听说全应科技的大数据系统服务还可以，他们的工业大数据分析与应用怎么样？

点击联系发帖人 时间：2022-07-27 23:58

工业大数据的应用案例

随着人力资源团队不断采纳新技术，以满足员工的培训需求。全球多家世界500强公司提供自定进度在线学习课程来辅助员工培训。然而，这里仍旧存在一个问题：很多行业已为人力资源部和学习与发展Learning&Development(L&D)部门制定了计划。取消这些学习工具和传统软件规程，采用更新的技术创新方案，这需要具备强大的适应性。如果要涉及多个层级，改掉原来的学习模式、重新学习和采纳，这就会变得更为复杂。

如今，你可能已经选定了L&D计划，但不知道如何让所有人参与。你的系统最终可能没有在这样的状态下运行，目标可能没有实现。这是因为你需要正确评估学习目标。要想获得突破，首先需要让你的员工做好转向数字化的准备。你的培训课程应致力于为员工提供个性化的体验。最后，你应当追踪学习者进度，提高学习交付能力，使其具备整体优势。

今天，你将了解更多关于学习管理系统(LMS)的信息，并了解如何部署才能使其发挥最大优势。

首先你可能会问：什么是学习管理系统(LMS)?

学习管理系统Learning Management System(LMS),又可以叫e-Learning系统,是通过在线课程和直播教学会议提供不同形式的内容。很多在线学习管理系统平台还利用高级人工智能了解学习者行为，为参与者创造个性化体验。学习管理系统的目的是什么?

就最简单的层级而言，学习管理系统能帮助团队收集、分配和跟进学习活动。它应涵盖以下内容：

1)入职培训：新员工能从学习管理系统中获益，快速适应新的办公环境，了解相关流程。

2)发展与保留：学习管理系统能够确保员工掌握正确的技能，更新产品知识，了解公司趋势。

3)合规培训：学习管理系统可确保员工接受相应的培训，例如，针对周期认证和强制流程的培训。这有助于降低风险和规避任何与合规相关的问题。

然而，在继续讨论前，我们需要澄清一个常见的错误观念。

学习管理系统(LMS)与学习内容管理系统(LCMS)并不相同

学习管理系统用于分配和交付课程，追踪课程完成情况。它只是一个已发布内容的锁定存储器——通常在系统以外管理更新。最终目标是衡量并提供关于课程完成的反馈。这并未将内容创作者考虑在内，他们通常需要生成、维护和优化内容。

而反观，学习内容管理系统(Learning Content Management System)(LCMS)是一个支持完整培训内容周期的平台：创作工具，发布，交付和衡量。它提供了一个协作中心，可在此以多种形式同步和再利用内容。这种将内容与呈现分离的方式可以释放内容，使其以不同形式得到再利用，可在学习管理系统内外兼顾使用。同时，它还提供了一个中心内容和资产库，支持单一来源发布。

值得一提的是，这不仅仅是两个平台的对比问题。

二者都有多种用途。然而，如果将两个平台有效结合，可以为任何人力资源组织提供完整的端对端解决方案。

接下来，我们来讨论一下学习管理系统的优势——商业运营依赖于合作，特别是企业培训。

设定一个适宜的学习活动管理系统，有助于激励员工，提高生产力，改善学习成果。因此，在探索如何将学习管理系统结合到你当前所在的人力资源组织时，可以考虑以下重要原因。

数据冗余浪费时间，导致培训效率低下。智能学习管理系统配有数据完整性工具，可确保持续准确地输入数据。

你肯定希望为每位员工提供高级分析功能，包括过往绩效，工作职责和在线培训进度。更强的可见性意味着你可以根据员工的必备技能、工作任务和职业抱负提供培训建议。因此，你会对员工的工作经历和他/她本人有一个全面完整的认识。这有助于你了解优秀员工，他们将在未来获得更多进步。同时，你还会发现有些员工在苦苦寻找哪里可以为他们提供帮助。

3)将趋势转化为可行动的目标

员工加入学习管理系统学习后，你可以从中归纳出数据模式和趋势，将其转化为可提高用户绩效并减少员工挑战的行动。例如，部门A困扰于较低的员工保留率。你可以利用表现较好的部门B的数据，用来打造更吸引人的内容，来赋能部门A。

4)利用大数据提供有效的在线培训分析

将学习管理系统与当前采用的人力资源系统相结合，有助于快速有效地分析数据。你将更充分地了解员工库及员工需要接受的培训类型。例如，你可以结合员工的工作描述，以及其学习管理系统培训进度追踪培训差距。你据此提供更多培训资源来帮助他们适当提升。此外，标准化系统维护经验具有明显的优势。大数据可以在现有系统和学习管理系统之间迁移，确保能够自动同步和更新信息。

