人工智能（Artificial Intelligence），英文縮寫為AI。它是研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。

人工智能是計算機科學的一個分支，它企圖了解智能的實質，并生產出一種新的能以人類智能相似的方式做出反應的智能機器，該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。人工智能從誕生以來，理論和技術日益成熟，應用領域也不斷擴大，可以設想，未來人工智能帶來的科技產品，將會是人類智慧的“容器”。人工智能可以對人的意識、思維的信息過程的模擬。人工智能不是人的智能，但能像人那樣思考、也可能超過人的智能。

人工智能之父 John McCarthy說：人工智能就是制造智能的機器，更特指制作人工智能的程序。人工智能模仿人類的思考方式使計算機能智能的思考問題，人工智能通過研究人類大腦的思考、學習和工作方式，然后將研究結果作為開發智能軟件和系統的基礎。

小編整理了《電子技術應用》近年刊登的與人工智能相關的最新研究成果及其應用實例，歡迎相關領域研究者參考借鑒！

1.基于深度學習的美國媒體“一帶一路”輿情的情感分析

摘要： 分析美國主流新聞媒體針對“一帶一路”倡議的關注熱點，研究相關輿情的情感傾向。用網絡爬蟲自動采集相關新聞，篩選高頻詞獲得媒體關注熱點。提出一種自動摘要-卷積神經網絡（Convolutional Neural Network，CNN）的集成式模型進行文檔級情感分析。該模型首先提取摘要去除原始文檔中非重要數據的干擾，再利用卷積神經網絡進行句子級情感分析，通過基于語義指向的方法獲得文檔級的情感分數，并對情感波動異常文章二次分析。在真實數據上的對比實驗表明，自動摘要-CNN的集成式文檔級情感分析模型在情感分析方面優于單一CNN的方法。

全文鏈接： http://www.cowatch.cn/article/3000094112    

中文引用格式： 王潔，喬藝璇，彭巖，等. 基于深度學習的美國媒體“一帶一路”輿情的情感分析[J].電子技術應用，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.基于深度學習的人體行為識別算法    

摘要： 為改善人體行為識別任務中準確率低的問題，提出了一種基于批歸一化的卷積神經網絡（CNN）與長短期記憶(LSTM)神經網絡結合的神經網絡。CNN部分引入批歸一化思想，將輸入網絡的訓練樣本進行小批量歸一化處理，經過全連接之后，送入長短期記憶神經網絡中。該算法采用時空雙流網絡模型結構，視頻數據的RGB圖像作為空間流網絡輸入，光流場圖像作為時間流網絡輸入，再將時空雙流網絡各自得到的識別結果進行加權融合得到最終的行為識別結果。實驗結果表明，本文設計的時空雙流神經網絡算法在人體行為識別任務上具有較高的識別準確率。    

全文鏈接：http://www.cowatch.cn/article/3000091469    

中文引用格式：黃友文，萬超倫.   基于深度學習的人體行為識別算法[J].電子技術應用，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深度學習手寫體數字識別及應用    

摘要：手寫體數字的識別是人工智能識別系統中的重要組成部分。因個體手寫數字的差異，現有識別系統準確率較低?；赥ensorFlow深度學習框架完成手寫體數字的識別及應用，首先建立TensorFlow深度學習框架，并分析了Softmax、卷積神經網絡(CNN)模型結構，再對手寫體數據集MNIST的60   000個樣本進行深度學習，然后進行10   000個樣本的測試對比，最后移植最優模型到Android平臺進行應用。實測數據驗證，相對于傳統的Softmax模型，基于TensorFlow深度學習CNN模型識別率高達99.17%，提升了7.6%，為人工智能識別系統的發展提供了一定的科研價值。    

全文鏈接：http://www.cowatch.cn/article/3000091470    

中文引用格式：黃睿，陸許明，鄔依林.   基于TensorFlow深度學習手寫體數字識別及應用[J].電子技術應用，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.基于深度學習的實時識別硬件系統框架設計

摘要：設計了一種基于深度學習的實時識別硬件系統框架。該系統框架使用Keras完成卷積神經網絡模型的訓練并提取出網絡的參數，利用ZYNQ器件的FPGA+ARM軟硬件協同的方式，使用ARM完成對實時圖像數據的采集、預處理及顯示，通過FPGA實現卷積神經網絡的硬化并對圖像進行識別，再將識別結果發送至上位機進行實時顯示。系統框架采用MNIST和Fashion   MNIST數據集作為網絡模型硬化試驗樣本，實驗結果表明，在一般場景下該系統框架能夠實時、準確地完成圖像數據的獲取、顯示及識別，并且具有可移植性高、處理速度快、功耗低的特點。    

