人工智能是打算机科学的一个分支，它企图理解智能的本色，并生产出一种新的能以人类智能相似的办法做出反应的智能机器，该领域的研究包括机器人、措辞识别、图像识别、自然措辞处理和专家系统等。
人工智能从出身以来，理论和技能日益成熟，运用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类聪慧的“容器”。
人工智能可以对人的意识、思维的信息过程的仿照。
人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。

人工智能之父 John McCarthy说：人工智能便是制造智能的机器，更特指制作人工智能的程序。
人工智能模拟人类的思考办法使打算性能智能的思考问题，人工智能通过研究人类大脑的思考、学习和事情办法，然后将研究结果作为开拓智能软件和系统的根本。

人工智能历史

1940-1950：一帮来自数学，生理学，工程学，经济学和政治学领域的科学家在一起谈论人工智能的可能性，当时已经研究出了人脑的事情事理是神经元电脉冲事情。

1950-1956：伦·图灵（Alan Turing）揭橥了一篇具有里程碑意义的论文，个中他预见了创造思考机器的可能性。
主要事宜： 曼彻斯特大学的Christopher Strachey利用Ferranti Mark 1 机器写了一个跳棋程序， Dietrich Prinz写了一个国际象棋程序。

1956：达特茅斯会议，人工智能出身。
约翰麦卡锡创造了人工智能一词并且演示了卡内基梅隆大学首个人工智能程序。

1956-1974：推理研究，紧张利用推理算法，运用在棋类等游戏中。
自然措辞研究，目的是让打算机能够理解人的措辞。
日本，早稻田大学于1967年启动了WABOT项目，并于1972年完成了天下上第一个全尺寸智能人形机器人 WABOT-1 。

1974-1980：由于当时的打算机技能限定，很多研究迟迟不能得到预期的造诣，这时候AI处于研究低潮。

1980-1987：在20世纪80年代，天下各地的企业采取了一种称为“ 专家系统 ” 的人工智能程序，知识表达系统成为主流人工智能研究的焦点。
在同一年，日本政府通过其第五代打算机项目积极帮助人工智能。
1982年，物理学家John Hopfield发明了一种神经网络可以以全新的办法学习和处理信息。

1987-1993：第二次AI研究低潮。

1993-2011 ：涌现了智能代理，它是感知周围环境，并采纳最大限度提高成功的机会的系统。
这个期间自然措辞理解和翻译，数据挖掘，Web爬虫涌现了较大的发展。
里程碑的事宜：1997年深蓝击败了当时的天下象棋冠军Garry Kasparov。
2005年，斯坦福大学的机器人在一条没有走过的沙漠小路上自动驾驶131英里。

2011年至今：在深度学习，大数据和强人工智能的发展迅速。

1.基于深度学习的美国媒体“一带一起”舆情的情绪剖析

择要：剖析美国主流***媒体针对“一带一起”倡议的关注热点，研究干系舆情的情绪方向。
用网络爬虫自动采集干系***，筛选高频词得到媒体关注热点。
提出一种自动择要-卷积神经网络（Convolutional Neural Network，CNN）的集成式模型进行文档级情绪剖析。
该模型首先提取择要去除原始文档中非主要数据的滋扰，再利用卷积神经网络进行句子级情绪剖析，通过基于语义指向的方法得到文档级的情绪分数，并对情绪颠簸非常文章二次剖析。
在真实数据上的比拟实验表明，自动择要-CNN的集成式文档级情绪剖析模型在情绪剖析方面优于单一CNN的方法。

全文链接： http://www.chinaaet.com/article/3000094112

中文引用格式：王洁，乔艺璇，彭岩，等. 基于深度学习的美国媒体“一带一起”舆情的情绪剖析[J].电子技能运用，2018，44(11)：102-106，110.

英文引用格式：Wang Jie，Qiao Yixuan，Peng Yan，et al. Sentiment analysis about “One Belt, One Road” public opinion of American media based on deep learning[J]. Application of Electronic Technique，2018，44(11)：102-106，110.

2.基于深度学习的人体行为识别算法

择要：为改进人体行为识别任务中准确率低的问题，提出了一种基于批归一化的卷积神经网络（CNN）与是非期影象(LSTM)神经网络结合的神经网络。
CNN部分引入批归一化思想，将输入网络的演习样本进行小批量归一化处理，经由全连接之后，送入是非期影象神经网络中。
该算法采取时空双流网络模型构造，***数据的RGB图像作为空间流网络输入，光流场图像作为韶光流网络输入，再将时空双流网络各自得到的识别结果进行加权领悟得到终极的行为识别结果。
实验结果表明，本文设计的时空双流神经网络算法在人体行为识别任务上具有较高的识别准确率。

全文链接：http://www.chinaaet.com/article/3000091469

中文引用格式：黄友文，万超伦. 基于深度学习的人体行为识别算法[J].电子技能运用，2018，44(10)：1-5，10.