5)更优化的人力资源培训投资回报

时间和快速收集可行动数据的能力均可推动有利的投资。你只需选择能发挥最大影响力的在线培训计划，放弃那些不相关的。你将需要认真做课后作业，了解什么最适合自己，同时避免出现较高的学习曲线或混乱界面。

接下来，我们要探讨学习阶段以及学习管理系统如何在学习过程中起到辅助作用。

大卫·库伯(David Kolb)的学习周期理论提出有学习的四个主要阶段：

评估：揭示了目前的学习情况，帮助学习者弥合已有知识和新知识之间的差距。

学习：确定课程内容，包括态度、技能和知识。

应用：学习者应用掌握的知识和技能。

适应：帮助学习者根据自己的学习情况变更工作环境。

但如何将上述阶段应用于学习管理系统的情境?我们来逐一分析这些阶段。

在此阶段，你应该使用预评估流程评估员工已有的知识。例如，你可以设计10-20个问题。如果员工通过测试，就可以继续接受实际培训。否则，可以考虑在引入新概念之前进行必要的培训。入职培训课程就是一个应用案例。新员工可以观看公司之旅的虚拟视频。

员工在此阶段了解旨在强化学习目标的核心学习流程。可以采用一种将课堂学习和在线课程相结合的混合式学习策略，帮助用户快速熟悉。如果没有足够的时间，可以选择时长较短、专注单一目标的微型学习课程。这些课程可以采用的形式有：动画视频和简短的、战略性的或互动游戏。此外，这样的形式也符合短期注意力的集中，为用户提供了所需的准确信息，以实现一个可行动的目标。

员工可在此阶段利用新习得的知识和技能巩固已有知识。此阶段最适宜使用模拟方式，因为模拟可以还原真实世界。因此，员工可以体验真实的工作情境，而不必担心失败。例如，对于计算机网络领域的员工可以进行互联网连接、排除互联网中断故障的模拟测试。员工不必干预现有设备，而是被引导至Packet Tracer，这是一个可以在无风险的前提下模拟真实世界的“观察，尝试，实践”模拟器。员工们会观察，尝试跟随提示，最后开展行动。这样，基于绩效的评估可以顺利开展，员工能在实践中活学活用。

最后阶段，员工将所学的内容转移到实际工作环境。学习管理系统有助于更新知识，支持工作绩效。另外，重复学习是关键。根据滑铁卢大学网站发表的遗忘曲线表明，学习1天后，记忆保持率为100%;第2天降到50-80%;到第30天，保持率仅为2-3%。(发表的文章。)

学习管理系统的一个关键要素是跟进数据，包括课程进度和测试表现。接下来要进行数据分析。

通过适当的图表获取报告，准确描述学习管理系统活动，赋权组织制定数据驱动型决策，并做出相应调整。

当准备好部署学习管理系统时，就要开始考虑以下任务：与人力资源系统结合;服务器维护;技术支持;安全性等。这些需求都需要利用信息技术进行处理。由于与学习管理系统相关，在这点上可以适当进行信息技术资源的诚信审计，这样学习管理系统的有效性将不受损害。或者，组织可以考虑外包给来自学习管理系统提供者的信息技术团队。

学习管理系统用户会对系统运行方式有疑问。应有一种方法让用户了解如何使用各种简单和复杂的学习管理系统功能。例如，如果出现付款延期，组织需了解如何处理付款流程。

什么是学习管理系统培训?

你的企业是否需要学习管理系统培训系统?你是否在犹豫学习管理系统培训系统是否适合自己的组织?如果是，你需要问自己几个问题：

你每年花多少费用在培训上?传统培训意味着，你需要报销促进者(有时是员工自身)的交通费，预订线下场地，支付导师费和其它隐性费用。而学习管理系统能提供一种更有效的方式来追踪学员进度，降低培训成本。

你的课程交付够精简吗?学习管理系统在一个中心门户网站提供了材料、内容和指导。

你如何追踪绩效?实体培训是可以的，另外大多数企业使用了纸笔调查问卷。但你如何随时间流逝管理这些数据，比如五年以后?学习管理系统软件制定了用于进度追踪、知识习得和投资回报的绩效指标。

你是否需要遵循法规?很多公司需要进行培训评估来衡量合规性。比如能源产业，包括石油和天然气。与传统方法相比，数据和进度报告大幅提升了任务执行力。

学习管理系统的例子有哪些?

