Intelligent Search Optimization using Artificial Fuzzy Logics
School of Computing, Engineering and Information Sciences（计算、工程与信息科学学院）
网络上的信息是惊人的，搜索相关信息是困难的，使得网络用户依赖于搜索引擎在网络上找到相关信息。搜索引擎使用爬虫根据网页的内容对网页进行索引和分类，并相应地对网页进行排名。对于给定的用户查询，他们检索数以百万计的网页，并显示他们的用户根据网页排名。每个搜索引擎都有自己的算法，根据一定的参数排名网页。搜索引擎优化（SEO）是网站管理员根据搜索引擎排名参数优化网站以提高网站排名的技术。这是本研究的目的，以确定最流行的搜索引擎优化技术所使用的搜索引擎排名网页，并建立其索引和分类的网络数据的重要性。该研究试图建立在排名算法中使用更多的SEO参数有助于检索更好的搜索结果，从而提高用户满意度。在已完成的研究中，提出了一个基于Web的Meta搜索引擎聚合搜索结果从不同的搜索引擎和排名的网页基于新的页面排名算法，将分配启发式页面排名的网页的基础上SEO参数，如标题标签，Meta描述，网站地图等的研究还提供了深入了解技术，网站管理员可以使用更好地排名他们的网站在谷歌和必应。初步结果表明，在目前的排名算法中使用某些SEO参数有助于检索更有用的结果，为用户查询。这些结果产生的Meta搜索引擎优于现有的搜索引擎更好的检索结果和高精度。
2015-10-03 cs.AI cs.IR
JointDNN: An Efficient Training and Inference Engine for Intelligent Mobile Cloud Computing Services
University of Southern California（南加利福尼亚大学）
深度学习模型被部署在许多移动智能应用中。智能个人助理、自动驾驶汽车和灵巧家庭服务等端侧服务通常采用移动设备上的简单本地模型或云上的复杂远程模型。然而，最近的研究表明，在移动设备和云之间划分DNN计算可以增加延迟和能源效率。在本文中，我们提出了一个有效的，自适应的，实用的引擎，JointDNN，用于移动终端和云之间的协同计算DNN在推理和训练阶段。JointDNN不仅为移动端提供了一种节能和高效的DNN查询方法，而且与仅使用云的方法相比，通过减少其工作负载和通信量，使云服务器受益。给定DNN架构，我们研究了在移动终端上处理某些层和在云服务器上处理某些层的效率。我们在层粒度上为DNN中的前向和后向传播提供了优化配方，可以适应移动电池限制和云服务器负载约束以及服务质量。与现状方法相比，JointDNN在查询DNN的延迟和移动能耗方面分别减少了18倍和32倍。
2020-02-04 cs.AI cs.DC cs.LG
Polestar: An Intelligent, Efficient and National-Wide Public Transportation Routing Engine
Baidu Research（百度研究院）；Baidu Inc.（百度公司）；University of Central Florida（中佛罗里达大学）；Rutgers University（罗格斯大学）
公共交通在人们的日常生活中起着至关重要的作用。事实证明，公共交通比任何其他形式的旅行都更环保、更高效、更经济。然而，由于交通网络的日益扩张和更复杂的出行情况，人们难以通过公共交通系统有效地找到从一个地方到另一个地方的最优选路线。为此，在本文中，我们提出了Polestar，一个数据驱动的智能和高效的公共交通路由引擎。具体来说，我们首先提出了一种新的公共交通图（PTG）模型的各种旅行成本，如时间或距离的公共交通系统。然后，我们介绍了一个通用的路线搜索算法，再加上一个有效的站绑定方法，有效的候选路线生成。在此基础上，我们提出了一个两遍候选路线排名模块，以捕捉用户的偏好下动态的旅行情况。最后，在两个真实数据集上的实验证明了Polestar在效率和有效性方面的优势。事实上，在2019年初，Polestar就已经部署在全球最大的地图服务之一百度地图上。迄今为止，Polestar服务于330多个城市，每天回答超过一亿个查询，并实现了用户点击率的大幅提高。
2020-07-11 cs.AI cs.LG stat.ML
Intelligent Algorithms For Signature Diagnostics Of Three-Phase Motors
National Research University Higher School of Economics（国家研究型大学高等经济学院）
本研究提出结合先进机器学习算法与基于物理模型的无监督异常生成方法，用于三相电机智能诊断，显著提升了诊断准确率与可靠性，优于现有方法且具备广泛工业应用前景。
2024-11-13 cs.AI cs.LG eess.SP
Designing Intelligent Instruments
Univ. at Albany（奥尔巴尼大学）；Northeastern Univ.（东北大学）
远程科学操作需要自动化系统，这些系统可以在最少的人为干预下采取行动和作出反应。其中一个愿景是智能仪器以自动化的方式收集数据，并根据它所了解的信息决定采取哪些新的测量方法。这项创新实现了实验设计，并将其与数据分析相结合，从而完成了学习周期。这个循环是科学方法的基础。这个循环的三个基本步骤是假设生成、询问和推理。假设生成是通过人为地向仪器提供可能用于描述物理系统的可能假设的参数化集合来实现的。查询的行为是由一个查询引擎，依赖于贝叶斯自适应探索的最佳实验被选为一个最大限度地提高预期的信息增益。推理引擎使用嵌套采样算法实现，该算法为查询引擎提供了一组后验样本，从中可以估计预期的信息增益。有了这些计算结构，仪器将完善其假设，并通过测量重复学习周期，直到所研究的系统在预先指定的公差内描述。我们将展示我们对实现这一目标的第一次尝试，使用LEGO MINDSTORMS NXT机器人平台构建的智能仪器。
2016-02-13 cs.AI cs.RO
What is an intelligent system?