英文引用格式：Huang Youwen，Wan Chaolun. Human behavior recognition algorithm based on deep learning[J]. Application of Electronic Technique，2018，44(10)：1-5，10.

3.基于TensorFlow深度学习手写体数字识别及运用

择要：手写体数字的识别是人工智能识别系统中的主要组成部分。
因个体手写数字的差异，现有识别系统准确率较低。
基于TensorFlow深度学习框架完成手写体数字的识别及运用，首先建立TensorFlow深度学习框架，并剖析了Softmax、卷积神经网络(CNN)模型构造，再对手写体数据集MNIST的60 000个样本进行深度学习，然后进行10 000个样本的测试比拟，末了移植最优模型到Android平台进行运用。
实测数据验证，相对付传统的Softmax模型，基于TensorFlow深度学习CNN模型识别率高达99.17%，提升了7.6%，为人工智能识别系统的发展供应了一定的科研代价。

全文链接：http://www.chinaaet.com/article/3000091470

中文引用格式：黄睿，陆许明，邬依林. 基于TensorFlow深度学习手写体数字识别及运用[J].电子技能运用，2018，44(10)：6-10.

英文引用格式：Huang Rui，Lu Xuming，Wu Yilin. Handwriting digital recognition and application based on TensorFlow deep learning[J]. Application of Electronic Technique，2018，44(10)：6-10.

4.基于深度学习的实时识别硬件系统框架设计

择要：设计了一种基于深度学习的实时识别硬件系统框架。
该系统框架利用Keras完成卷积神经网络模型的演习并提取出网络的参数，利用ZYNQ器件的FPGA+ARM软硬件协同的办法，利用ARM完成对实时图像数据的采集、预处理及显示，通过FPGA实现卷积神经网络的硬化并对图像进行识别，再将识别结果发送至上位机进行实时显示。
系统框架采取MNIST和Fashion MNIST数据集作为网络模型硬化试验样本，实验结果表明，在一样平常场景下该系统框架能够实时、准确地完成图像数据的获取、显示及识别，并且具有可移植性高、处理速率快、功耗低的特点。

全文链接：http://www.chinaaet.com/article/3000091553

中文引用格式：王昆，周骅. 基于深度学习的实时识别硬件系统框架设计[J].电子技能运用，2018，44(10)：11-14.

英文引用格式：Wang Kun，Zhou Hua. Design of real-time recognition hardware system framework based on deep learning[J]. Application of Electronic Technique，2018，44(10)：11-14.

5.基于胶囊网络的指静脉识别研究

择要：针对卷积神经网络(CNN)中空间上的指静脉信息丢失的问题，提出了一种基于胶囊网络(Capsule Network，CapsNets)的指静脉识别算法。
CapsNets在全体学习过程中以“胶囊”的形式从底层通报至高层，如此以向量的形式封装指静脉的多维特色，特色会在网络中被保存，而不是丢失后进行规复。
采取60 000张图像作为演习集，10 000张图为测试集，通过对图像增强、裁剪后进行网络学习。
通过实验表明，CapsNets的网络构造特色比较CNN在处理脊线区域时效果更加明显，比拟VGG精确度增加了13.6%，loss值也收敛到0.01。

全文链接：http://www.chinaaet.com/article/3000091554

中文引用格式：余成波，熊递恩. 于胶囊网络的指静脉识别研究[J].电子技能运用，2018，44(10)：15-18.

英文引用格式：Yu Chengbo，Xiong Dien. Research on finger vein recognition based on capsule network[J]. Application of Electronic Technique，2018，44(10)：15-18.

6.基于卷积神经网络的图像着色

择要：图像着色的目标是为灰度图像的每一个像素分配颜色，它是图像处理领域的热点问题。
以U-Net为主线网络，结合深度学习和卷积神经网络设计了一个全自动的着色网络模型。
在该模型中，支线利用卷积神经网络SE-Inception-ResNet-v2作为高水平的特色提取器，提取图像的全局信息，同时在网络中利用PoLU(Power Linear Unit)函数替代线性整流函数(ReLU)。
实验结果证明此着色网络模型能够对灰度图像进行有效的着色。

全文链接：http://www.chinaaet.com/article/3000091637

中文引用格式：徐中辉，吕维帅. 基于卷积神经网络的图像着色[J].电子技能运用，2018，44(10)：19-22.