基于云计算的学习管理系统由其服务器上的供应商管理。终端用户通过浏览器门户访问学习管理系统，无需专业软件或数字投入来运行。

1)Adobe Captive Prime是一个很好的例子。用户根据使用情况付费。这是一款软件即服务(SaaS)工具。学习管理系统由软件提供者进行中心管理。用户通过定期订阅购买许可，基于用户数量和访问功能来定价。

2)D2L Brightspace是另外一个SaaS软件，支持K12和高等教育机构的学习。开源学习管理系统。创建者为开发人员提供源代码，以进行相应修改。因此不产生许可费。但在某些情形下，会产生下载费用。

3)Moodle是最热门的开源平台。该软件可下载，并免费修改。SAP Litmos是企业学习管理系统的一个例子，该企业学习管理系统有助于公司采用在线学习模式。

高等教育市场充斥着能满足各类需求的大量课程。旨在发展员工胜任力的NKI远程教育网络就是最新的一个例子。在线执行MBA课程也大量应用了学习管理系统。这为忙碌的职场人士提供了灵活的学习模式，可以根据自身进度学习。QUANTIC美国昆藤商学院的在线MBA学位项目就是一个明证。

Technology)由美国远程教育认证委员会(DEAC)认证，提供两个屡获殊荣﹑招生严谨并经济实惠的MBA和EMBA学位项目，以普及精英商业教育为目标。作为一所未来商学院，昆藤结合创新科技与传统精英商学院的优势，为学员提供“移动优先，网络聚焦”的学习体验。目前，昆藤的学员与校友网络覆盖全球150多个国家和地区，他们大多来自全球名列前茅的大学，包括斯坦福、牛津、剑桥和新加坡国立大学等;或就职于各大知名企业，如苹果、谷歌、亚马逊、脸书和埃森哲等。

昆藤现有成熟的学习管理系统，能为员工营造更灵活、更便捷和参与性更高的学习环境，同时为企业省下一大笔开发学习管理系统的人力、精力及预算。员工们可以随时随地，通过任何设备登录昆藤应用程序，自主学习得更多、更快和更好。同时，企业和组织还能实时对每位员工的学习进展进行追踪，保证更有效的学习成果，用更少的预算为企业带来更高回报的长期效益。此外昆藤还提供员工学费援助计划，有助于降低人才流失，吸引合格的求职者。

如今，想要为企业寻得更理想的培训，你需要采纳学习管理系统解决方案来为管理和部门团队提供支持。如果你还在思考用户界面如何设计，如何对集体学习成果进行有效追踪，如何充分利用培训开支，如何调动员工学习的积极性……这些复杂而又必须面对的问题，那QUANTIC美国昆藤商学院一定会给你带来惊喜!

此外，美国昆藤商学院启动“昆藤中国MBA奖学金”计划，旨在为中国的优秀学员提供全额奖学金，切实地帮助他们踏上未来商业领袖之路。该奖学金计划将于2022年5月1日至2023年4月30日开放申请，奖学金评审委员会将根据申请者的学术水平、工作经验、个人成就、面试表现等进行独立而严谨的评估，并在所有被录取的学员中择优授予。

即刻登录昆藤官网，抢先浏览这个可信赖的创新学习管理系统!

更多实用干货分享尽在昆藤博客，敬请关注Quantic美国昆藤商学院微信服务号(美国Quantic)!

未来商学院已经登陆.培养下一代商业领袖

移动优先.网络聚焦.屡获殊荣

招生严谨.全球150多个国家和地区

是由美国远程教育认证委员会认证的“移动优先”商学院。

职业发展, 职业晋升, 就业机会, 学历提升, 能力提高, 人脉积累, 视野拓展, 招生, 报考条件, 备考

（免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。）

}

侯彪　教授、博导/硕导
计算机科学与技术（081200）
控制科学与工程（081100）
计算机科学与技术（081200）
控制科学与工程（081100）
电子信息（085400）　
工作单位：人工智能学院

通信地址：陕西西安太白南路2号224信箱（710071）
办公地点：陕西西安太白南路2号西安电子科技大学主楼2区413室

侯彪，华山********，博导/硕导，人工智能学院执行院长，智能感知与图像理解教育部重点实验室副主任，智能感知与计算国际联合研究中心副主任，智能遥感大数据解译研究中心主任，智能信息处理研究所副所长。IEEE会员，IET西安分会执行委员会委员，中国人工智能学会理事，中国人工智能学会智能科学专业委员会委员，西安市人工智能产业发展联盟副理事长，陕西智库联盟第一届理事会理事，中国电子学会高级会员，陕西省信号处理学会副理事长，陕西省自动化学会理事，中国航空学会信息融合分会委员，国际数字地球学会中国国家委员会微波遥感专业委员会委员，教育部创新团队成员，中国计算机学会会员。