Universidad Politécnica de Madrid（马德里理工大学）
本文针对信息技术领域源自人工智能成功应用的智能系统，提出含属性、组件类型的通用描述，采用整合教学法提供概念框架，并通过经典与现代实例说明其通用性与适用性。
2026-08-25 cs.AI cs.CY
An Intelligent Fault Diagnosis Method for General Aviation Aircraft Based on Multi-Fidelity Digital Twin and FMEA Knowledge Enhancement
Hangzhou International Innovation Institute, Beihang University（北京航空航天大学杭州国际创新研究院）；School of Mechanical Engineering, Zhejiang University（浙江大学机械工程学院）；School of Reliability and Systems Engineering, Beihang University（北京航空航天大学可靠性与系统工程学院）；Department of Mechanical Engineering, City University of Hong Kong（香港城市大学机械工程系）
本文提出基于多保真度数字孪生的智能故障诊断框架，通过高保真飞行动态仿真、FMEA驱动故障注入、多保真残差特征提取和大语言模型增强的可解释报告生成模块，解决通用航空飞机故障诊断中的数据稀缺、故障类型多样和故障特征弱等问题。
2026-04-03 cs.AI cs.LG
Information Retrieval in Intelligent Systems: Current Scenario & Issues
University School of Information Technology, Guru Gobind Singh Indraprastha University（古鲁戈宾德辛德拉普拉斯大学信息技术学院）
网络空间是巨大的数据仓库。每天都有大量的新信息被添加到这个网络空间。信息越多，对获取这些信息的工具的需求就越大。智能地处理用户对在线信息的查询是智能系统中信息检索面临的最大挑战之一。本文首先简要介绍了信息检索和智能系统，并阐述了语义搜索引擎swoomble是如何使用其算法和技术在web上搜索所需内容的。然后，我们继续讨论用于将相似事物分组在一起的聚类技术，并讨论称为自组织映射[6]或SOM的机器学习技术，这是一种数据可视化技术，通过使用自组织神经网络来减少数据的维度。然后，我们讨论了SOM是如何被用来可视化的数据的内容，通过以下一些线路的算法，在地图的形式。因此，我们可以说，网站或机器可以用来检索用户想要的信息。
2012-06-16 cs.AI cs.IR
RSG-Net: Towards Rich Sematic Relationship Prediction for Intelligent Vehicle in Complex Environments
Nagoya University（名古屋大学）；Harbin Institute of Technology（哈尔滨工业大学）；Tier IV Inc.（Tier IV公司）
行为和语义关系在智能自动驾驶汽车和ADAS系统中起着至关重要的作用。与其他关注轨迹、位置和边界框的研究不同，关系数据提供了对对象行为的人类可理解的描述，它可以以惊人的简洁方式描述对象的过去和未来状态。因此，它是风险检测、环境理解和决策等任务的基本方法。在本文中，我们提出了RSG网络（道路场景图网络）：一个图卷积网络，旨在预测潜在的语义关系，从对象的建议，并产生一个图形结构的结果，称为“道路场景图”。实验结果表明，该网络，道路场景图数据集上训练，可以有效地预测潜在的语义关系的对象之间的自我车辆。
2022-07-16 cs.AI cs.CV
Artificial Collective Intelligence Engineering: a Survey of Concepts and Perspectives
Alma Mater Studiorum–Università di Bologna（博洛尼亚大学）
本文从计算机科学家和工程师的视角综述了人工和计算集体智能工程的概念与视角，通过提供研究图谱来整合碎片化的研究，并识别了该领域的机遇与挑战。
2023-04-11 cs.AI cs.DC cs.MA
Learning Better Context Characterizations: An Intelligent Information Retrieval Approach
Universidad Nacional del Sur（南方国立大学）；CONICET - Consejo Nacional de Investigaciones Científicas y Técnicas（国家科学技术研究委员会）
