简介：

简介：研究基于深度强化学习技术的避障场景的算法模型设计，采用改进岛深度Q网络（DeepQ-lesrningNet-work，DQN）算法克服了Q-learning表名式算法在连续状态下导致内存不足的局限性。鉴于学习过程中奖励稀疏导致很艰难获得较好结果的情况，改进奖利机制，增知实时奖惩作为补充，解决学习耗时长和练不稳定的问题：采用相对角度、位置金和距离等信息，相比绝对坐标信息可以更有效的躲障碍物。不同于基于栅格法／可视图法等传统人为策略避障算法，深度强化学习算法DQN能够在缺乏先验知识的条件下具备自主决策能力，因此适用性更强。该技术可应用在仓储无人车、巡佥机器人、无人机等现实场景。

简介：在丝绸等织物生产过程中,经常会出现织物产生非正常花纹的缺陷。目前对织物缺陷的检测主要是通过人工肉眼判别,该方法花费时间长、人工成本高,会给企业带来较大的经济负担。本文通过使用BP和SAE两种神经网络对织物进行缺陷检测,并判断是何种缺陷:首先介绍了使用BP神经网络对大量样本训练并保存,得到最佳权值,从而实现对于图像的缺陷检测和分类;训练样本通过SAE深度神经网络训练得到重构图像,再不断微调参数,获得最佳的权重数值,运用滤波器过滤噪声,最终得到结果。通过大量的实验,结果表明两种方法对织物缺陷检测均具有非常良好的效果,充分证明了深度神经网络在工业生产织物过程中运用的可行性。

简介：深度学习算法在物联网终端设备上的应用存在着系统开销控制与保证精度和实时性之间平衡的问题。本文提出了一种在云和终端设备上分布式混合部署深度学习神经网络的方法:压缩深度神经网络在本地终端上执行快速的推理运算;当系统基于可信表现的判断标准需要进一步处理时,中间数据可传输至云服务器端,进一步利用云端的深层深度神经网络进行处理,以提高系统的表现精度。本文给出了深度神经网络在终端设备上部署时和在终端与云端上混合部署时进行推理运算的量化比较效果,结果显示此种方法兼顾了深度神经网络的系统开销和准确率。

简介：JS,是我们对奸商的称呼，后来发展到对硬件和数码销售商的调侃性称谓。最近，在我们家电旗下001digi.com网站上发生了一件和水货相关的让人很不愉快的事情，这件事情前后调查取证之艰难超乎我们001digi编辑的想象。最后，在南京电视台东升工作室的强力协助下，001digi终于帮助我们的网友成功维权！回顾前后那么多波折，我们认为目前少数经销商的经营观念之浅薄、

简介：WindowsXP比Windows9X稳定多了，但还是不能彻底避免系统崩溃。我们将从硬件故障，BIOS设置和内存错误等方面分析系统崩溃的原因，并提出崩溃发生以后的最佳处理办法，以及如何减少它对系统的影响。良好的维护程序可以降低崩溃发生的频率及其严重程度。一些简单的工作，例如磁盘碎片整理，备份和内存清理，可以让电脑变得更稳定，更不容易出错。你可以买防崩溃软件，但知识才是最好的武器，而且合理地处理系统崩溃还可以保证数据的安全。