从事深度学习、遥感影像解译与目标识别、无人系统协同感知、视频图像分析等研究；获陕西省科学技术奖一等奖（2017）、教育部自然科学奖二等奖（2016），教育部新世纪优秀人才支持计划（2010），教育部自然科学奖一等奖（2009）、教育部技术发明奖二等奖（2011）、陕西省科学技术奖一等奖（2012），军队科技进步三等奖（2013），第十届陕西青年科技奖（2014），华为云AI名师奖（2020）。
“西电AI”微信公众号：
“西电遥感脑”微信公众号：

一、视频图像建模、表示与学习
1.多尺度几何分析与图像稀疏表示
稀疏作为图像信号的先验特性，近年来得到了越来越多的关注和研究，而在众多信号处理的领域，稀疏表示也得到了更多的应用，为图像分析提供了有效的工具。传统方法通常处理的是二维图像，对于图像中的复杂结构，通常维数高，类型多，如何有效的表示这些高维奇异性，则成为目前国际研究的热点和难点问题。虽然传统的数据表示方法，如小波等，能有效表示图像，但存在高维奇异性逼近效率低、难以捕获复杂图像中方向信息等难点问题。
Analysis）研究，如小波（Wavelet），脊波（Ridgelet），曲线波（Curvelet），梳状波（Brushlet），轮廓波（Contourlet），楔形波（Wedgelet），子束波（Beamlet），条带波（Bandelet），方向波（Directionlet），剪切波（Shearlet）等等，利用函数的非线性逼近理论，在多尺度几何分析图像稀疏表示模型、图像高维奇异性感知与表达问题上取得了突破。针对图像的稀疏建模与表示问题，构造了各向异性的多尺度几何基函数，提出了相应的快速算法，为解决图像方向信息建模与分析提供了有效的理论和方法。针对图像高维奇异性感知与表达问题，提出了图像稀疏表示和特征提取的新方法，突破了复杂图像结构信息检测与提取的瓶颈。
图1 多尺度几何分析的方向基函数
原像四视幅度图非下采样Shearlet变换去噪
图2 Lena图像（四视幅度）乘性相干斑去噪结果
2.类脑感知、学习与认知
针对信息压缩的采样、表示学习与感知等基础理论，建立了类脑压缩表示学习与深度认知推理的框架；提出了基于半监督学习的联合稀疏恢复算法，实现了机器学习与稀疏优化理论的融合；提出了面向聚类任务的压缩采样学习与模糊稀疏子空间分割联合框架，缓解了高维空间内数据聚类复杂度高且可分性弱的核心瓶颈，从而降低了聚类误差；提出了基于生成式模型的分层结构化图像表示框架，通过对分层的隐变量利用结构稀疏与低秩先验建模，解决了数据域和特征域中类内差异成份与类间相似成份的表征问题，并能实现图像分类性能的显著提升；提出了非线性协同稀疏模型，解决了在合成稀疏模型中隐变量推断复杂度高且隐变量先验函数选择无法自适应于任务的问题，实现了任务驱动的先验正则函数快速判别式学习，并提高了隐变量推断与分类的效率。
智能视频分析技术是一种涉及图像处理、模式识别、人工智能等多个领域的智能分析技术。它能够对视频区域内出现的警戒区警戒线闯入、物品遗留或丢失、逆行、人群密度异常等异常情况进行分析，及时发出告警信息，并可根据对实时、历史视频的有效信息，对人、车、物、行为等进行结构化提取，并进行智能分析，实现特定目标的快速定位、查找、检测、识别、跟踪和检索。在工业生产现场、生活社区、安全要求敏感等场合，智能视频分析技术有重要应用价值，对维护国家及公共安全有现实意义。
团队结合视觉感知机理和脑认知机理，针对复杂环境因素造成现有成像设备得到的视频出现严重的失真或模糊现象，研究了视频图像的优化处理如去雾、去噪、去模糊、夜间增强、超分辨重建等技术。针对视频大数据应用中，异常事件监测及预警的自动化、智能化、实时化等需求，研究了基于深度学习的目标检测、目标识别、目标跟踪、姿态检测、人群密度检测等算法，设计实现了具有异常跟踪检测、跌倒检测、奔跑检测、违禁区域闯入检测、打架检测、人群密度预警等功能的智能视频分析系统，极大的减少了安防所需的人力物力，提升了异常事件的处理效率。
图5 视频夜间增强技术
图6 视频监控智能分析系统（实现了行人和车辆等的异常行为检测，如奔跑、闯入、跟踪、摔倒等等）
二、空地协同无人系统与群体智能
无人机与无人车是集群系统中最具有代表性的两种对象，通过无人机与无人车的合理配合，可以弥补单一类型对象的不足，有效提升协同作业效能。无人机与无人车协同在智能交通、灾后救援及军事作战等多领域都具有广阔的应用前景，是异构机器人协同系统问题中的研究热点。通过多无人机与地面车辆的交互协同和信息融合，提供跨域感知能力，拓展地面侦察车辆信息获取的精度和维度，提升异构集群系统的态势感知效能。
团队研究了智能无人系统协同感知、认知和自主决策、群体智能学习理论与方法等、研究了自主避障、路径规划、目标检测与跟踪、高效定位与姿态估计等技术。建立了无人系统目标检测跟踪的深度学习方法，研制了视频图像目标检测跟踪系统，实现了无人机感知前端异常目标的检测识别、行为分析与事件检测，为任务决策提供智力辅助，提高决策水平，在无人机、无人驾驶、安防监控等领域具有广阔的前景。

