深度学习在显卡技术中的应用

特别关注SPECIALTOPICSAug.2019NO.8VOL.292019年8月第8期第29卷

CHINAFLOOD&DROUGHTMANAGEMENT中国防汛抗旱三是应该充分认识桥涵建设的负面影响。我国现有的桥涵设计规范，基本上是按照水文分析计算出的设计洪峰流量来确定桥涵孔径的。山区河流在洪水期间，水流往往挟带大量卵砾石及树木等漂浮物，床面高强度推移质运动会导致水位的显著提高，实际洪水水位远高于由洪峰流量计算出的设计洪水位。挟沙水流易在桥涵处，特别是一些山洪沟的沟口涵洞部位发生淤堵，一旦桥涵封洞，水位激增，损失巨大。四是应该充分认识大型土方工程的负面影响。近年来，一些城市为了市区发展，通过“削山、填沟、造地、建城”，整理出大片建设面积，进行了快速的城市化建设。这样的大型土石方工程，通过地表硬化减少了地表入渗，加快了集流速度，造成了洪水过程尖瘦的水文效应。一些大型土石方工程处于天然的分水岭附近，如果排水规划不当，将导致地表水系的重构，造成汇水面积增加的河流洪峰流量显著增加，给下游城镇造成频繁的洪水灾害。深度学习技术在城市内涝监测中的应用侯精明，西安理工大学教授，博导，主要从事水动力模拟、水灾害管理、城市水利等方面的研究。侯精明城市内涝过程中，开展洪涝过程监测，对建立科学的应对机制，降低内涝成灾的风险，减少内涝灾害引起的损失具有重要意义，且系统的内涝监测数据对城市雨洪数值模拟参数率定和模型验证工作起到关键作用。如何高效、安全、精准地开展城市内涝监测，对现有水情量测科技提出了更高的要求，也是当前城市防洪排涝工作的一个重要挑战。传统的城市内涝监测方式主要包括现场人工监测、辅助标记测量、仪器设备测量等，这些监测方法效率低、难度大、精度差，对人力物力财力要求较高。有些地区监测环境恶劣，且暴雨伴随的雷电天气导致监测过程极其危险。随着现代信息技术的发展，为城市内涝过程科学监测提供了有效的技术途径，其中深度学习技术受到越来越广的关注。将深度学习技术应用于城市内涝过程监测中，能高效、安全且精准地实现内涝智能监测。应用基于深度学习技术的城市内涝过程监测方法，首先要根据城市地区的降雨空间分布特征、城市建筑物空间格局、排水管网系统规划布置等，建立内涝监测点优化布置方案。然后通过安装自动高清监控设备，对内涝点积水过程进行长期实时监控，不需购置昂贵的监测仪器、不需要大量人力，便可通过远程操作完成对内涝点积水情况的实时监测，采集到海量的图像、视频信息数据。最终采用深度学习技术对内涝监测点积水过程的图像信息进行识别分析，快速自动提取不同时刻、不同地点图像中积水的面积和边界特征信息，准确获取各内涝点的积水特征。对于发生严重内涝情况的下沉式立交桥下等地点的监测，由于人员不能到达现场查勘，监测难度更大。可通过深度学习算法实现对立交桥下水尺图像示数自动读取，高效准确采集到积水深度的信息。基于深度学习技术的城市内涝监测的优势远优于传统的人工监测方式，突破了传统人工监控方法的局限性，保证了内涝监测过程中积水信息获取的实时性、连续性和准确性，且具有低成本的优势，为城市内涝监测工作提供了强有力的技术支持。深度学习技术的应用将推动城市内涝监测方式的发展，也有望成为城市防洪排涝决策服务的一种重要技术手段。开展基于深度学习技术的内涝监测研究具有较好的前景和重要的实际应用价值。8

南通大学学报渊自然科学版冤允燥怎则灶葬造燥枣晕葬灶贼燥灶早哉灶蚤增藻则泽蚤贼赠渊晕葬贼怎则葬造杂糟蚤藻灶糟藻Edition冤灾燥造援17晕燥援1Mar援圆园18第17卷第1期圆园18年3月

深度学习在图像识别中的应用

李超波袁李洪均*袁徐晨

渊南通大学电子信息学院袁江苏南通226019冤

摘要院深度学习通过建立深层神经网络来模拟人脑进行分析尧学习和解释数据袁被广泛用于图像识别领域.首先袁简述了深度学习在图像识别中的研究现状曰其次袁介绍了卷积神经网络尧深度置信网络尧循环神经网络和生成对抗

网络等几种常用于图像识别领域的深度学习网络模型曰然后袁从人脸识别尧动作识别尧跌倒检测等方面袁论述了深

度学习在图像识别领域的典型应用曰最后袁探讨了该领域的研究难点及发展前景.深度学习可以从不同的图像中

自动提取相似的特征并进行分类袁识别率高袁鲁棒性强袁推动了人工智能背景下图像识别的发展.无监督学习尧对

抗网络等将成为深度学习领域的热点.

