一、人工智能中时间推理的研究（论文文献综述）
丁雪琴[1]（2021）在《基于深度神经网络的行为识别》文中提出近年来,伴随着社会信息化程度的提高,作为计算机视觉代表性任务之一的视频行为识别,因其在智能监控、自动驾驶、媒体分析和机器人等领域具有广泛的应用前景,受到了越来越多研究者的关注。同时在深度学习等技术蓬勃发展的背景下,涌现出大量基于深度神经网络的视频行为识别研究。虽然前人已经完成了大量的研究工作,但是依然存在大量挑战。首先,由于人类行为在视频时序和场景变化上存在的联系,如何充分利用时序上下文信息,对视频进行高效时间建模至关重要。其次,现阶段深度行为识别模型的训练及推理计算代价都很高,阻碍了他们进一步发展和应用。例如大量基于光流建模的深度模型,由于运算代价高昂、实时性差,导致其在现实场景中的应用受到限制。针对以上问题,本文主要研究了基于深度神经网络的行为识别,分别在时序关系建模和处理速度方面对现有双流卷积网络进行改善和提高,主要贡献如下:（1）提出了一种时空异构双流网络结构,将Res Net和BN-Inception作为时空特征提取网络,来提取更加丰富的运动和表观特征。同时在空间网络中引入空间注意力来增强目标的显着特征部分,提高了数据扩充的效率。此外利用TSN的稀疏时间采样策略来进行视频的长时间建模,从而提取更多的时空特征,进一步提升了识别准确率。本文在两个通用的基于人体的场景行为识别数据库上验证了该模型的有效性。（2）提出了一种时间蒸馏策略和约束时序图融合推理算法。第一步利用时间蒸馏来捕获短期动态,而无需提取昂贵的光流,在测试阶段运行速度快,能很好地满足实时应用的要求。第二步设计约束时序图融合推理模块来捕获长期时间信息,它对学习到的图引入约束稀疏,具有一定的突出判别矩的能力,能够计算帧之间的时间交互,为准确的行为识别提供了良好的基础。同时构建了一个具有两个层次的行为识别框架,以逐步捕获短期信息和长期依赖。本文在时间相关的数据集上验证了该模型的有效性。
郭柏苍[2]（2021）在《面向人机共驾控制权决策的人-车风险等级预测方法研究》文中研究说明频发的交通事故证明驾驶车辆是一类高风险项目,驾驶人的风险驾驶行为是引发交通事故的主要诱因。近年来人工智能技术的发展大力推动了智能驾驶技术的进步,以自动驾驶系统作为驾驶主体辅助或替换人类驾驶人被视为从根本上解决人为因素导致安全性威胁的有效途径,是智能汽车相关领域的研究热点之一。面向由驾驶人和自动化系统共享控制权的人机共驾模式,当由驾驶人执行非必要驾驶任务直接或间接地加剧车辆风险时,智能汽车对人、车风险状态进行及时有效的监测并在高风险状态时接管控制权,抑制由驾驶人风险驾驶行为引发的安全隐患。经过对国内外相关领域研究现状的深入分析,总结相关研究中存在的问题与不足,确定本文的主要研究内容,主要研究成果如下:1.针对以往研究局限于辨识分心驾驶行为而忽略其对车辆风险状态产生影响问题,提出了基于XGBoost算法的超前时间风险驾驶行为预测模型。首先,为满足本文以风险驾驶行为作为切入点的研究需要,提出了适用于汽车驾驶人的改进NASA-TLX负荷评估方法,用于以精准施压、效果增强的方式设计承载不同类型、不同量级驾驶负荷的分心驾驶任务。其次,通过分析驾驶任务引发的车辆异常行驶状态,并考虑其对驾驶绩效造成的影响,经过交叉分析与验证实现了对驾驶行为风险等级的划分,为评估驾驶行为的风险等级提供理论支撑。最后,使用PCA降维处理并融合了视觉、生理和车辆运行状态多源信息以全面的表征驾驶人行为特征,充分发挥XGBoost算法的运算速度快、预测精度高的优势,建立了基于XGBoost的风险驾驶行为预测模型。2.针对部分车辆风险分析方法未考虑驾驶人属性差异而导致的不确定性问题,提出了考虑驾驶人特性的车辆风险行驶状态预测方法,解决了由复杂多变的人因属性导致模型泛化能力差等问题。首先,使用结构方程模型解构了制动反应时间的影响因素及其权重,优化了BP神经网络参数并提高了模型性能,建立了考虑驾驶人特性的制动反应时间预测方法,解决了部分人因属性难以直接测量的问题并提高了模型的泛化能力。其次,深入分析了换道持续时间与自车运动状态、相对运动状态和驾驶行为之间的相关性,提出了换道持续时间和纵向位移计算方法,为计算车辆行驶轨迹提供支持。最后,使用最小纵向安全距离模型计算两车无碰撞前提下的最小纵向距离,以假设前车紧急制动条件下留给后车驾驶人成功避撞的反应时间裕度作为车辆风险状态评价指标,重点对跟车场景、避让换道场景和换至有车车道场景中的行车安全性进行了分析,提出了考虑驾驶人特性的车辆风险行驶状态预测方法。3.针对智能汽车人机共驾模式的控制权决策和切换时机选取问题,提出了基于人-车风险状态的控制权决策方法,能够有效的输出合理决策结果并及时请求自动驾驶系统接管控制权,从根本上扼制由驾驶人风险驾驶行为引发的安全隐患。首先,以促进智能汽车的安全性最大化为目标,使用TOPSIS方法和完全静态博弈理论建立了人、车风险博弈模型,提出了相对效用最大化的策略函数并嵌入强化学习奖励函数中,推理了以最大化车辆安全性期望为导向的强化学习奖惩机制。其次,利用强化学习算法擅长解决序列决策问题的优势,提出了基于A2C算法的人机共驾控制权决策方法,通过调整人、车风险决策权重和奖励函数优化了决策模型的输出效果,使用模型性能评价指标对训练过程和结果的有效性进行了验证,通过仿真试验分析了切换时机对车辆安全性的影响,提出了能够及时有效的限制驾驶人风险行为并提升车辆安全性的控制权决策方法。
汪哲宇[3]（2021）在《数字化慢病管理系统的研究与实践》文中进行了进一步梳理为了应对以长期性、非传染性与难治愈性为主要特征的慢性疾病的复杂护理需求,“慢病管理”——一种以患者为中心的新型卫生服务模式——自上世纪八十年代开始逐渐涌现并不断发展。协同护理是慢病管理区别于传统卫生服务模式的关键要素,其目标是为患者提供有组织性的协同化医疗服务。以移动健康和人工智能为代表的信息技术能够提升慢病管理的协同效率,帮助患者与护理提供者之间形成完整的闭环反馈,将循证知识与健康数据中蕴含的信息集成到管理过程之中,推动慢病管理逐渐从传统方式向全面的数字化方式过渡。虽然以慢性病照护模型为代表的慢病管理理论模型已经发展得较为成熟,且其有效性已经在多个国家得到了验证,但在当前我国的慢病管理实践中,仍然存在着一系列的关键问题,导致以协同护理为核心的数字化慢病管理技术尚未得到有效应用。同时,数字化慢病管理领域的相关实施性研究也存在着一定的局限性。针对这些关键问题,本论文系统性地研究了如何在我国的医疗场景下形成以协同护理为特征的数字化慢病管理关键方法,具体内容包括:（1）数字化慢病协同管理模型的构建与表达方法研究。针对我国慢病管理实践存在的管理角色分工不明确、缺乏数字化全流程决策支持等问题,使用路径的方式对通用性慢病管理方法进行明确可执行的表示,通过对高血压、糖尿病与慢阻肺三类常见慢病国内外指南的分析与归纳,提炼出了包含九类共通任务的通用性管理路径,并对数字化场景下各病种的具体路径进行了明确。