图7 无人机实时视频目标识别与跟踪系统
图8 视频图像目标检测与跟踪系统
三、SAR图像理解与解译
1.SAR图像解译与目标识别
雷达的功能已从早期的目标探测（“千里眼”）演化为目标成像和目标解译。合成孔径雷达（SAR）技术从过去的单极化、单波段、固定入射角、单模式，已经迅速发展成为高分辨、多极化、多波段、多模式、多平台的成像雷达，同时干涉SAR、超宽带、多卫星群等技术也在不断涌现。这些大量新型SAR数据包含的信息越来越丰富，这些图像数据为目标检测和识别，及各种地面活动的监测提供了直接的手段。如何更为有效、全面的分析和利用这些数据集，实现高效的场景解译，从中发现规律，并寻找感兴趣的目标知识是当前SAR领域研究的关键问题。
团队利用视觉感知、语义分析、深度学习、类脑智能、压缩感知等，在SAR数据采样与重建、SAR图像地物识别与动态监测、SAR目标检测与识别上取得了突破。针对SAR数据采样与重建问题，构造了基于重采样机制的SAR数据获取方法，建立了基于多变量压缩感知的图像重建方法，为解决非整数Nyquist采样率和随机观测下的SAR数据恢复提供了有效的信号处理理论和方法。针对SAR图像地物识别与动态监测问题，提出了SAR图像特征提取、语义分类与分割的新方法，为发展SAR在水监测、土地利用监测、测绘等的应用提供了技术保障。针对SAR目标检测与识别问题，提出了机场、舰船等目标检测与识别的高效方法，推动了SAR图像解译、目标检测与识别技术的发展。
图9 SAR图像理解与解译系统
图10 SAR图像地物分类与变化检测系统
图12 基于深度学习的在轨SAR影像变化检测系统
2.提出了类脑成像方法
现有的SAR成像仅能对整个场景成像，无法直接获得感兴趣“目标成像”的结果。现有雷达体制中采样、成像与解译单纯自底向上的过程无法根据任务、场景、对象与环境自适应进行调整，这种弱自适应能力带来的缺乏应变性不仅将造成雷达系统在实际任务中的信息冗余与资源浪费，而且基于Nyquist高速采样会造成硬件成本提高，信息提取效率降低，不利于后续的目标识别。
团队针对高分辨SAR目标成像与识别，提出了语义先验学习模型的面向目标的类脑成像框架，突破了奈奎斯特采样的瓶颈，实现了在少量观测视角的低采样回波数据条件下，感兴趣目标增强与背景杂波抑制的类脑成像方法，相比传统以及压缩感知等主流SAR算法，大幅度地提高了目标杂波比同时缓解了数据获取与高速采样的压力。下图11给出了MSTAR目标的实验结果，该实验数据采用美国国防高等研究计划署(DARPA)支持的MSTAR计划所公布的实测SAR地面静止目标数据，传感器为高分辨聚束式合成孔径雷达，分辨率为0.3m×0.3m，X波段，HH极化方式。
图13 不同MSTAR目标的“场景成像”（每幅左边一列）和“类脑成像”（每幅右边一列）结果对比
3.类脑雷达系统及FPGA原理样机
目前雷达影像解译技术随着雷达的发展得到了广泛的研究，但对于核心算法和专用算法的研究目前较少，例如核心技术的DSP、FPGA、VLSI等的设计与实现，尤其是原理样机的研制，国内外还未见报道。如何和现有雷达系统有效的结合，通过应用异构多核数据处理技术，解决现有星载/机载/弹载计算机处理能力不足的问题，并设计适用的硬件支持平台成为雷达影像自动理解与解译实用化的一个关键问题。
团队针对雷达影像高维、非结构化、目标繁多信息混杂等问题，借鉴人类大脑的信息感知机制和认知机理，以及多尺度视觉感知模型，提出了感知-认知-强化为一体的类脑智能计算新理论与新方法，成功地采用友晶DE5-Net FPGA优化设计并研制了13层深度卷积神经网路的雷达图像目标识别技术，在高分辨雷达影像实时计算方面取得了突破性进展，研制成功类脑雷达系统及原理样机，实现了雷达从“千里眼”到“雷达脑”的转变。
图16 MSTAR实测目标的检测与识别结果
图17 桥梁检测结果（该实验数据采用美国桑迪亚国家实验室(Sandia)的机载SAR数据，分辨率为1米，Ku波段）
