行了分析,并对发展趋势进行了展望. | 夏佳志 李杰 陈思明 秦红星 刘世霞 | 2021 | 中国科学:信息科学2021，51，11： | 13 |
| 8 | 人工智能时代面向运维数据的异常检测技术研究与分析显示文摘随着信息化时代的到来以及人工智能技术在各个领域的落地及实践,IT运维也迎来一个智能化运维的新时代。为了确保大型软硬件系统安全、可靠地运行,需要有专业的运维人员进行系统的部署、运行和维护。运维数据是一系列与大型软硬件系统运行状态相关的参数。运维数据异常检测技术旨在检测大型系统的健康状态,并把运维人员从纷繁复杂的告警和噪声中解放出来。但是,标记数据的稀缺以及企业对准确率的高要求等问题给运维数据异常检测技术的实际应用带来了严峻挑战。文章对运维数据异常进行了描述,并详细介绍了运维数据异常检测的研究现状;在此基础上提出了一种初步的解决方案并给出了实验结果。文章阐述了运维数据异常检测的潜在问题和可能的发展方向,力求为运维数据异常检测技术的发展提供可行的研究思路。 | 朱海麒 姜峰 | 2019 | 信息网络安全2019，，11： | 11 |
| 9 | 基于弱语义注意力的遥感图像可解释目标检测显示文摘近些年来随着遥感技术的快速发展,遥感图像目标检测成为了当前的研究热点.针对遥感图像背景复杂以及现有目标检测模型缺乏可解释性等问题,本文提出了一种基于弱语义注意力的遥感图像可解释目标检测方法.具体地,首先通过多层级特征金字塔来解决遥感图像中目标尺度变化范围大的问题.其次,利用检测框的角度回归来解决遥感图像目标定向的问题.然后,基于弱语义分割网络产生强化目标特征的注意力权重值,抑制背景噪声.最终用网络剖析的分析方法,获取模型中卷积核对应的可解释性语义概念.实验结果表明,本文提出的算法在遥感图像目标检测的准确性以及对背景噪声抑制上有较好的表现,并且通过可解释性算法在一定程度上使本文提出的模型易于理解. | 周勇 陈思霖 赵佳琦 张迪 王瀚正 | 2021 | 电子学报2021，49，4： | 6 |
| 10 | S-Detect技术在甲状腺结节超声诊断中的初步应用显示文摘目的:探讨S-Detect技术在甲状腺结节超声诊断的临床价值。方法:选取292例患者,共321个结节应用S-Detect技术进行检查分类,将得到的结果与病理结果进行对比分析。结果:病理结果中良性病灶104个(32. 4%),恶性病灶217个(67. 6%)。以细胞学病理为金标准,S-Detect技术横切面及纵切面的诊断准确率分别为61. 22%(150/245)、66. 12%(162/245),两者的敏感性、特异性、阳性预测值、阴性预测值分别为68. 39%、48. 89%、69. 74%、47. 31%及74. 19%、52. 22%、72. 78%、54. 02%;以组织学病理为金标准,S-Detect技术横切面及纵切面诊断的准确率分别为69. 74%(53/76)、77. 63%(59/76),两者的敏感性、特异性、阳性预测值、阴性预测值分别为74. 19%、50. 00%、86. 79%、30. 43%及83. 87%、50. 00%、88. 14%、41. 18%。结论:S-Detect技术对于提高甲状腺结节诊断准确率、降低超声医生劳动负荷有积极意义,其使用规范及操作指南有待建立。 | 阳建政 李陶 胡加银 程伟 杜鹏 吴林容 张滢滢 | 2020 | 肿瘤预防与治疗2020，33，11： | 4 |
| 11 | 基于学习优化的智能电网能量管理研究综述显示文摘受近年来人工智能浪潮的积极影响,基于学习优化的智能电网能量管理研究不断涌现,并被视为一个富有前景的研究方向.现有学习优化方法的设计思路大相径庭,了解这些思路的优势和局限性对掌握该交叉领域动态和推动其长足发展至关重要.鉴于此,总结3种主要的学习优化类型:学习最优解、学习热启动、学习约束,分析不同学习优化类型的设计思路和优点,基于现有工作的缺憾进一步提出5大挑战,并提供一些潜在的解决方案,以期为该交叉领域的研究者提供更全面的信息和新的视角. | 郭方洪 徐博文 张文安 邓瑞龙 | 2022 | 控制与决策2022，37，5： | 4 |
| 12 | 基于深度学习的化工过程故障检测与诊断研究综述显示文摘化工过程的故障检测与诊断对于现代化工系统的可靠性和安全性具有重要意义。深度学习作为一项新兴的技术,引起了学术界和工业界的广泛关注。从方法的角度出发,将基于深度学习的化工过程故障检测与诊断技术分为:基于自动编码器的方法、基于深度置信网络的方法、基于卷积神经网络的方法和基于循环神经网络的方法,并分别对4种方法的最新研究进展进行了系统的归纳和总结。最后从工业应用角度总结了一些主要的挑战,并从“数据”、“模型”和“可视化”3个方面展望了未来的发展方向。 | 鲍宇 程硕 王靖涛 | 2022 | 化学工业与工程2022，39，2： | 4 |
| 13 | 可解释人工智能研究综述显示文摘随着机器学习和深度学习的发展,人工智能技术已经逐渐应用在各个领域。然而采用人工智能的最大缺陷之一就是它无法解释预测的依据。模型的黑盒性质使得在医疗、金融和自动驾驶等关键任务应用场景中人类还无法真正信任模型,从而限制了这些领域中人工智能的落地应用。推动可解释人工智能(explainable artificial intelligence,XAI)的发展成为实现关键任务应用落地的重要问题。目前,国内外相关领域仍缺少有关可解释人工智能的研究综述,也缺乏对因果解释方法的关注以及对可解释性方法评估的研究。从解释方法的特点出发,将主要可解释性方法分为三类:独立于模型的方法、依赖于模型的方法和因果解释方法,分别进行总结分析,对解释方法的评估进行总结,列举出可解释人工智能的应用,讨论当前可解释性存在的问题并进行展望。 | 赵延玉 赵晓永 王磊 王宁宁 | 2023 | 计算机工程与应用2023，59，14： | 3 |
| 14 | A Brief Review of Artificial Intelligence Applications and Algorithms for Psychiatric Disorders显示文摘A number of brain research projects have recently been carried out to study the etiology and mechanisms of psychiatric disorders.Although psychiatric disorders are part of the brain sciences,psychiatrists still diagnose them based on subjective experience rather than by gaining insights into the pathophysiology of the diseases.Therefore,it is urgent