煤矿智能化是煤炭工业高质量发展的核心技术支撑，数字孪生面向煤炭工业互联互通及智能化应用，发挥连接物理世界和信息世界的桥梁与纽带作用，将在煤炭开采、视频监控、人机交互等方面提供更加实时、智能、高效的服务。   将“数字孪生+5G”与AI技术相结合，聚焦智慧矿山建设目标，以智慧矿山系统建设、优化和关键技术为核心，基于矿山信息物理空间的数字孪生和深度学习方法构建全域感知、边缘计算、数据驱动和辅助决策的智慧矿山平台基于数据融合的企业数字孪生矿山需要通过现场数据的采集和感知,充分融合矿山行业工艺技术和生产管理知识,建立大数据和人工智能计算与服务中心,结合边云协同计算与控制,建立矿山基于组织架构的数字孪生...

基于深度学习的地震波逆时偏移补偿方法   韩连福，柴子威,宋利伟,刘兴斌,付长凤   (1•东北石油大学物理与电子工程学院，黑龙江 大庆163318；2•中国石油大庆油田有限责任公司人才开发院，黑龙江 大庆163318)   摘要：逆时偏移作为重要的地震偏移技术，已经成为复杂构造成像的有力工具。地下构造的强衰减体引起地震波 振幅减弱和相位失真，直接影响地下有效油气储层的识别精度，而现有逆时偏移补偿技术具有计算复杂、补偿精度低等不足。为优化计算、提高补偿精度,提岀一种基于TensorFlow框架的震波逆时偏移补偿方法，将传统循环 生成对抗网络(CycleGAN)与注意力机制(Attention)...

从一开始的Google搜索，到现在的聊天机器人、大数据风控、证券投资、智能医疗、自适应教育、推荐系统，无一不跟知识图谱相关。   随着移动互联网的发展，万物互联成为了可能，这种互联所产生的数据也在爆发式地增长，而且这些数据恰好可以作为分析关系的有效原料。如果说以往的智能分析专注在每一个个体上，在移动互联网时代则除了个体，这种个体之间的关系也必然成为我们需要深入分析的很重要一部分。 在一项任务中，只要有关系分析的需求，知识图谱就“有可能”派的上用场。   知识图谱的表示   知识图谱应用的前提是已经构建好了知识图谱，也可以把它认为是一个知识库。这也是为什么它可以用来回答一些搜索相关问题的原因，比...

会开发AI的AI：超网络有望让深度学习大众化   超网络（hypernetwork）可以加快训练AI的过程。   编者按：在执行特定类型任务，如图像识别、语音识别等方面，AI已经可以与人类相媲美了，甚至有时候已经超越了人类。但这些AI事先必须经过训练，而训练是个既耗时又耗计算能力的过程，有上百万甚至几十亿的参数需要优化。但最近研究人员做出了能瞬时预测参数的超网络。通过利用超网络（hypernetwork），研究人员现在可以先下手为强，提前对人工神经网络进行调优，从而节省部分训练时间和费用。文章来自编译。译者：boxi。     划重点：   人工智能是一场数字游戏，训练耗时耗力   超网络可以...

深度学习与图神经网络学习分享：CNN 经典网络之-ResNet   resnet 又叫深度残差网络   图像识别准确率很高，主要作者是国人哦   深度网络的退化问题   深度网络难以训练，梯度消失，梯度爆炸，老生常谈，不多说     resnet 解决了这个问题，并且将网络深度扩展到了最多152层。怎么解决的呢？   残差学习   结构如图         在普通的卷积过程中加入了一个x的恒等映射（identity mapping）   专家把这称作 skip connections 或者 shortcut connections   残差结构的理解   为什么要这样呢？下面我从多个角度阐述这...

Citadel 的研究人员最近开发了一种深度神经网络（DNNs），可以检测一种称为分布式拒绝服务（DDoS）DNS 放大的网络攻击，然后使用两种不同的算法生成可以欺骗 DNN 的对抗性示例。   近年来，深度学习已证明自己是网络安全中非常有价值的工具，因为它可以帮助网络入侵检测系统对攻击进行分类并检测新攻击。对抗性学习是利用机器学习生成一组受扰动的输入，然后馈送到神经网络以对其进行错误分类的过程。目前对抗性学习领域的大部分工作都是在图像处理和自然语言处理中使用各种算法进行的。   Citadel 的研究人员最近开发了一种深度神经网络（DNNs），可以检测一种称为分布式拒绝服务（DDoS）DNS...