随着芯片技术的发展，采用GPU的系统也趋于小型化、可移动性，而SAR影像解译所需的大计算量，以及飞机、舰船等移动环境的需要，使得核心算法和专用算法的GPU方案设计也逐渐成为一个重要的分支。团队研发了面向SAR图像解译系统的深度学习VPX-GPU系统，该系统是深度学习处理机的VPX架构实现方案，采用NVIDIA Tesla M6 GPU 加速器，包含一片系统处理板和两片GPU加速处理板，实现了各种深度学习平台如：Caffe、TensorFlow、MXnet、Kares等的无缝移植。该系统采用稳固的VPX连接器方案，适合飞机、舰船等非静止状态的环境。
5.极化SAR地物分类和变化检测
相比于单极化SAR，极化SAR(Polarimetric SAR，PolSAR)一方面通过分析得到的全散射矩阵来推测地物目标的几何结构等细节特性以及地物目标的介电常数信息，另一方面通过选择合适的极化合成方式可以突出地物目标的分布区域，地物层次的变化。地物分类和变化检测是PolSAR图像理解与解译的一个重要任务之一，对于地质勘探，植被海洋监测与预警起了至关重要的作用。
团队针对当前极化SAR数据处理只关注极化散射特性，而没有考虑人类视觉感知特性的问题，利用视觉先验，将压缩感知理论和视觉注意理论相结合，提出高分辨极化SAR图像的稀疏模型与自适应学习字典构造方法，建立了极化SAR图像地物分类和变化检测。受大脑感知、学习表示与决策融合过程的启发，针对PolSAR不同模态的数据，构造了多模块的深层神经网络来感知不同模态下的特征表示，提高了极化SAR图像的分类效果。
干涉SAR（InSAR）获取高精度地形图的问题就是干涉SAR的图像质量差。干涉SAR由于受阴影、顶底倒置、遮挡等因素的影响，即使在噪声抑制之后，SAR干涉图像的信噪比仍比较低，给相位展开带来了很大的困难。因此必须寻求提高干涉SAR图像质量的新技术。在单一基线干涉SAR中，由于信源较少，配准精度、相位展开精度等很难取得大的提高。近几年来，多基线干涉SAR技术倍受关注，它通过综合多基线获取的多元干涉信息获得高精度的地形高程。因此利用多基线干涉SAR数据处理来提高干涉SAR的测高精度成为未来干涉SAR数据处理的研究重点。并且在此基础上可以利用类似光学图像超分辨复原问题的线性病态模型，通过引入关于成像场景的先验信息，利用稀疏信号处理的方法来改善单基线干涉SAR数据质量，上述通过数据处理方法改善干涉SAR测量精度的方式由于硬件成本低、可行性好，因此对于干涉SAR的应用具有很大的现实意义。
团队基于稀疏表示理论，研究参数化模型的干涉SAR的超分辨理论和方法，利用稀疏学习方法提高干涉数据质量，在相位解缠的精确性、完整性和一致性要求的核心技术难题上取得突破，实现目标的高精度雷达干涉DEM重建。研究了基于干涉相干性的地物分类、基于高程信息的地物检测及分类、结合高程信息及纹理信息的地形解析/分类等等。
图22 DEM重建图的纹理渲染结果
7.视频SAR运动目标检测、识别与跟踪
SAR地面运动目标检测和分析是利用SAR实现空间对地观测运用的一个主要方面，具有重要的战略作用。如何高效的检测出运动目标、确定目标运动参数及其位置并对运动目标成像是监视雷达的主要任务。无论在军事和民用方面，利用SAR进行地面运动目标检测和成像都具有重要意义，是目前研究的热点。国内外对基于单通道、多通道、分布式小卫星等的雷达系统的动目标的检测和成像方法进行了深入研究。VideoSAR（视频SAR）是美国Sandia实验室在2003年提出的新型成像模式，通过对场景连续的高分辨率成像，实现对地面的动态观测，可获得运动目标的相关信息，并进行跟踪。由于运动目标在雷达视线上的径向运动速度的存在，其多普勒频率和它所处的杂波单元的多普勒频率是不同的，使得运动目标在成像时发生偏移和散焦，给SAR运动目标的检测、识别与跟踪带来了困难。
团队针对VideoSAR的成像特点，以智能化目标识别和跟踪应用需求为牵引，重点开展VideoSAR视觉目标自学习理论、面向VideoSAR弱小目标的机器学习与认知方法、面向VideoSAR的类脑学习模型、星上计算资源受限的学习理论与硬件实现技术等，实现VideoSAR运动目标的关联识别，提高动目标检测、识别与跟踪算法的稳定性。