全文鏈接：http://www.cowatch.cn/article/3000091553  

中文引用格式：王昆，周驊.   基于深度學習的實時識別硬件系統框架設計[J].電子技術應用，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.基于膠囊網絡的指靜脈識別研究    

摘要：針對卷積神經網絡(CNN)中空間上的指靜脈信息丟失的問題，提出了一種基于膠囊網絡(Capsule   Network，CapsNets)的指靜脈識別算法。CapsNets在整個學習過程中以“膠囊”的形式從底層傳遞至高層，如此以向量的形式封裝指靜脈的多維特征，特征會在網絡中被保存，而不是丟失后進行恢復。采用60   000張圖像作為訓練集，10   000張圖為測試集，通過對圖像增強、裁剪后進行網絡學習。通過實驗表明，CapsNets的網絡結構特征相比CNN在處理脊線區域時效果更加明顯，對比VGG精確度增加了13.6%，loss值也收斂到0.01。

全文鏈接：http://www.cowatch.cn/article/3000091554    

中文引用格式：  余成波，熊遞恩.   于膠囊網絡的指靜脈識別研究[J].電子技術應用，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.基于卷積神經網絡的圖像著色    

摘要：圖像著色的目標是為灰度圖像的每一個像素分配顏色，它是圖像處理領域的熱點問題。以U-Net為主線網絡，結合深度學習和卷積神經網絡設計了一個全自動的著色網絡模型。在該模型中，支線使用卷積神經網絡SE-Inception-ResNet-v2作為高水平的特征提取器，提取圖像的全局信息，同時在網絡中使用PoLU(Power   Linear Unit)函數替代線性整流函數(ReLU)。實驗結果證明此著色網絡模型能夠對灰度圖像進行有效的著色。    

全文鏈接： http://www.cowatch.cn/article/3000091637    

中文引用格式：徐中輝，呂維帥.   基于卷積神經網絡的圖像著色[J].電子技術應用，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.深度學習中的卷積神經網絡系統設計及硬件實現    

摘要：針對目前深度學習中的卷積神經網絡（CNN）在CPU平臺下訓練速度慢、耗時長的問題，采用現場可編程門陣列（FPGA）硬件平臺設計并實現了一種深度卷積神經網絡系統。該系統采用修正線性單元（ReLU）作為特征輸出的激活函數并使用Softmax函數作為輸出分類器。利用流水線技術并針對每一層的特征運算進行了并行處理，從而能夠在1個系統時鐘周期內完成整個CNN中的295次卷積運算。系統最后采用MNIST數據集作為實驗樣本，實驗結果表明，在50   MHz的工作頻率下，FPGA的訓練用時相較于通用CPU的訓練用時提升了8.7倍，經過2 000次迭代后系統識別的準確率為92.42%。    

全文鏈接：http://www.cowatch.cn/article/3000082399    

中文引用格式：王昆，周驊.   深度學習中的卷積神經網絡系統設計及硬件實現[J].電子技術應用，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神經網絡的人體穴位定位系統設計

摘要： 穴位的位置是否找準會直接影響治療效果，因此設計了一種基于粒子群算法優化神經網絡（PSO-BP）的穴位相對坐標預測模型，然后與ARM結合構成一個可以用于人體穴位定位的系統。首先采用PC進行MATLAB仿真訓練學習，然后將最優權值及閾值保存下來并簡化算法嵌入ARM內，將在線預測轉變為離線過程。實驗結果表明：經粒子群優化過的BP神經網絡有效地改善了局部極值缺陷，可應用于定位端預測穴位的位置，并在LCD中顯示穴位相關信息，控制端收到位置數據后可執行電機上的運動操作。

全文鏈接：http://www.cowatch.cn/article/3000090355    

中文引用格式：楊向萍，吳玉丹. 基于PSO-BP神經網絡的人體穴位定位系統設計[J].電子技術應用，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.基于深度學習的煙霧識別研究

摘要：基于Google第二代人工智能學習系統TensorFlow構建神經網絡對煙霧圖像進行識別檢測，通過改進的運動檢測算法截取疑似煙霧區域圖像，并結合PCA降維算法和Inception Resnet v2網絡模型在TensorFlow平臺下進行煙霧特征的訓練識別。該算法實現了較大范圍的火災實時檢測報警，經過實驗證明整個檢測過程準確地識別了視頻流中的煙霧區域，相比于傳統煙霧識別方法具有更高的準確率和自適應性，為大范圍的火災煙霧報警提供了一種有效方案。