在此基础上,面向我国管理模式构建了路径驱动的数字化协同管理模型,并通过本体对模型中包含的结构化知识与具体路径中的医学决策知识进行了表达。（2）数字化背景下面向患者依从性增强的个性化管理方法研究。针对患者自我管理依从性问题与相关个性化管理研究的局限性,一方面,从移动健康应用的个性化需求分析入手,基于目标导向型设计方法中的用户建模过程,结合相关健康行为理论,提炼了面向患者自我管理依从性提升的用户模型,结合问卷与访谈结果识别出了三类患者虚拟角色与其对应的个性化需求。另一方面,从人工智能技术的管理实践入手,基于本体与多种自然语言处理技术实现了一种根据患者特征为其推荐相关文章的个性化健康教育方法;基于强化学习技术实现了一种在虚拟管理环境中根据患者与管理师状态给出干预建议的个性化管理策略生成方法。（3）数字化慢病闭环管理系统的设计与实现。针对我国慢病管理信息化实践中存在的缺乏理论指导以及多病种集成性较低等问题,基于所构建的模型与个性化管理方法,设计并实现了包含智能服务引擎与客户端两大组件的数字化慢病闭环管理系统。智能服务引擎以通用性慢病管理路径本体为核心,能够通过多种类型的接口为系统提供数据存储与全场景决策支持服务;客户端中的医生工作平台基于共通性路径任务设计,能够辅助不同角色的医护人员执行具有时序性与闭环性的协同式管理;客户端中的患者移动终端基于所提炼的个性化需求与行为改变轮设计,能够为患者提供全方位的自我管理支持,并在一定程度上改善患者依从性。所实现系统目前已在我国多个地区进行了实际的部署与应用。（4）面向数字化慢病管理的评价体系构建与实践。针对数字化场景下管理系统评价方面存在的局限性,基于面向远程医疗的综合评估模型,提炼了包含评价角色、评价重点与评价角度三个维度的面向个体层面的数字化慢病管理评估模型,并依据该模型对所实现系统进行了不同证据水平的实践评价,包括基于系统真实数据的回顾性评价、面向慢阻肺患者的前后对比试验与面向高血压患者的随机对照试验。评价结果表明,当前系统能够帮助医护人员与患者共同合作,开展医患之间高效互动的闭环式协同管理,并在一定程度上改善患者的疾病控制情况、日常生活质量与疾病认知水平。总的来看,本论文所提出的路径驱动的数字化慢病管理系统能够在一定程度上解决我国慢病管理实践与慢病管理领域相关研究中存在的多种问题,为数字化慢病管理在我国的推广与应用提供了理论指导与实践验证。
刘洋[4]（2021）在《基于变分自编码器的视频预测技术的研究与应用》文中研究表明近年来,随着计算机视觉领域技术的不断突破与创新,在图像信息利用越来越多元化的背景下,视频预测成为当下深度学习研究的一个热点方向。视频预测技术以给出的图像信息为基础,通过构建一个可以精准建模视频内容和动态变化的内部表征模型预测未来视频帧,并应用于机器人、自动驾驶汽车和无人机提前决策等多个场景。针对于当前大多数视频预测技术对于时间信息提取的不足,导致连续帧出现的动作伪影以及动作模糊的难点,本文基于现实的视频预测的功能需求,通过基于变分自编码器的方法,加入显式的帧间光流特征来达成更好的预测效果,改善生成质量。具体研究内容以及工作如下:首先,本文在现有图像信息提取技术的基础上,针对不同场景的图像内容设计编/解码网络,同时加入了长短跳跃连接用于建模视频预测中保持不变的静态背景。通过设计的不同编/解码网络在不同数据集上进行实验并作出横向与纵向的对比,确定分别合适不同场景与特点数据集的编/解码网络用于处理图像特征,使本文方法更加具有普遍适用性。通过更好的图像表征也提高了预测帧的生成质量。同时,本文在变分自编码器的基础之上,使用长短期记忆网络实现未来帧的预测工作,为解决视频帧中时间短而运动大的运动模糊的问题,本文将光流特征用于对图像运动信息的建模之中。为解决光流特征参与网络训练不充分的问题上,提出光流信息的直接融合方法,将光流所代表的运动信息来引导后续帧的生成,改善预测后续帧中伪影的问题。实验表明,加入该光流信息模块的模型在生成质量上得到了提高。最后,在现实工业应用中,设计并实现了熊猫短视频创作平台。在此算法基础上,本文将模型迁移至大熊猫视频预测的功能实现中,进行了熊猫数据集的设计与制作,完成了模型的训练与优化,最终实现视频预测功能。通过熊猫资源库系统的建立,用户可以获得大量的熊猫资源用于短视频生成这一功能,并且根据文娱创作的需要,在此基础功能上,提供了视频动漫化以及长时间视频预测的功能。多种应用功能的实现使得该方法在具体应用领域表现出更好的效用以及价值。
金宙贤[5]（2021）在《面向物联网设备的AI引擎的研究与实现》文中指出随着物联网技术的发展,人们对硬件设备的安全化、智能化、联网化、节能化等方面提出了更高的要求。得益于提供计算服务的AI引擎技术的发展,物联网设备的智能化得到巨大的提高。但由于对抗攻击技术的发展以及物联网设备面向的环境复杂多样,物联网设备的智能化过程面临着巨大的安全问题。因此物联网设备上的AI引擎如何在均衡性能、功耗的情况下,为人工智能应用提供安全的计算环境服务,逐渐成为物联网中人工智能应用落地的一个研究发展的方向。不同于只追求高性能计算的AI引擎,本文的创新点和工作重点在于围绕物联网设备的要求,构建高安全、具备多种计算环境服务的AI引擎。本文的主要工作有以下几点:（1）基于Trust Zone技术,设计了一种面向物联网设备的高安全人工智能引擎,使得网络模型的解析与数据的输入在安全环境下进行,数据不会被破坏。（2）为了使引擎面向不同的应用场景,提供多种计算环境服务,设计一种任务分发的机制。使得引擎可以在均衡计算速度、模型精度、设备功耗的情况下,提供多种计算环境服务。（3）研究Trust Zone技术保护下,计算资源的限制问题、信息交互机制以及ARM计算库的Open CL接口的规范,设计与实现引擎可以基于多核CPU资源并行计算的机制,使得引擎可以为计算量大的模型提供安全的高性能计算环境服务。（4）研究异构平台的RPMsg通信机制和CMSIS量化计算接口规范,设计与实现引擎可以基于量化计算的方式调用低功耗计算资源的机制,使得引擎可以为计算量小的模型提供安全的低功耗计算环境服务。（5）对低功耗计算环境中所需计算资源进行优化,采用内存复用策略。减少因频繁进行内存申请与释放而产生的碎片化和时延的问题。基于CMSIS的量化计算接口规范,实现模型数据的量化机制,使得模型能在Cortex-M处理器平台上加速运算。（6）研究可信校验的机制,针对网络模型的计算结果给出可信校验的方案。并给出量化计算机制下的可信校验方案,增强AI引擎的安全性。
丁梦远,兰旭光,彭茹,郑南宁[6]（2021）在《机器推理的进展与展望》文中认为机器学习算法的发展仍受到泛化能力较弱、鲁棒性较差、缺乏可解释性等问题的限制.文中介绍机器推理,说明推理对于机器学习人的知识和逻辑、理解和解释世界的重要作用.首先分析人类大脑推理机制,从认知地图、神经元和奖赏回路,扩展到受脑启发的直觉推理、神经网络和强化学习.进而总结机器推理的方式及其相互关联的现状、进展及挑战,具体包括直觉推理、常识推理、因果推理和关系推理等.最后展望机器推理的应用前景与未来的研究方向.