遥感技术作为一种重要的对地观测技术，能够通过航空、航天传感器在不直接接触地物表面的情况下获取地物的信息。光学遥感影像是遥感技术的主要分支之一，具有“三高”的特点：(1)高空间分辨率，如QuickBird，IKONOS，中国高分系列遥感卫星；(2)高光谱分辨率，如Hyperion，AVIRIS和ROSIS；(3)高时间分辨率，如MODIS。光学遥感影像的这些特点为其广泛应用提供了可能。光学遥感器所获取的信息中最重要的特性有三个，即光谱特性，辐射度量特性和几何特性，这些特性确定了光学遥感器的性能。“三高”遥感影像的出现使得遥感影像处理难度越来越高，传统的遥感影像处理方法难以满足对遥感影像处理质量、效率的要求。课题组在多年研究基础上，建立了“遥感脑”，在遥感影像的感知、认知、推理、决策等方面建立了系统的类脑解译理论和方法。
1.可见光遥感图像解译
面向高分辨可见光遥感影像地物分类、目标检测、路网和水域提取、超分辨等，通过挖掘遥感影像特征，研究了遥感影像中乡村道路、城市道路和水域的自动提取，提出了城市道路提取的角度纹理特征匹配算法，乡村道路提取的多角度边界模板响应算法，以及水域边线提取的光谱特征相似度检测算法；针对传统大场景车辆检测效率低，定位误差偏大等问题，提出了光学图像和Lidar图像融合下的显著性车辆检测。针对目前已有的舰船检测在高分辨大场景下搜索速度慢，识别精度低等问题，提出了基于激光雷达和光学遥感图像融合的大场景舰船检测。针对遥感影像的数据量大、信息丰富便于利用的特点，搭建了高性能计算机集群，采用了最新的分布式高性能集群技术，建立了基于深度学习的目标检测与地物分类技术，研制了基于GPU和FPGA的遥感影像大数据类脑解译系统。
图24 光学图像和Lidar图像融合下的显著性车辆检测
图25 高分辨可见光遥感影像水系提取结果
图27 基于稀疏表示和全局字典模型的自适应遥感图像超分辨
图28 基于GPU的遥感影像大数据类脑解译系统，实现了超过20层的深度CNN网络
图29 基于FPGA（Altera A10）的遥感影像大数据类脑解译系统
提出了基于参考辐射源与场景相结合的自适应非均匀性校正、基于边缘地物的自适应图像复原与补偿和基于直方图均衡化的自适应红外图像增强技术；针对目标的红外辐射特性和图像特征，提出了进行兴趣区检测的方法，降低背景干扰，提高目标探测概率，利用基于视觉注意机制和纹理分割实现兴趣区的检测；针对红外图像中目标的多描述特性，提出了一种基于多尺度几何分析、超完备字典稀疏编码和统计分析的红外图像目标特征提取方法；针对红外图像中目标易受噪声、遮挡的问题，提出了一种基于大规模稀疏核机器学习的快速目标识别分类方法；建立了红外图像解译系统，形成了相应的模型算法和软件组件。
图30 红外图像去噪技术
图31 基于图模型的红外图像分割技术
视频卫星通过一定时间间隔的时序图像组成视频，适于对动态目标进行分析，获得目标的速度和方向，这些重要信息从传统静态图像中难以获得。能够获取高空间分辨率对地观测动态视频，为国土资源监测、矿产资源开发、林业普查、环境保护、交通运输、防灾救灾等领域提供信息支持服务。“吉林一号”一箭四星于2015年10月7日成功发射，其中包括一颗光学遥感主星、一颗灵巧成像验证星、两颗灵巧成像视频星，开创了我国商业卫星应用领域多个第一。2017年1月9日，视频03星再次成功发射，共同组成了“吉林一号”卫星星座。2017年11月21日，我国在太原卫星发射中心用长征六号运载火箭以一箭三星方式，将吉林一号视频04、05、06星发射升空，吉林一号04、05、06星将与01、02、03星组网，为“军、政、民”三界提供了大量的数据服务。
团队针对动态卫星视频中飞机、舰船、车辆等机动目标存在外观变形、光照变化、快速运动和运动模糊、背景相似干扰等问题，以及平面外旋转、平面内旋转、尺度变化、遮挡、伪装和出视野等情况，研究了基于可变形深度卷积神经网络和均值漂移的动态卫星视频解译技术，实现了静/动态背景下的单/多目标的检测、识别、跟踪、三维重建等技术，在海洋监视、环境监视、动态军事目标检测等领域有广阔的应用前景。