本文提出了一种增量的方法，可以使用智能系统来学习更好的描述的主题上下文。该方法从分析主题的简单描述中选择少量术语开始，并将此描述用作初始搜索上下文。使用这些术语，构建一组查询并将其提交给搜索引擎。新的文件和术语被用来完善学习词汇。对大量主题进行的评估表明，在构建查询以检索相关材料时，所学词汇比原始词汇更有效。
2010-04-27 cs.AI cs.IR
Beware the evolving 'intelligent' web service! An integration architecture tactic to guard AI-first components
Deakin University（迪肯大学）；Monash University（莫纳什大学）
智能服务通过简单的RESTful API端点为开发人员提供AI的强大功能，从而抽象出机器学习的许多复杂性。然而，这些智能服务中的大多数（如计算机视觉）都是随着时间的推移不断学习的。当抽象的“黑盒子”内部的东西隐藏起来并不断发展时，依赖于这些不断发展的服务的应用程序的健壮性就会出现问题。如果开发人员不采用依赖于智能服务的项目规划和构建方式，就会在项目规划和开发中产生重大差距和风险。因此，软件工程师如何才能最好地降低软件演化风险，从而确保他们自己的应用程序保持质量？我们的建议是一个架构策略，旨在提高智能服务依赖软件的鲁棒性。该策略涉及创建一个以智能服务为基准的特定于应用程序的基准数据集，从而减轻进化行为的变化。我们对该架构的实现进行了技术评估，展示了该策略如何使用由331个图像组成的数据集识别1，054个显著置信度演变的案例和2，461个响应标签集发生重大变化的案例，这些图像在发送到服务时会发生演变。
2020-05-27 cs.AI cs.SE
Advice from the Oracle: Really Intelligent Information Retrieval
Harvard-Smithsonian Center for Astrophysics（哈佛-史密森尼天体物理中心）
什么是“智能”信息检索？从本质上讲，这是在问什么是智能，在这篇文章中，我将试图展示人类智能的一些方面，与信息检索有关。我将通过一个半虚构的先知来完成这件事。每个天文台都有一个先知，这个先知是一位杰出的科学家，负有重大的行政责任，是一些资历较浅的人的导师，甚至是最有成就的科学家的可靠顾问，基本上知道这个领域的每一个人。在附录中，我将简要介绍用于文本索引和检索的统计因子空间方法，并指出它将如何在天体物理数据系统摘要服务中使用。2018关键词：个人数字助理;监督主题模型
2018-01-02 astro-ph.IM cs.AI physics.soc-ph
An Innovative Approach for online Meta Search Engine Optimization
Northumbria University（诺森比亚大学）
本文提出了一种方法，以确定有效的技术用于Web搜索引擎优化（SEO）。了解SEO因素，可以影响页面排名在搜索引擎是有意义的网站管理员谁希望吸引大量的用户到他们的网站。不同于以往的相关研究，在这项研究中，我们开发了一个智能的Meta搜索引擎，聚合的结果，从各种搜索引擎和排名的基础上，几个重要的SEO参数。该研究试图建立在排名算法中使用更多的SEO参数有助于检索更好的搜索结果，从而提高用户满意度。从Meta搜索引擎生成的初始结果在更好地检索到高精度的搜索结果方面优于现有的搜索引擎。
2015-09-28 cs.AI cs.IR
Planetary Prediction Engine: Autonomous Geospatial Prediction via Intelligent Data Selection and Foundation Model Embeddings
Google Research（谷歌研究院）；Institut National de Recherche Biomédicale（国家生物医学研究院）
该研究提出行星预测引擎（PPE），一种自主AI系统，可根据自然语言查询完成地理空间预测的端到端工作流程，在多类任务中优于现有模型，降低了行星规模分析的技术门槛。
2026-09-28 cs.AI cs.LG
Intelligent Radio Signal Processing: A Survey
Pusan National University（釜山国立大学）；Seoul National University of Science and Technology（首尔科技大学）；Kumoh National Institute of Technology（金乌国立理工大学）；INRS, University of Quebec（魁北克大学INRS研究所）