这两年人工智能（Artificial Intelligence）领域热闹非凡，不仅科技巨头纷纷发力AI取得技术与产品的突破，还有众多初创企业获得风险资本的青睐，几乎每周都可以看到相关领域初创公司获得投资的报道。AiphaGo在围棋游戏中大胜李世石使人们对AI刮目相看的同时也引发了对AI将如何改变我们生活的思考。   其实，人工智能从上世纪40年代诞生至今，经历了一次又一次的繁荣与低谷，下面我们就来回顾下过去半个世纪里人工智能的发展历程。   |人工智能发展的七个阶段   1.起源阶段：人工智能真正诞生于20世纪的40 - 50年代。这段时间里，大量从事数学、工程、计算机等研究领域的科学家们开始...

一、语言表征学习 Language Representation Learning   通过自监督语言模型预训练的语言表征学习已经成为许多NLP系统的一个组成部分。传统的语言建模不利用文本语料库中经常观察到的实体事实，如何将知识整合到语言表征中已引起越来越多的关注。   二、知识图谱语言模型（KGLM）：通过选择和复制实体来学习并呈现知识。   ERNIE-Tsinghua：通过聚合的预训练和随机Mask来融合信息实体。   K-BERT：将领域知识注入BERT上下文编码器。   ERNIE-Baidu：引入了命名实体Mask和短语Mask以将知识集成到语言模型中，并由ERNIE 2.0通过持...

源自：Science   9月20日消息，斯坦福大学一项新的研究表明，人工智能可以通过问一些看起来很愚蠢的问题来帮助它们变得更加聪明。研究人员研发的新系统在回答Instagram上的相似问题时，其准确率提高了118%。   如果有人给你看一张鳄鱼的照片，并问你它是不是一只鸟？你可能会哈哈大笑。一项新的研究表明，这种在我们看来有些愚蠢的互动可能是帮助人工智能学习的关键。   在该研究中，这种方法显著提高了人工智能解释新图像的准确性，可以帮助人工智能开发者更快地设计程序，以完成从诊断疾病到引导机器人或其他设备自行在家中运转的所有工作。      一、让AI主动提问，弥补知识空白   “这是一项超酷...

作者：李天梅 司小胜 刘翔 裴洪   4.  统计数据驱动的剩余寿命预测   传统统计数据驱动的剩余寿命预测方法通过对设备失效时间数据统计分析, 构造寿命TT的分布函数, 由此设备在tt时刻的剩余寿命即为 T−t|T>t,zT−t|T>t,z, 其中zz代表该类设备的事件数据集(主要指失效时间数据), 然后通过分布拟合得到寿命TT的概率分布, 再通过上述条件随机变量的关系实现剩余寿命预测[110]. 然而, 随着生产制造水平的不断提升, 设备的可靠性逐步提高, 很难在短期内(即使是加速条件下)获得足够多的失效数据或对于昂贵的设备获取成本过高, 而且这类方法没有用到设备运行过程中的监...

在过去的几年中，神经网络的兴起与应用成功推动了模式识别和数据挖掘的研究。许多曾经严重依赖于手工提取特征的机器学习任务（如目标检测、机器翻译和语音识别），如今都已被各种端到端的深度学习范式（例如卷积神经网络（CNN）、长短期记忆（LSTM）和自动编码器）彻底改变了。曾有学者将本次人工智能浪潮的兴起归因于三个条件，分别是：   · 计算资源的快速发展（如GPU）   · 大量训练数据的可用性   · 深度学习从欧氏空间数据中提取潜在特征的有效性   尽管传统的深度学习方法被应用在提取欧氏空间数据的特征方面取得了巨大的成功，但许多实际应用场景中的数据是从非欧式空间生成的，传统的深度学习方法在处理非欧...

根据数据类型的不同，对一个问题的建模有不同的方式。在机器学习或者人工智能领域，人们首先会考虑算法的学习方式。在机器学习领域，有几种主要的学习方式。将算法按照学习方式分类是一个不错的想法，这样可以让人们在建模和算法选择的时候考虑能根据输入数据来选择最合适的算法来获得最好的结果。   1.监督式学习：     2.非监督式学习：     在非监督式学习中，数据并不被特别标识，学 习 模 型是为了推断出数据的一些内在结构。常见的应用场景包括关联规则的学习以及聚类等。常见算法包括Apriori算法以及k-Means算法。   3.半监督式学习：     在此学习方式下，输入数据部分被标识，部分没有被标...

知识图谱   一、知识图谱概论   1.1知识图谱始于20世纪50年代，至今大致分为三个发展阶段：   • 第一阶段 （1955年—1977年）是知识图谱的起源阶段，在这一阶段中引文网络分析 开始成为一种研究当代科学发展脉络的常用方法；   • 第二阶段（1977年-2012 年）是知识图谱的发展阶段，语义网得到快速发展，“知识本体”的研究 开始成为计算机科学的一个重要领域，知识图谱吸收了语义网、本体在知识组织和表达方面的理念，使得知识更易于在计算机之间和计算机与人之间交换、流通和加工；   • 第三阶段（2012年—至今）是知识图谱繁荣阶段，2012年谷歌提出Google Knowledge...

源自：信息技术发展司、工信微报