to have a clear understanding of the etiology and pathogenesis of major psychiatric diseases,which can help in the development of effective treatments and interventions.Artificial intelligence(AI)-based applications are being quickly developed for psychiatric research and diagnosis,but there is no systematic review that summarizes their applications.For this reason,this study briefly reviews three main brain observation techniques used to study psychiatric disorders-namely,magnetic resonance imaging(MRI),electroencephalography(EEG),and kinesics-based diagnoses-along with related AI applications and algorithms.Finally,we discuss the challenges,opportunities,and future study directions of AI-based applications. | Guang-Di Liu Yu-Chen Li Wei Zhang Le Zhang | 2020 | Engineering2020，6，4： | 2 |
| 15 | 基于街景图像的可解释性城市感知模型研究方法显示文摘理解城市环境对人类感知的影响,对城市合理规划及布局具有重要的人文参考价值。城市环境是一个动态变化的复杂系统,具有空间异质性的特点。由于研究方法的限制,在复杂的城市环境中,以往基于街景图像的城市感知研究难以全面精细地分析环境关键要素对人类感知的影响。本研究以武汉市中心为研究区,首先利用全卷积神经网络将街景图像分割为城市地物类型,耦合感知打分数据和随机森林算法建立6类城市感知模型;然后基于沙普利值方法分解在随机森林模型中各类城市地物对人类感知的影响,并识别城市环境关键要素;最后结合分解结果,探究在非线性模型中沙普利值方法的适用性和优势。结果表明:沙普利值方法能够有效考虑环境异质性,精确地定量表示在不同场景中各类地物对人类感知的影响;城市高楼、天空、绿地空间是对人类感知影响最大的3类地物,且地物的体积和分布与其对人类感知的影响有关,图像占比大、分布连续的地物对人类感知的影响比图像占比小、分布离散的地物对人类感知的影响大;受城市环境空间异质性的影响,主要地物类型对各类感知的影响程度和形式有显著不同;高楼与人类感知为非线性关系,且具有明显的单调递增或递减的形式;绿地空间与积极感知呈非线性关系,与消极感知呈线性递减的关系。基于可解释性方法,本研究主要分析城市环境关键要素对人类感知的影响特点,探究了城市感知模型中的可解释性问题,能够为城市感知相关研究提供方法参考和理论依据,同时也可为城市规划和景观设计提供参考。 | 刘智谦 吕建军 姚尧 张嘉琪 寇世浩 关庆锋 | 2022 | 地球信息科学学报2022，24，10： | 2 |
| 16 | 基于卷积神经网络的物流货物图像分类研究显示文摘基于卷积神经网络(CNN)针对物流环境下货物的图像分类问题进行了研究。首先,在实际物流环境下收集了13种货物的ROI图像,并通过每隔10°旋转的方式来扩充数据集以防止过拟合现象的发生;然后,在考虑了实际硬件条件的情况下构建了轻量级CNN,并进行了基于自建数据集的训练,训练实验发现,轻量级CNN模型具有很快的收敛速度并在验证集取得了100%的准确率;最后,研究了旋转对货物图像分类性能的影响,并进行了可视化分析,验证了CNN对旋转操作基本不具备一致性。 | 刘斌 龙健宁 程方毅 龚德文 | 2021 | 机电工程技术2021，50，12： | 2 |
| 17 | 人工智能在6G空口物理层的潜在应用显示文摘为充分支持万物互联,第6代移动通信系统(6G)必须满足垂直行业严苛的物理层通信需求,而人工智能技术是提升物理层通信能力的有力手段。首先介绍了人工智能技术原生理论;然后归纳了人工智能技术在信道估计、信号检测、无源波束赋形和索引调制技术上的应用;最后梳理了未来人工智能技术潜在应用面临的技术挑战,探讨了该领域的研究趋势,展望了其在6G空口物理层中的应用前景。 | 廖勇 杨植景 李雪 | 2022 | 北京邮电大学学报2022，45，6： | 2 |
| 18 | Causal Reasoning Meets Visual Representation Learning: A Prospective Study显示文摘Visual representation learning is ubiquitous in various real-world applications,including visual comprehension,video understanding,multi-modal analysis,human-computer interaction,and urban computing.Due to the emergence of huge amounts of multimodal heterogeneous spatial/temporal/spatial-temporal data in the big data era,the lack of interpretability,robustness,and out-of-distribution generalization are becoming the challenges of the existing visual models.The majority of the existing methods tend to fit the original data/variable distributions and ignore the essential causal relations behind the multi-modal knowledge,which lacks unified guidance and analysis about why modern visual representation learning methods easily collapse into data bias and have limited generalization and cognitive