周翔宇[7]（2020）在《面向自主船舶的危险分析方法研究》文中指出继蒸汽技术革命、电力技术革命、计算机及信息技术革命之后,以人工智能、物联网、云计算、虚拟现实、量子信息技术等为代表的第四次工业革命正在改变世界。信息和通信技术的进步、信息分析能力的提高为各行各业创造了革命性的发展机会,在航运业中,以更为安全、高效、绿色的方式运载货物和乘客的自主船舶正受到前所未有的关注,并已成为航运业未来的发展方向。作为航运业数字化转型和新技术革新的代表,相较于仅由人工控制的常规船舶,自主船舶将在总体设计结构、系统交互方式、动力驱动来源等方面发生颠覆性的变化,同时,随着船岸间、船舶各子系统间的互联互通,自主船舶将成为现代航运生态体系中的传感器中枢和数据生成器。在此背景下,为避免由于自主船舶的引入对当前海上交通状况可能造成的负面影响,并确保自主船舶的预期安全水平至少不低于常规船舶的现有安全水平,不仅需要关注包括航行安全、货物安全在内的传统安全,还需要考虑以网络安全为代表的非传统安全。因此,针对自主船舶的安全性开展理论研究是十分必要且具有重要意义的。本文围绕自主船舶的安全性,以危险分析方法为研究对象,在明确自主船舶运行特点的基础上,提出了一种适用于自主船舶的安全性协同分析方法。以远程控制船舶为例,使用所提出的方法对其进行了危险分析,并利用模型检测工具UPPAAL验证了危险分析结果的正确性。本文的主要研究工作及成果如下。（1）自主船舶的定义及自主水平分级方法研究。从自主船舶的历史沿革和发展历程入手,在明确自主船舶的定义及其中英文表述的基础上,分析了现有自主水平分级标准存在的局限性,并提出了一种基于航海实践的自主水平分级方法。研究结果表明,划分自主水平的关键在于能否独立于人的干预完成相应的任务或实现相应的功能,而非取决于船舶自动化水平和/或决策地点。以2艘搭载自主航行技术的测试船舶为例,相较于现有自主水平分级标准,所提出的自主水平分级方法有效避免了由于单一功能的自主实现导致船舶整体自主水平认定不准确的弊端,得出的分级结果更符合客观事实。（2）危险分析方法的适用性研究。为筛选出一种或多种能够捕获自主船舶运行特点的危险分析方法,面向自主船舶提出了一种基于系统工程的适用性评估方法。该方法依据制定的适用性评估程序,生成了以功能方式描述的系统级安全需求和与自主船舶设计目标相联系的评估准则。适用性评估过程面向29种广泛使用的危险分析方法展开,结果表明,系统理论过程分析（System-Theoretic Process Analysis,STPA）方法满足了所有的评估准则,其能够更好地理解系统行为、识别危险,并揭示危险致因因素,是目前适用于自主船舶的、最具潜力和发展前途的危险分析方法之一。（3）面向自主船舶的安全性协同分析方法研究。在明确自主船舶运行特点的基础上,考虑到日益增加的网络威胁对自主船舶系统安全性的负面影响,提出了一种基于STPA 的安全性协同分析方法,即 STPA-SynSS（STPA-based analysis methodology that Synthesizes Safety and Security）。该方法在STPA的基础上提出了 6项改进,并提供了一个识别危险并揭示危险致因因素的综合过程,有效实现了对潜在危险的持续跟踪和闭环管理。以远程控制船舶的避碰场景为例,使用所提出的方法对该场景进行了详细的危险分析,并生成了具体的危险控制策略。危险分析结果的对比分析表明,相较于STPA,STPA-SynSS能够识别出更多的不安全控制行为和损失场景,同时,能够生成更具针对性的危险控制策略,证明了该方法的有效性和先进性。（4）考虑退化组件的自主船舶安全性建模研究。使用STPA-SynSS生成损失场景时,需要考虑因组件性能退化导致的不安全控制行为。为表征自主船舶的系统安全性状态随时间退化的特性,将系统安全性分析由“二态假设”扩展为多状态。根据STPA-SynSS实例分析中构建的控制结构,对远程控制船舶的安全性进行建模,构建了服从指数分布的安全性函数和描述系统达到安全性极限状态的时间分布函数。该模型可用于指导设计人员将更有针对性的安全性设计纳入到系统中,并面向退化组件建立相应的保护机制,以避免危险从潜在状态向可能导致损失的现实事故状态转移。（5）自主船舶的形式化建模与危险分析结果验证研究。为克服危险分析结果的正确性和完整性无法得到验证的限制,创新性地将形式化方法引入危险分析过程,提出了一种基于时间自动机的STPA-SynSS扩展流程。在构建时间自动机网络模型的基础上,通过利用模型检测工具UPPAAL对系统模型的有穷状态空间进行穷尽搜索,以检验语义模型与其性质规约间的满足关系,从而验证系统建模的活性和危险分析结果的正确性。验证结果表明,远程控制船舶时间自动机网络模型无死锁且运行正确,STPA-SynSS识别的不安全控制行为均会发生,即验证了 STPA-SynSS危险分析结果的正确性,同时,证明了所提出的STPA-SynSS扩展流程的有效性。本文的研究结论为识别、控制自主船舶的潜在危险奠定了较为坚实的理论基础,在一定程度上满足了航运业对于明确并提高自主船舶安全性的迫切需求。同时,可为自主船舶的安全性设计提供参考,有力保障自主船舶的安全运营。
陈海兰[8]（2021）在《面向聚类及预测的时间序列信息粒化方法研究》文中指出随着信息技术的发展,经济管理领域中产生并存储着大量的时间序列数据,运用数据挖掘算法可以挖掘出数据中潜在的、有价值的知识和信息以支持管理和决策活动。但这些时间序列数据通常都具有显着的高维性特征,若对其直接运用数据挖掘算法,会造成过高的计算复杂度,且数据挖掘结果也会受到影响。粒计算是一种模拟人类求解问题思维和解决大数据复杂任务的新方法,该理论的主要思想是将复杂问题抽象、划分转化为若干较为简单的问题（即粒化）,从而有助于更好的分析和解决问题。本文将粒计算的粒化思想引入时间序列分析中,通过对时间序列进行信息粒化,将原始高维时间序列粒化为低维粒时间序列,构造的信息粒能够刻画和反映原始时间序列数据的结构特征,从而实现高效降维,为后续的数据挖掘工作奠定基础。本文针对时间序列的信息粒化问题,从时间轴和论域两个方面提出了三种不同的时间序列信息粒化方法:基于波动点的时间序列时间轴信息粒化方法、基于云模型的时间序列时间轴信息粒化方法和基于论域信息粒化的模糊时间序列预测方法,并应用于股票时间序列数据进行聚类和预测分析,为股票的投资选股问题及涨跌趋势的判断问题提供决策建议。主要研究内容和创新性研究成果如下:（1）在时间序列的时间轴方面,针对低频时间序列的结构特征,提出了基于波动点的时间序列信息粒化方法及粒时间序列相似性度量方法。首先,提出了基于波动点的时间序列信息粒化方法,通过识别波动点对原始时间序列进行信息粒划分,进而使用线性函数对划分后的信息粒进行描述得到粒时间序列,解决了传统时间序列降维方法中对于时间轴的硬划分问题,在降维的同时能更有效地提取时间序列的结构特征。其次,针对粒时间序列提出了相应的相似性度量方法。最后,在标准数据集上进行了聚类实验,实验结果表明运用所提出的信息粒化方法和相似性度量方法能够提高聚类结果的准确性;并在科创板股票数据集上进行了算法的实际应用研究,研究结果可以给投资者在科创板股票市场选股时提供参考。（2）在时间序列的时间轴方面,针对高频时间序列的结构特征,提出了基于云模型的时间序列信息粒化方法及粒时间序列相似性度量方法。首先,提出了基于云模型的时间序列信息粒化方法,在不需要事先指定信息粒划分个数的情况下,可以自适应地将时间序列粒化表示为若干个正态云,该方法针对高频时间序列具有更好的降维效果。其次,针对粒化后的云模型序列提出了相应的相似性度量方法。最后,在具有高频特征的标准数据集上进行了聚类实验,实验结果表明运用所提出的信息粒化方法和相似性度量方法能够提高聚类结果的准确性;并在具有高频震荡特征的沪深A股股票数据集上进行了算法的实际应用研究,研究结果可以给投资者在A股市场上选股投资时提供参考。（3）在时间序列的论域方面,提出了基于模糊C均值聚类和信息粒化的时间序列论域划分方法,并基于论域划分结果提出了时间序列预测方法。首先,运用模糊C均值聚类方法对时间序列的论域进行初始划分,然后提出了基于信息粒化的论域划分优化算法,该方法将聚类算法和信息粒化方法相结合来划分论域,提高了样本数据划分的准确性和可解释性。其次,针对时间序列信息粒化后的论域划分结果,给出了时间序列的模糊预测方法,该方法将精确的时间序列数据转化为符合人类认知形态的语义值构成的时间序列,通过对这些语义值构建模糊逻辑关系来描述时间序列的动态演变过程,得到其模糊变化规则并进行预测,提高了预测结果的可理解性。最后,在台湾加权股价指数（TAIEX）数据集上进行了预测实验,实验结果表明运用所提出的时间序列信息粒化方法进行时间序列预测能够提高预测结果的准确性;并在上海证券综合指数（SHCI）数据集上进行了算法的实际应用研究,研究结果可以帮助投资者了解未来股票市场的走向,为其调整投资策略时提供参考。
