中文版 | English

在结果中检索

CASIA OpenIR

浏览/检索结果: 共6条，第1-6条 帮助

限定条件                    
已选(0)清除 条数/页：   排序方式：
数字孪生与平行系统: 发展现状、对比及展望 期刊论文
自动化学报, 2019, 卷号: 45, 期号: 11, 页码: 2001-2031
作者:  杨林瑶;  陈思远;  王晓;  张俊;  王成红
浏览  |  Adobe PDF(13977Kb)  |  收藏  |  浏览/下载：988/489  |  提交时间：2020/03/17
 数字孪生, 平行系统, 复杂系统管理与控制, 人工智能, 虚实交互  
GPR and SPSO-CG based gait pattern generation for subject-specific training 期刊论文
SCIENCE CHINA Information Sciences, 2019, 卷号: 64, 期号: 00, 页码: 00
作者:  weiqun wang;  Weiguo SHI;  Shixin REN;  zeng-guang hou;  Xu LIANG;  Jiaxin WANG;  Liang PENG
浏览  |  Adobe PDF(142Kb)  |  收藏  |  浏览/下载：294/94  |  提交时间：2019/11/07
Gait Pattern Generation  Subject-specific Training  
代理技术 Agent 在智能车辆与驾驶中的应用现状 期刊论文
指挥与控制学报, 2019, 卷号: 5, 期号: 2, 页码: 87-98
作者:  沈宇;  王晓;  韩双双;  陈龙;  王飞跃
浏览  |  Adobe PDF(9732Kb)  |  收藏  |  浏览/下载：346/80  |  提交时间：2019/08/28
智能汽车, 智能体, 多智能体系统, 平行驾驶, Rss 模型  
Type-2 Fuzzy Comprehension Evaluation for Tourist Attractive Competency 期刊论文
IEEE Transactions on Computational Social Systems, 2019, 卷号: 6, 期号: 1, 页码: 96-102
作者:  H. Mo;  K. Yan;  X. Zhao;  Y. Zeng;  Wang X(王晓);  Fei-Yue Wang
浏览  |  Adobe PDF(1487Kb)  |  收藏  |  浏览/下载：248/61  |  提交时间：2019/08/28
Fuzzy Sets, Interval Type-2 Fuzzy Sets (IT2 Fss), T2 Fss, Tourist Attractive Competency, Type-2 Fuzzy Comprehension Evaluation.  
Detecting Traffic Information From Social Media Texts With Deep Learning Approaches 期刊论文
IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, 2019, 卷号: 20, 期号: 8, 页码: 3049-3058
作者:  Chen, Yuanyuan;  Lv, Yisheng;  Wang, Xiao;  Li, Lingxi;  Wang, Fei-Yue
浏览  |  Adobe PDF(2273Kb)  |  收藏  |  浏览/下载：428/108  |  提交时间：2019/08/28
Deep learning  social transportation  traffic information detection  social media  text mining  
Long memory is important: A test study on deep-learning based car-following model 期刊论文
PHYSICA A-STATISTICAL MECHANICS AND ITS APPLICATIONS, 2019, 卷号: 514, 页码: 786-795
作者:  Wang, Xiao;  Jiang, Rui;  Li, Li;  Lin, Yi-Lun;  Wang, Fei-Yue
收藏  |  浏览/下载：282/0  |  提交时间：2019/01/08
Car-following  Long memory  Hysteresis  Deep learning