全文鏈接：http://www.cowatch.cn/article/3000092836    

中文引用格式： 王濤，宮寧生，蔣貴祥. 基于深度學習的煙霧識別研究[J].電子技術應用，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.基于深度學習的胸部X光影像分析系統    

摘要：提出一種應用嵌入式技術和深度學習技術實現對胸部X光影像分析的設計方案。采用NIVIDIA公司生產的Jetson TX2作為核心板，配備以太網模塊、WiFi模塊等功能模塊搭建該分析系統的硬件平臺。在GPU服務器上利用MobileNets卷積神經網絡對標注的胸部X光影像數據集進行訓練，將訓練好的神經網絡模型移植到Jetson TX2核心板，在嵌入式平臺下完成對胸腔積液、浸潤、肺氣腫、氣胸以及肺不張癥狀的檢測。利用美國國立衛生研究院提供的胸部X光影像數據進行測試，通過實驗證明，該方法在識別準確率上優于其他的檢測方法，同時識別所需時間比其他方法短。

全文鏈接：http://www.cowatch.cn/article/3000093435    

中文引用格式：周進凡，張榮芬，馬治楠，等.   基于深度學習的胸部X光影像分析系統[J].電子技術應用，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.基于深度學習的圖像分類方法    

摘要：提出了一種用于圖像分類的卷積神經網絡，將不同池化方式對圖像分類的影響進行了分析對比，采用重疊池化和dropout技術，較好地解決過擬合問題。與傳統神經網絡相比，該方法在CIFAR-10數據集上獲得了較好的結果，在測試集上準確率比訓練集上準確率高9%左右。

全文鏈接：http://www.cowatch.cn/article/3000084504    

中文引用格式： 許少尉，陳思宇. 基于深度學習的圖像分類方法[J].電子技術應用，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.基于機器視覺的智能導盲眼鏡設計    

摘要：提出一種基于機器視覺的智能導盲眼鏡系統的設計方案。采用三星公司Cortex-A8架構的 S5PV210作為中央處理器，搭載Linux系統，配備雙目采集、GPS定位、語音播報、GSM短信、語音通話、無線傳輸六大核心功能模塊搭建智能導盲眼鏡系統的硬件平臺，結合深度學習算法在遠程云服務器上完成了對目標場景的智能識別，最后以語音的形式實時對盲人的行走作出準確引導。系統測試結果表明，該智能導盲眼鏡系統在測試環境下不僅能對盲人出行正確導航，還具有一定的目標識別能力，能幫助盲人進行簡易物品歸類。該系統還兼有GPS定位、語音通話、GSM短信等多項輔助功能。    

全文鏈接：http://www.cowatch.cn/article/3000064090    

中文引用格式： 何騰鵬，張榮芬，劉超，等. 基于機器視覺的智能導盲眼鏡設計[J].電子技術應用，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.基于深度學習的無人機識別算法研究    

摘要：無人機的廣泛運用，在給人們帶來便利的同時，也引發了不良影響。比如，無人機飛入禁飛區引發安全問題，由于不正當的使用侵犯公民的隱私等，因此需要構建一個無人機警察系統，對無人機實施監控，遏制亂飛現象。采用傳統的識別方法，靈活性不足，精度也不夠高。為此提出一種基于深度學習的無人機識別算法，通過訓練一個基于卷積神經網絡（CNNs）的學習網絡，得出一個高效的識別模型，實現無人機和非無人機間的分類。模型的測試結果表明，該方法具有較高的識別率。

全文鏈接：http://www.cowatch.cn/article/3000068878     

中文引用格式：蔣兆軍，成孝剛，彭雅琴，等. 基于深度學習的無人機識別算法研究[J].電子技術應用，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.基于視覺引導的SCARA機器人自動裝配系統

摘要：現有生產線工業機器人抓取點固定，工件只能以固定的姿態提前擺放在固定的位置，這種裝配模式很難滿足復雜的工業生產要求且效率低下。設計了基于視覺引導的機器人裝配系統改進原有系統。設計了機器視覺系統，實現了工件的快速識別、定位以及姿態確定功能；設計了抓放系統，實現了工件的精確抓取和安裝功能；采用Visual Studio的MFC開發，實現圖像處理算法，并利用Socket通信將坐標和姿態數據發送給機器人。通過實驗驗證本系統具有良好的穩定性和快速性，可以滿足生產的要求，大幅提高生產效率。

全文鏈接： http://www.cowatch.cn/article/3000065381    

中文引用格式：黨宏社，候金良，強華，等. 基于視覺引導的SCARA機器人自動裝配系統[J].電子技術應用，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.