李涛[9]（2020）在《威胁情报知识图谱构建与应用关键技术研究》文中研究指明网络威胁情报作为一种网络安全大数据,其本质是立足于攻击者视角对防御方所面临的潜在威胁信息进行汇总与分析,进而帮助防御者更好地提升网络安全防护能力。当前随着网络安全形势的日益严峻,网络威胁情报在整个网络安全防护过程中的价值愈发突显。知识图谱作为知识工程在大数据时代成功应用的典型代表,是人工智能研究领域的一个重要分支。知识图谱本质上是一种大规模语义网络,其以图结构的形式直观地表达客观世界中存在的各种概念、实体、属性及语义关系。知识图谱技术蕴含有两个显着特性:实现多源异构数据的关联融合;实现知识的精准化语义检索与智能化推理分析。知识图谱所具备的这些特性能够完美契合大数据挖掘与分析的技术需求,为此,当前知识图谱已发展成为一种大数据处理与数据挖掘的技术体系。本文将知识图谱技术应用于网络威胁情报领域,面向非结构化网络威胁情报数据,深入研究网络威胁情报知识图谱构建与应用过程中所涉及的关键技术,重点探索了面向非结构化网络威胁情报的知识抽取方法以及面向网络威胁情报知识图谱的知识推理方法,梳理了知识图谱在网络威胁情报领域应用的技术体系。本文主要工作如下:1.提出基于多特征融合的威胁情报实体抽取方法。构建网络威胁情报知识图谱,在从非结构化网络威胁情报中自动抽取威胁相关知识的过程中,威胁实体的抽取是一项基础任务,包括软件、恶意软件、漏洞、攻击工具、攻击模式等特定类别。针对当前基于神经网络的端到端实体抽取系统应用于网络威胁情报领域时,无法准确标注威胁情报实体类别及其边界的问题,提出了融合词特征、字符特征、实体边界特征以及实体词的上下文特征,将该研究问题建模为序列标注任务,基于深度学习模型和注意力机制设计编-解码框架,在更为准确地识别网络威胁情报实体的同时,提高模型训练速度。2.提出基于语义特征增强的网络威胁情报实体关系抽取方法。针对为威胁情报实体建立语义关联的问题,面向非结构化的网络威胁情报,融合实体间关联的全局语义特征和局部语义特征,并将关系抽取问题转化为威胁情报实体间的关系分类问题。考虑到端到端实体关系抽取系统在实体语义关系信息获取上的局限性,引入对抗学习机制以增强实体关系所表征的语义特征。在此基础上,将表征威胁情报实体关系的语义特征送入多分类器进行训练,得到监督学习下针对句子级网络威胁情报的实体关系抽取系统。3.提出融合对抗主动学习的网络威胁情报知识三元组抽取方法。针对句子级的威胁情报实体语义关系抽取系统在实践效率和重叠关系获取中所存在的问题,设计面向威胁情报实体和关系的联合抽取方案。引入一种新的联合标注策略,将实体和关系的联合抽取问题建模为一种序列标注任务,基于深度学习设计编-解码器框架,并引入动态注意力机制以更好地捕获序列中各个词间的依赖性。该方法可适用于段落级威胁情报实体-关系语义三元组的直接获取。此外,鉴于联合抽取方法缺乏标签数据,提出一种对抗主动学习算法,通过比较数据的语义相似性,选择待标注的训练样本,以较低的标注代价不断提升模型性能。4.提出混合强化学习和图卷积网络的威胁知识推理方法。针对面向威胁情报知识图谱进行语义检索无法直接获得隐式知识的问题,提出一种知识推理技术,旨在推理预测威胁情报实体间的隐含关系,实现关系推理。具体地,结合当前基于强化学习和图卷积网络在通用领域知识图谱知识推理中的实践,设计一种对抗学习机制,通过对抗训练同时增强基于强化学习的知识推理能力以及基于图卷积网络的关系路径编码能力,在此基础上,将其应用于威胁情报知识语义三元组,实现混合强化学习和图卷积网络的威胁知识推理系统。
隋婷婷[10]（2020）在《实验伦理学视阈下的道德认知与判断》文中指出道德认知与判断是伦理学研究的一个焦点。人们如何进行道德认知?影响道德判断的因素是什么?这些问题一直为伦理学家们所重视和关注。在以往的伦理学研究中,对于道德认知和判断的研究通常是由内省的、形而上的方式进行的,实验伦理学的视角则更多通过哲学思考与科学实验相结合的跨学科方式,由实然层面挖掘道德认知和判断的特征和影响因素,并由之促进规范和应然层面的论证。笔者在现有实验伦理学研究基础上首先从神经基础的同步关联性、大脑准备电位基础上意志自由的时间性阈限以及道德认知的直觉蕴含等方面入手对道德认知和判断的既有研究进行了总结和论述,并通过道德两难困境等思想实验以及事件相关电位的脑电实验,对道德认知和判断的普遍性与分殊性、情境关联与文化因素、理性认知与直觉认知的时序关系等方面进行数据分析以及理据回溯。同时,文章不仅对已有的实验数据和理论进行多重视角的分析,也通过作者实际设计并参与的三个实验来进一步论证相关的结论。在对电车困境道德认知判断实验中,提出相比欧美被试在面对电车困境这一非亲身性（impersonal）道德两难情境时压倒性的功利主义选择偏好,中国被试群体对于功利主义和道义论的选择在两可之间,并未产生倾向某一方的压倒性选择偏好。而在后续的无人驾驶情境思想实验中,进一步论证了电车难题情境下人工智能算法的伦理倾向标准,并根据中美被试的道德偏好与选择偏好矛盾提出,无人驾驶算法的未来方向可能是一种功利主义与利己主义框架之外的第三种方向的道德算法（如罗尔斯算法和制动力学算法）。在之后的EEG脑电实验中,笔者采用P300事件相关脑诱发电位以及复合实验范式（Complex trial protocol）对道德行为中的认知信息进行了研测,通过对脑电数据进行的事件相关电位的Bootstrap重复测量与单因素重复方差分析,验证了EEG脑电的晚期波段P300与道德认知在判断过程中的先在性,这一理性认知活动的时间先在性一方面呼应了约书亚·格林在道德判断双加工模型中对理性认知在道德活动当中功能性作用的强调,另一方面,也表明在非道德两难的情境中,理性认知依然能够在主体的道德活动中发挥关键的功能性作用。这些实验一方面为道德认知和判断在“应然”层面的规范性研究提供了来自客观层面的实验验证和论据;另一方面,也为无人驾驶等涉及道德算法的“实然”应用领域的道德价值性倾向提供了具有可参照性的数据性理据。这说明实验伦理学不仅能够为促进“应然”层面的问题开启新的思考路径,也使得研究不但可以聚焦于“应然”问题本身,且可以为串连起道德研究的“应然”和“实然”提供相互印证、相互依存的协同性路径。尽管实验伦理学研究方法并不能保证实验结果所提供的答案绝对正确或绝对可靠,但其可被不断证伪、以及不断优化的实验性特点,仍使其不失为一种能够开阔伦理研究视野、且助力道德研究的跨学科型新路向。
二、人工智能中时间推理的研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、人工智能中时间推理的研究（论文提纲范文）
（1）基于深度神经网络的行为识别（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于双流网络的方法 |
| 1.2.2 基于LSTM的方法 |
| 1.2.3 基于3D卷积神经网络的方法 |
| 1.3 论文研究内容 |
| 1.4 论文章节安排 |
| 第二章 相关技术工作 |
| 2.1 卷积神经网络 |
| 2.2 深度学习在行为识别中的应用 |
| 2.2.1 基于双流网络的行为识别方法 |