英文引用格式：Xu Zhonghui，Lv Weishuai. Image coloring based on convolution neural network[J]. Application of Electronic Technique，2018，44(10)：19-22.

7.深度学习中的卷积神经网络系统设计及硬件实现

择要：针对目前深度学习中的卷积神经网络（CNN）在CPU平台下演习速率慢、耗时长的问题，采取现场可编程门阵列（FPGA）硬件平台设计并实现了一种深度卷积神经网络系统。
该系统采取改动线性单元（ReLU）作为特色输出的激活函数并利用Softmax函数作为输出分类器。
利用流水线技能并针对每一层的特色运算进行了并行处理，从而能够在1个别系时钟周期内完玉成部CNN中的295次卷积运算。
系统末了采取MNIST数据集作为实验样本，实验结果表明，在50 MHz的事情频率下，FPGA的演习用时相较于通用CPU的演习用时提升了8.7倍，经由2 000次迭代后系统识别的准确率为92.42%。

全文链接：http://www.chinaaet.com/article/3000082399

中文引用格式：王昆，周骅. 深度学习中的卷积神经网络系统设计及硬件实现[J].电子技能运用，2018，44(5)：56-59.

英文引用格式：Wang Kun，Zhou Hua. System design and hardware realization of convolution neural network system in deep learning[J]. Application of Electronic Technique，2018，44(5)：56-59.

8.基于PSO-BP神经网络的人体穴位定位系统设计

择要： 穴位的位置是否找准会直接影响治疗效果，因此设计了一种基于粒子群算法优化神经网络（PSO-BP）的穴位相对坐标预测模型，然后与ARM结合构成一个可以用于人体穴位定位的系统。
首先采取PC进行MATLAB仿真演习学习，然后将最优权值及阈值保存下来并简化算法嵌入ARM内，将在线预测转变为离线过程。
实验结果表明：经粒子群优化过的BP神经网络有效地改进了局部极值毛病，可运用于定位端预测穴位的位置，并在LCD中显示穴位干系信息，掌握端收到位置数据后可实行电机上的运动操作。

全文链接：http://www.chinaaet.com/article/3000090355

中文引用格式：杨向萍，吴玉丹. 基于PSO-BP神经网络的人体穴位定位系统设计[J].电子技能运用，2018，44(9)：75-78.

英文引用格式：Yang Xiangping，Wu Yudan. Acupoint positioning system based on PSO-BP neural network[J]. Application of Electronic Technique，2018，44(9)：75-78.

9.基于深度学习的烟雾识别研究

择要：基于Google第二代人工智能学习系统TensorFlow构建神经网络对烟雾图像进行识别检测，通过改进的运动检测算法截取疑似烟雾区域图像，并结合PCA降维算法和Inception Resnet v2网络模型在TensorFlow平台下进行烟雾特色的演习识别。
该算法实现了较大范围的失火实时检测报警，经由实验证明全体检测过程准确地识别了***流中的烟雾区域，比较于传统烟雾识别方法具有更高的准确率和自适应性，为大范围的失火烟雾报警供应了一种有效方案。

全文链接：http://www.chinaaet.com/article/3000092836

中文引用格式：王涛，宫宁生，蒋贵祥. 基于深度学习的烟雾识别研究[J].电子技能运用，2018，44(10)：131-135.

英文引用格式：Wang Tao，Gong Ningsheng，Jiang Guixiang. Smoke recognition based on the depth learning[J]. Application of Electronic Technique，2018，44(10)：131-135.

10.基于深度学习的胸部X光影像剖析系统

择要：提出一种运用嵌入式技能和深度学习技能实现对胸部X光影像剖析的设计方案。
采取NIVIDIA公司生产的Jetson TX2作为核心板，配备以太网模块、WiFi模块等功能模块搭建该剖析系统的硬件平台。
在GPU做事器上利用MobileNets卷积神经网络对标注的胸部X光影像数据集进行演习，将演习好的神经网络模型移植到Jetson TX2核心板，在嵌入式平台下完成对胸腔积液、浸润、肺气肿、气胸以及肺不张症状的检测。
利用美国国立卫生研究院供应的胸部X光影像数据进行测试，通过实验证明，该方法在识别准确率上优于其他的检测方法，同时识别所需韶光比其他方法短。

全文链接：http://www.chinaaet.com/article/3000093435

中文引用格式：周进凡，张荣芬，马治楠，等. 基于深度学习的胸部X光影像剖析系统[J].电子技能运用，2018，44(11)：29-32.

