ITPub博客

浅析智能化指挥信息系统发展智能化战争时代序幕已经拉开，具有智能化特征的指挥信息系统将成为未来智能化作战指挥的“中枢神经”，是智能化作战指挥控制的支撑手段。加快智能化指挥信息系统建设是军事智能化发展的内在要求，只有明晰智能化指挥信息系统发展要义，抓住智能化指挥信息系统研发要点，探索智能化指挥信息系统发展要津，才能更好地推动智能化指挥信息系统建设发展进程，赢得未来智能化作战制胜先机。一、明晰智能化指挥

2022年数字信息化培训项目系列关于举办“迁移学习(Transfer Learning)核心技术开发与应用研修班”的通知一、培训目标1.深入了解神经网络的组成、训练和实现，掌握深度空间特征分布等关键概念；2.掌握迁移学习的思想与基本形式，了解传统迁移学习的基本方法，对比各种方法的优缺点；3.握深度迁移学习的思想与组成模块，学习深度迁移学习的各种方法；4.掌握深度迁移学习的网络结构设计、目标函数设计

摘 要：数字孪生(Digital Twin)作为践行智能制造、工业4.0、工业互联网、智慧城市等先进理念的使能技术与手段，近期备受学术界和企业界关注，尤其是数字孪生的落地应用更是关注热点。模型是数字孪生的基础与核心，而传统数字孪生三维模型已无法满足现阶段技术发展与应用需求。在此背景下，为推动数字孪生技术在相关领域和行业的进一步应用，在数字孪生车间研究过程中，提出了数字孪生五维模型的概念，以适应新需

--- 关于举办 2022年数字信息化培训项目系列 ---知识图谱Knowledge Graph构建与应用研修班线上课程的通知一、培训目标: 本次课程安排紧密结合理论与实践，深入浅出，循序渐进。从基本概念讲起，重点讲解构建方法和技术的转化思路，帮助学员系统性的掌握知识图谱的核心技术原理。基于百科知识进行各项核心技术的实例训练，并结合数字图书馆、医疗、金融、电商、农业、法律等行业应用帮助学员快速积累

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：监督式学习（英语：Supervised learning），是一个机器学习中的方法，可以由训练资料中学到或

关键词：深度学习、卷积神经网络、可解释性、表征可视化、显著图近年来, 以深度神经网络(Deep neural networks, DNN)为代表的机器学习方法逐渐兴起[1]. 由于训练数据的增加[2-3]及计算能力的大幅提升, DNN的网络结构及与之相适应的优化算法[4-6]变得更加复杂, DNN在各项任务上的性能表现也越来越好, 产生了多种适用于不同类型数据处理任务的经典深度网络结构, 如卷积神

关键词：装备 数字孪生 数字孪生装备 数字化装备 智能装备纵观数千年的人类文明发展历程，各式各样的工具、设备、装备帮助人类大幅提高创新和生产效率，与此同时，人类的创新活动和新的应用需求又不断反作用于工具、设备、装备的创新与改良，推动其功能不断升级更新。随着工具、设备、装备和相关技术的迭代升级，人类文明已先后跨越了石器时代、青铜时代、铁器时代、蒸汽时代和电气时代，进入了当下的信息时代。在信息时代中，

2022年数字信息化培训项目系列大数据建模、分析、挖掘技术应用研修班的通知各企事业单位：随着2015年9月国务院发布了《关于印发促进大数据发展行动纲要的通知》，各类型数据呈现出了指数级增长，数据成了每个组织的命脉。今天所产生的数据比过去几年所产生的数据大好几个数量级，企业有了能够轻松访问和分析数据以提高性能的新机会，如何从数据中获取价值显得尤为重要，也是大数据相关技术急需要解决的问题。大数据是需要

如今，深度学习算法的发展越来越迅速，并且在图像处理以及目标对象识别方面已经得到了较为显著的突破，无论是对检测对象的类型判断，亦或者对检测对象所处方位的检测，深度学习算法都取得了远超过传统机器学习算法的准确率。当前，可以机器人技术分为以下两种学科的跨学科分支，即工程和科学。其包含计算机科学、机械工程、电子信息工程等。机器人的设计与制造和用于机器人的运动规划控制、传感器反馈和信息处理的技术系统在机器人

2022年数字信息化培训项目系列关于举办“迁移学习(Transfer Learning)核心技术开发与应用研修班”的通知各企事业单位：《国务院关于印发新一代人工智能发展规划的通知》指出：“新一代人工智能重大科技项目，聚焦基础理论和关键共性技术的前瞻布局，包括研究大数据智能、跨媒体感知计算、混合增强智能、群体智能、自主协同控制与决策等理论，研究知识计算引擎与知识服务技术、跨媒体分析推理技术、群体智能

递归神经网络（RNN）RNN是最强大的模型之一，它使我们能够开发如分类、序列数据标注、生成文本序列（例如预测下一输入词的SwiftKey keyboard应用程序），以及将一个序列转换为另一个序列（比如从法语翻译成英语的语言翻译）等应用程序。大多数模型架构（如前馈神经网络）都没有利用数据的序列特性。例如，我们需要数据呈现出向量中每个样例的特征，如表示句子、段落或文档的所有token。前馈网络的设计

· 用于构建深度学习模型的不同文本数据表示法：· 理解递归神经网络及其不同实现，例如长短期记忆网络（LSTM）和门控循环单元（Gated Recurrent Unit，GRU），它们为大多数深度学习模型提供文本和序列化数据；· 为序列化数据使用一维卷积。可以使用RNN构建的一些应用程序如下所示。· 文档分类器：识别推文或评论的情感，对新闻文章进行分类。· 序列到序列的学习：例如语言翻译，将英语转换