| 2.2.2 基于LSTM的行为识别方法 |
| 2.2.3 基于3D卷积神经网络的行为识别方法 |
| 2.3 知识蒸馏 |
| 2.4 图卷积网络 |
| 2.5 本章小结 |
| 第三章 基于时空异构双流卷积网络的行为识别 |
| 3.1 引言 |
| 3.2 时空异构网络模型 |
| 3.2.1 时空特征提取网络 |
| 3.2.2 注意力引导的数据增强 |
| 3.2.3 建模长范围时间结构 |
| 3.2.4 双流融合 |
| 3.3 实验与分析 |
| 3.3.1 数据集及评价指标 |
| 3.3.2 基本参数设置 |
| 3.3.3 消融实验 |
| 3.3.4 在UCF101以及HMDB51数据集上与最新方法比较 |
| 3.3.5 CAM可视化分析 |
| 3.4 本章小结 |
| 第四章 基于约束时序图融合推理的行为识别 |
| 4.1 引言 |
| 4.2 提出的算法 |
| 4.2.1 时间蒸馏 |
| 4.2.2 约束时序图融合推理 |
| 4.3 实验与分析 |
| 4.3.1 数据集 |
| 4.3.2 基本参数设置 |
| 4.3.3 消融实验 |
| 4.3.4 在Something-Something数据集上与最新方法比较 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 工作展望 |
| 致谢 |
| 参考文献 |
| 研究生学习期间完成的科研情况 |
（2）面向人机共驾控制权决策的人-车风险等级预测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 风险驾驶行为研究现状 |
| 1.2.2 车辆风险行驶状态预测研究现状 |
| 1.2.3 人机共驾控制权切换研究现状 |
| 1.3 研究内容与技术路线 |
| 1.3.1 主要研究内容 |
| 1.3.2 研究技术路线 |
| 第2章 试验方案设计 |
| 2.1 试验条件 |
| 2.1.1 受试者招募及其信息统计 |
| 2.1.2 实车试验条件 |
| 2.1.3 硬件仿真试验平台与仿真试验场地构建 |
| 2.2 人因工程与工效学设备及软件平台 |
| 2.3 试验方案设计 |
| 2.4 本章小结 |
| 第3章 驾驶行为的安全性分析与风险状态预测方法 |
| 3.1 风险驾驶行为的定义与设计 |
| 3.1.1 基于典型分心任务的风险驾驶行为分析与设计 |
| 3.1.2 驾驶任务的负荷施加方法 |
| 3.1.3 基于驾驶人负荷指数量表的驾驶负荷量综合评估 |
| 3.2 基于风险驾驶事件发生率的分心驾驶行为风险分析 |
| 3.2.1 风险驾驶事件概述 |
| 3.2.2 风险驾驶事件判别方法 |
| 3.2.3 分心驾驶行为的风险初步判别结果 |
| 3.3 风险驾驶行为的驾驶绩效分析 |
| 3.3.1 驾驶行为风险表征参数 |
| 3.3.2 驾驶绩效评价指标 |
| 3.3.3 驾驶绩效交叉评价指标 |
| 3.3.4 驾驶绩效的比较分析结果 |
| 3.4 基于人-车多源信息的风险驾驶行为表征指标体系 |
| 3.4.1 风险驾驶行为表征指标 |
| 3.4.2 基于主成分分析法的指标降维方法 |
| 3.4.3 风险驾驶行为表征指标体系 |
| 3.5 基于XGBoost的风险驾驶行为预测方法 |
| 3.5.1 XGBoost算法原理 |
| 3.5.2 超前预测时间与样本参数时间窗设定 |
| 3.5.3 模型的最大深度和学习率选定 |
| 3.5.4 不同超前时间条件下的模型精度检验 |
| 3.6 本章小结 |
| 第4章 考虑驾驶人特性的车辆风险状态预测方法 |
| 4.1 考虑驾驶人特性的制动反应时间计算方法 |
| 4.1.1 制动反应时间的解构模型 |
| 4.1.2 基于结构方程模型的制动反应时间影响因素路径分析 |
| 4.1.3 基于BP神经网络的制动反应时间预测方法 |
| 4.1.4 制动反应时间预测模型的验证分析 |
| 4.2 车辆换道持续时间与纵向位移计算方法 |
| 4.2.1 换道持续时间与跟车距离 |
| 4.2.2 换道持续时间与自车速度 |
| 4.2.3 换道持续时间与横向位移 |
| 4.2.4 换道持续时间与驾驶行为负荷量 |
| 4.2.5 换道持续时间与纵向位移计算方法 |
| 4.3 基于驾驶人反应时间裕度的车辆风险状态预测方法 |
| 4.3.1 研究的基本假设与工况限定 |
| 4.3.2 最小纵向安全距离计算方法 |
| 4.3.3 车辆制动过程分析和制动距离计算方法 |
| 4.3.4 跟车场景中的风险预测模型 |
| 4.3.5 避让换道场景中的换道风险预测模型 |
| 4.3.6 换至有车车道场景中的换道风险预测模型 |
| 4.4 车辆风险状态等级划分与驾驶人反应时间裕度分析 |
| 4.4.1 基于时间裕度的车辆风险状态等级划分 |
| 4.4.2 风险驾驶行为与时间裕度的关系 |
| 4.5 本章小结 |
| 第5章 基于人-车风险状态的人机共驾控制权决策方法 |
| 5.1 人机共驾控制权决策概述 |
| 5.2 基于人-车风险状态博弈关系的A2C奖惩机制 |
| 5.2.1 人-车风险状态完全信息静态均衡博弈 |
| 5.2.2 基于熵权-TOPSIS方法的策略效用函数计算方法 |
| 5.2.3 基于人-车风险状态博弈均衡的奖励函数推理 |
| 5.3 基于A2C算法架构的人机共驾控制权决策方法 |
| 5.3.1 强化学习的马尔科夫决策过程 |
| 5.3.2 基于A2C架构的人机共驾控制权决策方法 |
| 5.3.3 模型的性能检验 |
| 5.4 基于人-车风险状态的控制权决策结果与分析 |
| 5.4.1 决策模型调试及其决策效果 |
| 5.4.2 控制权切换时机与切换效果分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 本文创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介及攻读博士期间取得的科研成果 |
（3）数字化慢病管理系统的研究与实践（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 缩写、符号清单和术语表 |
| 第一章 绪论 |
| 1.1 慢病管理概述 |
| 1.1.1 慢病的定义与分类 |
| 1.1.2 慢病的全球化流行趋势 |
| 1.1.3 慢病管理的定义与基本要素 |
| 1.1.4 我国慢病流行趋势及管理现状 |
| 1.2 慢病管理领域研究综述 |
| 1.2.1 基于协同护理的慢病管理理论模型发展综述 |
| 1.2.2 基于CCM框架的慢病管理实施性研究综述 |
| 1.3 数字化慢病管理研究进展及应用实践 |
| 1.3.1 数字化背景下的慢病管理理论模型发展 |
| 1.3.2 数字化背景下的慢病管理实施性研究进展 |
| 1.3.3 数字化慢病管理国内外代表性应用实践 |
| 1.4 关键问题分析与论文研究内容 |
| 1.4.1 关键问题分析 |
| 1.4.2 论文的研究内容及创新点 |
| 第二章 路径驱动的数字化慢病协同管理模型构建与表达 |
| 2.1 路径驱动的数字化慢病协同管理模型构建 |
| 2.1.1 通用性慢病管理路径提炼与多病种实现 |
| 2.1.2 面向我国管理模式的数字化协同管理模型构建 |
| 2.2 基于本体的模型知识表达与验证 |
| 2.2.1 本体相关概念与构建方法 |
| 2.2.2 慢病协同管理模型基础本体构建 |
| 2.2.3 基于演绎推理的路径化决策支持 |
| 2.2.4 本体构建结果与技术性评估 |
| 2.3 本章小结 |
| 第三章 面向患者依从性增强的个性化管理方法研究 |
| 3.1 基于健康行为理论的患者个性化管理需求分析 |
| 3.1.1 移动健康应用设计方法概述 |
| 3.1.2 面向自我管理依从性增强的用户模型提炼 |