英文引用格式：Zhou Jinfan，Zhang Rongfen，Ma Zhinan，et al. Chest X-ray image analysis system based on deep learning[J]. Application of Electronic Technique，2018，44(11)：29-32.

11.基于深度学习的图像分类方法

择要：提出了一种用于图像分类的卷积神经网络，将不同池化办法对图像分类的影响进行了剖析比拟，采取重叠池化和dropout技能，较好地办理过拟合问题。
与传统神经网络比较，该方法在CIFAR-10数据集上得到了较好的结果，在测试集上准确率比演习集上准确率高9%旁边。

全文链接：http://www.chinaaet.com/article/3000084504

中文引用格式：许少尉，陈思宇. 基于深度学习的图像分类方法[J].电子技能运用，2018，44(6)：116-119.

英文引用格式：Xu Shaowei，Chen Siyu. Image classification method based on deep learning[J]. Application of Electronic Technique，2018，44(6)：116-119.

12.基于机器视觉的智能导瞎眼镜设计

择要：提出一种基于机器视觉的智能导瞎眼镜系统的设计方案。
采取三星公司Cortex-A8架构的 S5PV210作为中心处理器，搭载Linux系统，配备双目采集、GPS定位、语音播报、GSM短信、语音通话、无线传输六大核心功能模块搭建智能导瞎眼镜系统的硬件平台，结合深度学习算法在远程云做事器上完成了对目标场景的智能识别，末了以语音的形式实时对盲人的行走作出准确勾引。
系统测试结果表明，该智能导瞎眼镜系统在测试环境下不仅能对盲人出行精确导航，还具有一定的目标识别能力，能帮助盲人进行大略单纯物品归类。
该系统还兼有GPS定位、语音通话、GSM短信等多项赞助功能。

全文链接：http://www.chinaaet.com/article/3000064090

中文引用格式：何腾鹏，张荣芬，刘超，等. 基于机器视觉的智能导瞎眼镜设计[J].电子技能运用，2017，43(4)：58-61.

英文引用格式：He Tengpeng，Zhang Rongfen，Liu Chao，et al. Design of smart seeing glasses based on machine vision[J].Application of Electronic Technique，2017，43(4)：58-61.

13.基于深度学习的无人机识别算法研究

择要：无人机的广泛利用，在给人们带来便利的同时，也引发了不良影响。
比如，无人机飞入禁飞区引发安全问题，由于不正当的利用陵犯公民的隐私等，因此须要构建一个无人机警察系统，对无人机履行监控，遏制乱飞征象。
采取传统的识别方法，灵巧性不敷，精度也不足高。
为此提出一种基于深度学习的无人机识别算法，通过演习一个基于卷积神经网络（CNNs）的学习网络，得出一个高效的识别模型，实现无人机和非无人机间的分类。
模型的测试结果表明，该方法具有较高的识别率。

全文链接：http://www.chinaaet.com/article/3000068878

中文引用格式：蒋兆军，成孝刚，彭雅琴，等. 基于深度学习的无人机识别算法研究[J].电子技能运用，2017，43(7)：84-87.

英文引用格式：Jiang Zhaojun，Cheng Xiaogang，Peng Yaqin，et al. A novel UAV recognition algorithm based on deep learning approach[J].Application of Electronic Technique，2017，43(7)：84-87.

14.基于视觉勾引的SCARA机器人自动装置系统

择要：现有生产线工业机器人抓取点固定，工件只能以固定的姿态提前摆放在固定的位置，这种装置模式很难知足繁芜的工业生产哀求且效率低下。
设计了基于视觉勾引的机器人装置系统改进原有系统。
设计了机器视觉系统，实现了工件的快速识别、定位以及姿态确定功能；设计了抓放系统，实现了工件的精确抓取和安装功能；采取Visual Studio的MFC开拓，实现图像处理算法，并利用Socket通信将坐标和姿态数据发送给机器人。
通过实验验证本系统具有良好的稳定性和快速性，可以知足生产的哀求，大幅提高生产效率。

全文链接： http://www.chinaaet.com/article/3000065381

中文引用格式：党宏社，候金良，强华，等. 基于视觉勾引的SCARA机器人自动装置系统[J].电子技能运用，2017，43(5)：21-24.

英文引用格式：Dang Hongshe，Hou Jinliang，Qiang Hua，et al. SCARA automatic assembly system based on vision guided[J].Application of Electronic Technique，2017，43(5)：21-24.