abilities.Inspired by the strong inference ability of human-level agents,recent years have therefore witnessed great effort in developing causal reasoning paradigms to realize robust representation and model learning with good cognitive ability.In this paper,we conduct a comprehensive review of existing causal reasoning methods for visual representation learning,covering fundamental theories,models,and datasets.The limitations of current methods and datasets are also discussed.Moreover,we propose some prospective challenges,opportunities,and future research directions for benchmarking causal reasoning algorithms in visual representation learning.This paper aims to provide a comprehensive overview of this emerging field,attract attention,encourage discussions,bring to the forefront the urgency of developing novel causal reasoning methods,publicly available benchmarks,and consensus-building standards for reliable visual representation learning and related real-world applications more efficiently. | Yang Liu Yu-Shen Wei Hong Yan Guan-Bin Li Liang Lin | 2022 | Machine Intelligence Research2022，19，6： | 1 |
| 19 | Proteome-Wide Profiling of the Covalent-Druggable Cysteines with a Structure-Based Deep Graph Learning Network显示文摘Covalent ligands have attracted increasing attention due to their unique advantages,such as long residence time,high selectivity,and strong binding affinity.They also show promise for targets where previous efforts to identify noncovalent small molecule inhibitors have failed.However,our limited knowledge of covalent binding sites has hindered the discovery of novel ligands.Therefore,developing in silico methods to identify covalent binding sites is highly desirable.Here,we propose DeepCoSI,the first structure-based deep graph learning model to identify ligandable covalent sites in the protein.By integrating the characterization of the binding pocket and the interactions between each cysteine and the surrounding environment,DeepCoSI achieves state-of-the-art predictive performances.The validation on two external test sets which mimic the real application scenarios shows that DeepCosI has strong ability to distinguish ligandable sites from the others.Finally,we profiled the entire set of protein structures in the RCSB Protein Data Bank(PDB)with DeepCoSI to evaluate the ligandability of each cysteine for covalent ligand design,and made the predicted data publicly available on website. | Hongyan Du Dejun Jiang Junbo Gao Xujun Zhang Lingxiao Jiang Yundian Zeng Zhenxing Wu Chao Shen Lei Xu Dongsheng Cao Tingjun Hou Peichen Pan | 2022 | Research2022，，4： | 1 |
| 20 | 基于Grad-CAM的Mask-FGSM对抗样本攻击显示文摘深度学习缺乏可解释性,其容易受到对抗性样本的攻击。对此引入一种深度学习可解释性模型Grad-CAM(Gradient-weighted Class Activation Mapping),通过神经网络输入和输出之间的映射关系得到输入的热力图,结合FGSM(Fast Gradient Sign Method)引入一种高效的算法来生成对抗样本。实验证明,该算法能够挖掘潜在的最佳攻击位置,仅需要修改3.821%的输入特征,就能有效生成使得神经网络错误分类的对抗样本,充分验证了该算法的高效性。 | 余莉萍 | 2022 | 计算机应用与软件2022，39，7： | 1 |
您所在的机构暂未开通此部分的功能，请联系管理员