| 3.1.3 用户虚拟角色构建与需求识别 |
| 3.2 基于健康推荐系统的个性化健康教育方法研究 |
| 3.2.1 健康推荐系统相关概念与研究进展 |
| 3.2.2 健康知识推荐系统的设计与实现 |
| 3.2.3 基于测试集的推荐系统评估 |
| 3.3 基于强化学习的个性化管理策略生成方法研究 |
| 3.3.1 强化学习相关理论与研究进展 |
| 3.3.2 策略生成模型的设计与实现 |
| 3.3.3 基于虚拟环境的训练结果与模型评估 |
| 3.4 本章小结 |
| 第四章 数字化慢病闭环管理系统设计与实现 |
| 4.1 面向全场景决策支持的智能化慢病服务引擎构建 |
| 4.1.1 以引擎为核心的系统整体架构设计 |
| 4.1.2 基于多种软件框架的云端引擎实现 |
| 4.2 基于路径任务的医生协作工作平台设计与实现 |
| 4.2.1 路径任务驱动的协作工作平台功能设计 |
| 4.2.2 基于网页的协作工作平台功能实现 |
| 4.3 基于行为改变技术的患者移动终端设计与实现 |
| 4.3.1 行为改变轮驱动的干预功能设计 |
| 4.3.2 面向多平台的移动终端功能实现 |
| 4.3.3 面向患者依从性的移动终端试点性应用评价 |
| 4.4 系统部署与实际应用情况 |
| 4.5 本章小结 |
| 第五章 面向数字化慢病管理的多维度评价体系研究 |
| 5.1 数字化慢病管理系统多维度评价体系构建 |
| 5.1.1 慢病管理领域评价方法概述 |
| 5.1.2 面向个体层面的数字化慢病管理评估模型提炼 |
| 5.2 基于系统观察性数据的回顾性评价 |
| 5.2.1 研究设计与数据分析方法 |
| 5.2.2 回顾性评价结果总结 |
| 5.3 基于多层次临床试验的前瞻性评价 |
| 5.3.1 探究慢阻肺患者院外管理效果的前后对比试验 |
| 5.3.2 探究高血压患者院外管理效果的随机对照试验 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 个人简历 |
| 攻读博士学位期间的主要研究成果 |
（4）基于变分自编码器的视频预测技术的研究与应用（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 视频预测技术的国内外研究历史与现状 |
| 1.2.1 运动预测技术的研究 |
| 1.2.2 视频预测技术的研究 |
| 1.3 本文的主要贡献与创新 |
| 1.4 本论文的结构安排 |
| 第二章 深度学习及视频预测基础 |
| 2.1 深度学习基础 |
| 2.1.1 深度神经网络 |
| 2.1.2 卷积神经网络 |
| 2.1.3 循环神经网络 |
| 2.2 生成对抗网络 |
| 2.2.1 原始GAN |
| 2.2.2 WGAN |
| 2.2.3 基于CGAN的图像转化算法 |
| 2.2.4 Daul-GAN用于视频预测 |
| 2.3 变分自编码器 |
| 2.3.1 VAE原理 |
| 2.3.2 CVAE原理 |
| 2.3.3 基于VAE的文本序列预测 |
| 2.4 本章小节 |
| 第三章 基于变分自编码器的视频预测网络研究 |
| 3.1 熊猫数据集制作与处理 |
| 3.2 编解码网络设计 |
| 3.2.1 长短跳跃连接 |
| 3.2.2 编解码网络设计 |
| 3.3 总体路线 |
| 3.3.1 基本框架 |
| 3.3.2 目标函数 |
| 3.3.3 优化器及参数设置 |
| 3.3.4 评价指标 |
| 3.3.5 训练步骤 |
| 3.4 实验结果及分析 |
| 3.4.1 横向对比实验 |
| 3.4.2 纵向对比实验 |
| 3.4.3 高分辨率图像实验 |
| 3.4.4 动作伪影问题 |
| 3.5 本章小结 |
| 第四章 基于光流特征的视频预测 |
| 4.1 光流特征提取 |
| 4.2 网络结构设计及优化 |
| 4.3 基于光流特征的视频预测 |
| 4.4 实验结果及分析 |
| 4.5 光流直接融合的视频预测 |
| 4.6 实验结果及分析 |
| 4.7 本章小结 |
| 第五章 熊猫短视频创作系统 |
| 5.1 需求分析 |
| 5.1.1 系统设计意义 |
| 5.1.2 功能需求分析 |
| 5.2 功能设计 |
| 5.3 详细设计与实现 |
| 5.3.1 系统架构 |
| 5.3.2 MTV模式架构 |
| 5.3.3 资源管理模块 |
| 5.3.4 素材检索模块 |
| 5.3.5 短视频创作模块 |
| 5.3.6 数据库设计 |
| 5.3.7 数据表设计 |
| 5.4 系统功能测试 |
| 5.4.1 资源管理模块 |
| 5.4.2 素材检索模块 |
| 5.4.3 短视频创作模块 |
| 5.5 系统性能测试 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文小结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
（5）面向物联网设备的AI引擎的研究与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 研究内容与主要工作 |
| 1.4 章节安排 |
| 第二章 相关技术研究 |
| 2.1 物联网设备概述 |
| 2.2 人工智能引擎的概述 |
| 2.2.1 人工智能引擎的组成 |
| 2.2.2 人工智能引擎的技术分类 |
| 2.3 计算库的研究 |
| 2.3.1 高性能平台计算库 |
| 2.3.2 低功耗平台计算库 |
| 2.4 模型任务的复杂度 |
| 2.5 安全技术以及运行环境研究 |
| 2.5.1 矩阵乘法的校验 |
| 2.5.2 Trust Zone技术 |
| 2.5.3 微内核系统环境 |
| 2.6 AI引擎设计的关键问题 |
| 2.7 本章小结 |
| 第三章 AI引擎的的研究与设计 |
| 3.1 设计原则和目标 |
| 3.2 总体设计 |
| 3.3 模型管理组件设计 |
| 3.4 低功耗计算环境服务的研究与设计 |
| 3.4.1 异构平台通信机制 |
| 3.4.2 轻量任务处理组件 |
| 3.4.3 模型内存管理机制 |
| 3.4.4 模型数据量化机制 |
| 3.5 高性能计算环境服务的研究与设计 |
| 3.5.1 REE与 TEE的数据交互机制 |
| 3.5.2 复杂任务处理组件 |
| 3.6 可信校验机制 |
| 3.7 本章小结 |
| 第四章 关键模块与机制的实现 |
| 4.1 模型管理组件的实现 |
| 4.2 低功耗计算环境服务的实现 |
| 4.2.1 RPMsg的配置及数据交互 |
| 4.2.2 轻量任务处理组件 |
| 4.2.3 模型内存管理机制 |
| 4.2.4 模型数据量化机制 |
| 4.3 高性能计算环境服务的实现 |
| 4.3.1 REE与 TEE的数据交互 |
| 4.3.2 复杂任务处理组件 |
| 4.4 可信处理检验机制的实现 |
| 4.5 本章小结 |
| 第五章 系统测试与分析 |
| 5.1 测试平台 |
| 5.2 软件开发环境 |
| 5.3 功能测试 |
| 5.3.1 REE与 TEE通信测试 |
| 5.3.2 异构平台通信测试 |
| 5.3.3 引擎计算功能测试 |
| 5.4 性能测试 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 致谢 |
| 参考文献 |
（6）机器推理的进展与展望（论文提纲范文）
| 1 机器推理 |
| 1.1 人类推理与机器推理 |
| 1.2 机器推理面临的挑战 |
| 2 人类推理机制与机器计算模型 |
| 2.1 人类推理机制 |
| 2.1.1 大脑脑区及功能 |
| 2.1.2 大脑双重过程理论与两种思维方式 |
| 2.1.3 大脑认知地图与直觉推理 |