本文是一篇智能无线电信号处理领域综述，先介绍AI相关技术背景，再围绕无线物理层四大主题梳理原理与最新研究，最后指出挑战与未来方向，为相关研究者提供参考。
2021-06-04 cs.AI cs.IT cs.NI
Leveraging High-Fidelity Digital Models and Reinforcement Learning for Mission Engineering: A Case Study of Aerial Firefighting Under Perfect Information
Grado Department of Industrial and Systems Engineering, Virginia Tech, Blacksburg, VA（弗吉尼亚理工学院与州立大学工业与系统工程系）
本文提出结合高保真数字模型与强化学习的任务协调方法，通过空中灭火案例展示其在任务工程中的有效性，证明了DE与分析工具结合的潜力。
2025-12-29 cs.AI cs.CY cs.SY
Advancing from Predictive Maintenance to Intelligent Maintenance with AI and IIoT
ExxonMobil Research and Engineering Company（埃克森美孚研究与工程公司）
随着人工智能（AI）技术的进步，越来越多的数据通过各种工业物联网（IIoT）项目变得可用，我们评估了预测性维护方法的最新技术水平，并提出了我们的创新框架来改进当前的实践。本文首先回顾了90年来可靠性建模技术的发展，讨论了工业界和学术界发展的主要技术。然后，我们介绍了下一代的维护框架-智能维护，并讨论其关键组件。这一基于人工智能和工业物联网的智能维护框架由以下组成：（1）最新的机器学习算法，包括深度学习的概率可靠性建模，（2）通过无线智能传感器进行实时数据汇集、传输和存储，（3）大数据技术，（4）持续集成和部署机器学习模型，（5）移动终端和AR/VR应用，在现场快速更好地决策。特别是，我们提出了一种新的概率深度学习可靠性建模方法，并在涡扇发动机退化数据集中进行了演示。
2020-09-01 cs.AI cs.LG stat.ML
Large-Scale Intelligent Microservices
Microsoft（微软）；MIT（麻省理工学院）
在数据库中部署机器学习（ML）算法是一项挑战，因为现代ML算法的计算足迹不同，而且各种数据库技术都有自己的限制性语法。我们引入了一个基于Apache Spark的微服务编排框架，该框架扩展了数据库操作，以包括Web服务原语。我们的系统可以编排Web服务在数百台机器上，并充分利用集群，线程和异步并行。使用这个框架，我们提供了大规模的客户端的智能服务，如语音，视觉，搜索，异常检测和文本分析。这使得用户可以使用Apache Spark连接器将即时可用的智能集成到任何服务器中。为了消除网络通信的大部分开销，我们还引入了我们架构的低延迟容器化版本。最后，我们证明了我们调查的服务是有竞争力的各种基准，并提出了两个应用程序，这个框架来创建智能搜索引擎，和实时的汽车比赛分析系统。
2021-12-02 cs.AI cs.DB cs.DC
SnapMode: An Intelligent and Distributed Large-Scale Fashion Image Retrieval Platform Based On Big Data and Deep Generative Adversarial Network Technologies
University of Alzahra（阿尔扎拉大学）
时尚现在是世界上最大的产业之一，因为它代表了人类历史，并有助于讲述世界的故事。随着第四次工业革命的兴起，互联网已经成为越来越重要的时尚信息来源。然而，随着越来越多的网页和社交数据，人类几乎不可能手动跟上该领域的持续发展和不断变化的内容。妥善管理和利用大数据可以为全球经济的大幅增长和公民满意度铺平道路。因此，计算机科学家发现，通过使用大数据和机器学习技术来处理电子商务时尚网站是一项挑战。本文首先提出了一种基于分布式计算平台的可扩展的聚焦式Web爬虫引擎，用于电子商务网站上的时尚数据的提取和处理。然后描述了所提出的平台的作用，通过采用深度卷积生成对抗网络（DCGAN）进行基于内容的图像索引和检索来开发一种解纠缠的特征提取方法。最后，国家的最先进的解决方案进行了比较，所提出的方法的结果进行了分析的标准数据集。为了实现所提出的解决方案，在Apache Storm、Kafka、Solr和Milvus平台上开发了一个基于Web的应用程序，以创建一个名为SnapMode的时尚搜索引擎。
2022-04-08 cs.AI cs.CV cs.DC