关键词院深度学习曰图像识别曰神经网络

中图分类号院TP18曰TP391.41文献标志码院A文章编号院员远苑猿原圆猿源园渊圆园18冤园1原园园01原园9

ApplicationofDeepLearninginImageRecognition

LIChaobo袁LIHongjun*袁XUChen

渊SchoolofElectronicandInformation袁NantongUniversity袁Nantong226019袁China冤Abstract:Deeplearningsimulatesthehumanbrainbybuildingdeepneuralnetworkstoanalyze袁learnandinterpret

data.Itiswidelyusedinimagerecognition.Firstly袁theresearchofdeeplearningisintroducedinimagerecognition.

龙源期刊网

浅析深度学习在软件无线电技术中的应用

作者：赵琳

来源：《科学导报·学术》2020年第16期

摘 ;要：随着人工智能技术的快速发展，深度学习技术已经被应用于多个领域，对软件无线电技术也产生了一定程度的影响。本文总结分析了基于深度学习的软件无线电系统功能架构，阐述了深度学习技术在软件无线电系统中的应用价值，具有一定的理论意义和实用价值。

关键词：软件无线电;深度学习;无线网络优化

引言

随着计算机信息技术的快速发展以及工业4.0时代的到来，人工智能技术已经逐步进入实际应用阶段，对多个领域都产生了不同程度的影响。软件无线电的概念和相关理论虽然由来已久，但其潜在能力远远不限于建立多模式、多频段、多功能的无线设备，仍有待人们进一步深入的挖掘，而深度学习、数据挖掘等新兴人工智能技术的有效应用则可以促使软件无线电从传统意义上的无线电技术向智能无线电技术发展，激发软件无线电更廣泛、更强大的应用能力[1]。为了加深人们对于智能无线电技术的理解，本文分析总结了基于深度学习的软件无线电系统功能架构，阐述了其具体的应用价值，可以为相关研究人员提供参考，具有一定的理论意义和实用价值。

1.基于深度学习的软件无线电系统功能架构

深度学习技术在软件无线电中的应用可以促使软件无线电真正的智能化，其实质是在软件无线电的基础上引入深度学习算法，从而实现软件无线电的深度智能化，其具体的形态和和功能架构如图1所示。 龙源期刊网

图1 ;基于深度学习的软件无线电功能架构图

从图1中可以看出，基于深度学习技术的软件无线电应用系统，相较于传统的软件无线电系统，在硬件层面需要增加传感器系统与高性能计算单元，在软件层面需要增加深度学习算法[2]。

基于深度学习的软件无线电系统的设计思路是将软件无线电系统、传感器、深度学习融合在一起，利用深度学习技术在射频端和用户域中的观察（传感、感知）、导向、规划、决策、行动和学习能力，通过高性能计算单元（高性能图形处理器GPU）对传感器系统实时采集到的系统环境数据进行实时计算处理，然后将计算结果反馈给中央处理器，从而提供更好的信息质量，将通信双方的信号参数（包括通信频率、发射功率、调制方式、带宽等）实时地调整到最佳状态，使通信系统的无线电参数不仅与规则相适应，而且能与环境相匹配，并且无论何时何地都能达到通信系统的高可靠性以及频谱利用的高效性，创造意识、自适应和认知无线电，在射频和用户域完成从简单的感知或自适应变换为确定的认知无线电[3]。

龙源期刊网

深度学习在图像识别中的应用

作者：夏长林

来源：《电脑知识与技术》2019年第33期

摘要：随着我国高新技术的快速发展，人工智能领域也得到推动，而图像识别是人工智能领域的一个重要课题，其主要包括分类识别和特征提取两大模块;同时深度学习作为人工智能的重要研究方向，近年来取得了突飞猛进的发展，它广泛应用在图像识别、语音识别等众多领域并获得了巨大成功。该文就深度学习在图像识别中的应用进行深入分析，主要从人脸识别、遥感图像分类等诸多方面进行阐述，其目的是为相关从业人员提供帮助，以此来推动人工智能发展大潮中图像识别领域的发展。

关键词：深度学习;图像识别;应用

中图分类号：TP3 文献标识码：A

文章编号：1009-3044（2019）33-0185-02

所谓深度学习主要是指通过构建深层级别的神经网络来模拟人脑进行分析，或者是模拟人脑进行学习以及解释相关数据信息。而图像识别是指通过对图像进行处理、分析及理解，进而实现识别各种不同模式的目标和对象的目的。如今深度学习已经被广泛应用于图像识别领域中，同时也获得了令人瞩目的成绩和效果。为此笔者在本文中就深度学习的概念以及结构优势进行探讨，同时也对深度学习在图像识别中的应用做出研究，希望可以为某些从业人员提供借鉴和参考依据。

1深度学习的概述

深度学习实质上是一种机器学习的过程，也是人工智能领域中一个新的研究方向。深度学习的最终目的是学习样本的内在规律和表示层次，通过对所获得的文字、声音、图像等数据信息进行解释，可以实现机器能够像人一样具有分析学习能力，从而使机器可以对文字、声音、图像等数据信息进行识别。同时深度学习还是一个相对复杂的机器学习算法，其已经超过了先前的相关技术，尤其是在语音和图像识别等领域已经取得了不错的效果。将深度学习应用于图像识别领域，可以有效解决很多复杂模式识别的难题，可以说深度学习有力推动了图像识别技术的快速发展和进步。