| 2.2 受脑启发的机器计算模型 |
| 2.2.1 认知加工与神经网络 |
| 2.2.2 奖赏回路与强化学习 |
| 2.2.3 机器推理的计算模型 |
| 3 机器推理及进展 |
| 3.1 机器推理 |
| 3.2 直觉推理 |
| 3.3 常识推理 |
| 3.4 因果推理 |
| 3.5 关系推理 |
| 4 机器推理应用前景与展望 |
| 5 结 束 语 |
（7）面向自主船舶的危险分析方法研究（论文提纲范文）
| 创新点摘要 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究的必要性及意义 |
| 1.3 国内外相关研究现状及进展 |
| 1.3.1 自主船舶的安全性研究 |
| 1.3.2 危险分析方法的发展与演变 |
| 1.3.3 系统理论过程分析的应用 |
| 1.4 自主船舶安全性研究中存在的问题及解决思路 |
| 1.5 主要研究内容与结构框架 |
| 1.5.1 主要研究内容 |
| 1.5.2 结构框架 |
| 1.6 本章小结 |
| 2 自主船舶的定义及其自主水平的界定 |
| 2.1 自主船舶的历史沿革 |
| 2.2 自主船舶的发展历程 |
| 2.3 自主船舶的定义与自主化演变 |
| 2.3.1 自主船舶的定义 |
| 2.3.2 船舶自主化的演变 |
| 2.4 自主水平分级标准 |
| 2.4.1 LR自主水平分级标准 |
| 2.4.2 NFAS自主水平分级标准 |
| 2.4.3 DMA自主水平分级标准 |
| 2.4.4 MASRWG自主水平分级标准 |
| 2.4.5 BV自主水平分级标准 |
| 2.4.6 IMO自主水平分级标准 |
| 2.5 自主水平分级标准的划分依据 |
| 2.6 基于航海实践的自主水平分级方法 |
| 2.7 实例分析 |
| 2.7.1 “Folgefonn”号渡轮自主水平分级 |
| 2.7.2 “Falco”号渡轮自主水平分级 |
| 2.8 本章小结 |
| 3 面向自主船舶的危险分析方法适用性评估 |
| 3.1 危险分析方法的选取与概述 |
| 3.1.1 基于事件链的危险分析方法 |
| 3.1.2 基于能量转移的危险分析方法 |
| 3.1.3 基于状态迁移的危险分析方法 |
| 3.1.4 基于系统理论的危险分析方法 |
| 3.1.5 其他危险分析方法 |
| 3.2 基于系统工程的适用性评估方法 |
| 3.2.1 文献综述的数据准备 |
| 3.2.2 危险分析方法的筛选 |
| 3.2.3 评估程序的确定 |
| 3.2.4 评估准则的生成 |
| 3.3 适用性评估过程 |
| 3.3.1 聚类分析 |
| 3.3.2 适用性评估结果 |
| 3.4 适用性评估结果分析 |
| 3.4.1 存在局限性的危险分析方法 |
| 3.4.2 STPA的适用性分析 |
| 3.5 本章小结 |
| 4 面向自主船舶的危险分析与安全性建模 |
| 4.1 自主船舶的系统安全描述 |
| 4.1.1 自主船舶的运行特点 |
| 4.1.2 自主船舶面临的系统风险 |
| 4.2 危险分析的基本原理 |
| 4.2.1 危险及其相关术语的定义 |
| 4.2.2 危险的转化 |
| 4.2.3 危险分析过程 |
| 4.3 基于STPA的安全性协同分析方法 |
| 4.3.1 STPA及其扩展方法的局限性 |
| 4.3.2 STPA-SynSS的提出 |
| 4.4 考虑退化组件的自主船舶安全性建模 |
| 4.5 实例分析 |
| 4.5.1 基于STPA-SynSS的远程控制船舶危险分析 |
| 4.5.2 考虑退化组件的远程控制船舶安全性建模 |
| 4.6 STPA-SynSS与STPA危险分析结果的对比分析 |
| 4.7 本章小结 |
| 5 面向自主船舶的形式化建模与危险分析结果验证 |
| 5.1 形式化方法概述 |
| 5.2 基于时间自动机的模型检测方法 |
| 5.2.1 模型检测的基本原理 |
| 5.2.2 时间自动机理论 |
| 5.2.3 时间自动机网络 |
| 5.2.4 模型检测工具UPPAAL概述 |
| 5.3 基于时间自动机的STPA-SynSS扩展流程 |
| 5.4 远程控制船舶时间自动机网络模型的构建 |
| 5.5 STPA-SynSS危险分析结果的验证 |
| 5.6 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间的科研成果 |
| 致谢 |
（8）面向聚类及预测的时间序列信息粒化方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 论文框架与研究内容 |
| 1.4 研究创新点 |
| 2 理论基础与文献综述 |
| 2.1 时间序列分析 |
| 2.1.1 时间序列及其结构特征 |
| 2.1.2 时间序列的降维表示方法 |
| 2.1.3 时间序列的相似性度量方法 |
| 2.1.4 时间序列的数据挖掘任务 |
| 2.2 粒计算 |
| 2.2.1 粒计算的基本组成 |
| 2.2.2 粒计算的基本问题 |
| 2.2.3 粒计算的理论模型 |
| 2.3 时间序列信息粒化 |
| 2.3.1 时间序列信息粒化的时间轴信息粒化方法 |
| 2.3.2 时间序列信息粒化的论域信息粒化方法 |
| 2.3.3 已有研究的不足 |
| 2.4 本章小结 |
| 3 基于波动点的时间序列时间轴信息粒化方法 |
| 3.1 本章研究思路 |
| 3.2 基于波动点的时间序列信息粒化 |
| 3.2.1 信息粒划分方法 |
| 3.2.2 信息粒描述方法 |
| 3.3 基于线性信息粒化的时间序列相似性度量 |
| 3.3.1 线性信息粒匹配 |
| 3.3.2 线性信息粒的相似性度量 |
| 3.4 实验及结果分析 |
| 3.4.1 UCR标准数据集实验 |
| 3.4.2 科创板股票数据集实验 |
| 3.5 本章小结 |
| 4 基于云模型的时间序列时间轴信息粒化方法 |
| 4.1 本章研究思路 |
| 4.2 基于云模型的时间序列信息粒化 |
| 4.2.1 云模型理论 |
| 4.2.2 基于云模型的自适应信息粒化算法 |
| 4.3 基于云模型信息粒化的时间序列相似性度量 |
| 4.3.1 云模型匹配 |
| 4.3.2 基于期望曲线的云模型相似性度量 |
| 4.4 实验及结果分析 |
| 4.4.1 UCR标准数据集实验 |
| 4.4.2 沪深A股股票数据集实验 |
| 4.5 本章小结 |
| 5 基于论域信息粒化的模糊时间序列预测方法 |
| 5.1 本章研究思路 |
| 5.2 基于模糊C均值聚类和信息粒化的时间序列论域划分 |
| 5.2.1 基于模糊C均值聚类的时间序列论域初始划分 |
| 5.2.2 基于模糊信息粒化的时间序列论域划分优化算法 |
| 5.3 基于论域信息粒化的时间序列预测 |
| 5.3.1 模糊时间序列 |
| 5.3.2 基于模糊逻辑关系的时间序列预测方法 |
| 5.4 实验及结果分析 |
| 5.4.1 台湾加权股价指数(TAIEX)数据集实验 |
| 5.4.2 上海证券综合指数(SHCI)数据集实验 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 研究结论 |
| 6.2 研究展望 |
| 参考文献 |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
（9）威胁情报知识图谱构建与应用关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 威胁情报发展现状 |
| 1.2.2 知识图谱发展现状 |
| 1.2.3 威胁语义建模研究现状 |
| 1.3 研究内容 |
| 1.3.1 面向威胁情报的知识图谱研究框架 |
| 1.3.2 本文研究内容 |
| 1.4 论文组织结构 |
| 第二章 基于多特征融合的威胁情报实体抽取方法 |
| 2.1 引言 |
| 2.2 相关工作 |
| 2.3 方法描述 |
| 2.3.1 模型架构 |
| 2.3.2 输入特征表示层 |
| 2.3.3 Bi LSTM特征编码层 |
| 2.3.4 自注意力机制 |
| 2.3.5 实体边界特征获取 |
| 2.3.6 实体上下文特征获取 |
| 2.3.7 LSTM解码层 |
| 2.4 实验结果与分析 |
| 2.4.1 实验设置 |
| 2.4.2 结果对比与分析 |
| 2.5 小结 |
| 第三章 基于语义特征增强的威胁情报实体关系抽取方法 |
| 3.1 引言 |
| 3.2 相关工作 |
| 3.3 方法描述 |
| 3.3.1 模型整体架构 |
| 3.3.2 输入特征表示层 |
| 3.3.3 BiGRU全局语义特征抽取 |
| 3.3.4 DGRU局部语义特征抽取 |
| 3.3.5 基于语义特征融合的依存注意力 |
| 3.3.6 基于对抗学习的语义特征增强 |
| 3.4 实验结果与分析 |
| 3.4.1 实验设置 |
| 3.4.2 结果对比分析 |
| 3.5 小结 |
| 第四章 融合对抗主动学习的威胁情报知识三元组抽取方法 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.3 方法描述 |
| 4.3.1 模型架构 |
| 4.3.2 标注策略及匹配规则 |
| 4.3.3 表示层和Bi LSTM特征编码层 |
| 4.3.4 动态注意力机制 |
| 4.3.5 LSTM解码层 |
| 4.3.6 对抗主动学习 |
| 4.4 实验结果与分析 |
| 4.4.1 实验设置 |
| 4.4.2 序列标注模型性能对比实验 |
| 4.4.3 三元组抽取方法对比 |
| 4.4.4 三元组抽取实例分析 |
| 4.4.5 对抗主动学习算法性能评估 |
| 4.5 小结 |
| 第五章 基于混合强化学习和图卷积网络的威胁知识推理方法 |
| 5.1 引言 |
| 5.2 相关工作 |
| 5.3 方法描述 |
| 5.3.1 模型架构 |
| 5.3.2 强化学习推理 |
| 5.3.3 图卷积网络推理 |
| 5.3.4 对抗学习过程 |
| 5.4 实验结果与分析 |
| 5.4.1 实验设置 |
| 5.4.2 结果对比分析 |
| 5.5 小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简历 |
（10）实验伦理学视阈下的道德认知与判断（论文提纲范文）
| 摘要 |
| Abstract |
| 绪论 |
| 一、选题依据及价值 |
| 二、国内外研究综述 |
| 1.国外研究现状 |
| 2.国内研究现状 |
| 三、研究思路及方法 |
| 1.研究目标和思路 |
| 2.研究方法 |
| 四、创新点与不足之处 |
| 第一章 实验伦理学视阈下道德认知与判断的神经生理基础 |
| 第一节 道德活动的生理基础:神经元与神经递质 |
| 一、神经元生长与道德认知的生成 |
| 二、镜像神经元与道德共情 |
| 三、神经递质与道德自控 |
| 四、道德认知与认知神经的心理–物理关系解读 |
| 第二节 道德认知判断的脑基础与自由意志 |
| 一、大脑“准备电位”与道德责任追溯的源头 |
| 二、意志自由与神经元的随机涨落 |
| 三、里贝特实验与意志自由的阈限 |
| 第二章 道德认知与判断研究的直觉之辩 |
| 第一节 道德认知与判断的直觉蕴含 |
| 一、道德认知与判断模型的直觉嬗变 |
| 二、道德认知与判断的影响变量 |
| 第二节 大众直觉与哲学家直觉之辩 |
| 一、大众直觉的思想实验转译与数理依据 |
| 二、“专家直觉”与“哲学家直觉”的距离 |
| 三、来自实验哲学的反驳 |
| 四、专家直觉的四类局限 |
| 五、大众直觉的证据性意义 |
| 第三章 电车困境道德认知判断的文化差异 |
| 第一节 电车困境扩展三情境实验 |
| 一、引言 |
| 二、实验方法 |
| 三、实验数据 |
| 四、实验结果讨论 |
| 第二节 电车-天桥困境扩展四情境实验 |
| 一、引言 |
| 二、实验方法 |
| 三、实验数据 |
| 四、实验结果讨论 |
| 第四章 无人驾驶道德算法的电车困境实验解析 |
| 第一节 无人驾驶算法的道德困境 |
| 第二节 实验方法 |
| 一、被试 |
| 二、实验设计 |
| 三、情境材料 |
| 四、数据分析方法 |
| 第三节 实验数据 |
| 一、情境选择数据 |
| 二、道德接受度数据 |
| 第四节 实验结果讨论 |
| 一、无人驾驶道德算法标准:道德偏好vs.选择偏好 |
| 二、无人驾驶道德算法方向:功利主义vs.利己主义 |
| 三、无人驾驶道德算法类型:个人化算法vs.强制型算法 |
| 四、无人驾驶电车困境的道德算法走向何方 |
| 第五章 道德系统中认知信息的ERP脑电研测 |
| 第一节 引言 |
| 一、事件相关电位(ERP)与晚正复合成分(LPC) |
| 二、晚正复合电位(LPC)与道德越轨行为的认知解析 |
| 三、诚实认知信息的ERP脑电实验范式 |
| 第二节 实验方法 |
| 一、被试 |
| 二、实验设计 |
| 三、实验流程 |
| 三、ERP脑电实验程序 |
| 四、脑电数据采集与处理 |
| 五、数据分析方法 |
| 第三节 实验数据 |
| 一、按键反应时对比 |
| 二、脑电数据对比 |
| 三、实验后问卷数据对比 |
| 第四节 实验结果讨论 |
| 一、P300 事件相关电位与道德行为中的理性认知 |
| 二、道德行为的诚实认知信息与行动意向 |
| 三、P300 脑电位反应时与道德活动的知行时序 |
| 第六章 道德认知与判断实验伦理学研究的知行关系向度 |
| 第一节 知行背离的实验伦理学溯因 |
| 一、知行相背:三垂线实验与行为的环境影响 |
| 二、知行不一:盖奇案例与道德行为的脑区功能影响 |
| 三、知行困境:道德两难中情感与认知之争 |
| 第二节 实验伦理学视阈下知行关系的解读 |
| 一、知行连动:白象效应的启示 |
| 二、知行合一:情感与理性的交互作用 |
| 三、知行互助:意志力与新年决心效应 |
| 四、知行协调:环境的双重效应 |
| 第三节 实验伦理学研究对道德知行的启示 |
| 第七章 道德认知与判断的实验伦理学路径反思 |
| 第一节 道德研究的实验伦理学方法论意义 |
| 第二节 实验方法的局限性反思 |
| 第三节 “是”与“应该”由分离到融合的路径思考 |
| 结语 |
| 引注文献 |
| 攻读博士学位期间的学术成果 |
| 致谢 |
四、人工智能中时间推理的研究（论文参考文献）
- [1]基于深度神经网络的行为识别[D]. 丁雪琴. 南京信息工程大学, 2021(01)
- [2]面向人机共驾控制权决策的人-车风险等级预测方法研究[D]. 郭柏苍. 吉林大学, 2021(01)
- [3]数字化慢病管理系统的研究与实践[D]. 汪哲宇. 浙江大学, 2021(01)
- [4]基于变分自编码器的视频预测技术的研究与应用[D]. 刘洋. 电子科技大学, 2021(01)
- [5]面向物联网设备的AI引擎的研究与实现[D]. 金宙贤. 电子科技大学, 2021(01)
- [6]机器推理的进展与展望[J]. 丁梦远,兰旭光,彭茹,郑南宁. 模式识别与人工智能, 2021(01)
- [7]面向自主船舶的危险分析方法研究[D]. 周翔宇. 大连海事大学, 2020(04)
- [8]面向聚类及预测的时间序列信息粒化方法研究[D]. 陈海兰. 北京科技大学, 2021(02)
- [9]威胁情报知识图谱构建与应用关键技术研究[D]. 李涛. 战略支援部队信息工程大学, 2020(03)
- [10]实验伦理学视阈下的道德认知与判断[D]. 隋婷婷. 东南大学, 2020(02)