图33 基于卫星视频的三维建筑物重建
Caption）是一个集成计算机视觉、自然语言处理和机器学习的挑战性问题，是从图片中自动生成一段描述性文字，即“看图说话”，也就是让计算机不仅要能检测出图像中的物体，而且要理解物体之间的相互关系，最后还要用合理的语言表达出来，并且生成人类可读的句子（自然语言描述）。如在图像检索领域，利用生成的自然语言描述，可快速实现图像内容检索。又如在基于遥感图像的自动情报生成领域，遥感图像语义标注不仅提供场景内容描述，而且能产生用于战场态势的情报信息。随着空天地各种成像传感器的发展，遥感图像理解与解译取得了显著进展，尤其是遥感图像目标检测分类与识别。但是，检测分类与识别仅仅是给出了目标属性（类型、国别等等），目标之间的关联、目标和地物之间的分布等等则无法得到。因此如何实现高效的遥感图像语义标注，成为提高遥感图像场景分析、高层语义抽取和情报生成效率的关键难题。
团队建立了基于CNN和LSTM的遥感图像语义标注方法，该方法有效的结合了CNN在特征提取和目标检测的优点，以及LSTM在语义合成的优势。首先通过对标签数据进行训练得到一个CNN模型，对输入的遥感图像，利用该模型得到多个候选区域并提取图像特征；然后通过该模型对候选区域识别获得背景和目标类别等信息；最后将结果经过Maxpooling得到图像的高层语义信息，最后输入到LSTM生成遥感图像语义描述。团队和陕西北斗金控信息服务有限公司合作，研发了基于高分1号、2号和3号等系列卫星遥感图像语义标注产品，在海量遥感图像检索和管理、大规模遥感图像分类等方面开展示范应用。
图34 遥感图像语义标注系统
四、大数据分析与挖掘技术
1.遥感领域的大规模知识图谱构建技术
我国多源航天航空遥感数据资源大概以每年50%以上的速度递增，并且非结构化数据已成为当前资源的主体，它是远比结构化数据广泛存在的数据形式。由于目前缺乏较好的大数据的分析工具和方法，而使大量隐藏在其中的有价值信息不能够及时被发现，这给遥感信息资源在各领域和各部门之间的交流与共享及有效的情报应用带来了极大地困扰。现有的数据/信息处理技术均难以满足当前这些多源大数据分析与预测的需求，目前我国关于非结构化大数据处理与应用的能力、效率与精度上仍然相当低下，与当前大数据处理的需求之间形成突出的矛盾。知识图谱技术能够将海量遥感大数据中的信息、数据以及连接关系汇聚为知识，实现用户智能化检索与意图推理。
团队针对多源遥感数据应用中的信息整合、系统集成、情报保障智能化、自动化需求，瞄准多源遥感信息快速关联、高效检索以及隐含关系发现等需求，突破基于多源遥感数据信息关联挖掘与结构化表达技术、多源遥感信息实体抽取、实体关系表达与构建、隐藏关系挖掘等关键技术，建立完备的遥感知识空间语义模型，构建具有强大互联能力的遥感领域大规模知识图谱，实现以地物、目标、情报和服务为主题中心的知识互联，提升多源遥感信息领域的知识获取与推理能力，形成遥感领域知识图谱的应用模式。同时，融合知识图谱与深度学习，利用蕴含于知识图谱中的知识指导深度神经网络模型的学习从而提升模型的性能，进一步提升深度学习模型在遥感领域的应用效果。
2.基于高分辨影像数据和北斗高精度位置数据的时空地理信息融合与服务技术
我国航天工业体系构建了门类齐全的通信、导航、遥感等卫星系统，形成了具有一定规模和广泛程度的军民应用体系。遥感应用已经向深度化、综合化方向发展，产业发展初具规模。通信卫星在轨的同步轨道商业卫星10颗，包括中星系列、亚太系列等，覆盖国家和地区包括中国、亚太、中东、澳大利亚、欧洲、非洲等地区。北斗卫星导航系统是我国自主建设、与世界其他卫星导航系统兼容共用的全球卫星导航系统。遥感卫星网为我们建立了一个多波段、多时相、多分辨率的“瞭望哨”，导航卫星为我们提供了实时的“指南针”，通讯卫星为我们提供了无处不在的、全实时“中继基站”服务。这些卫星系统提供了完备的时间、位置、影像和地理信息，可基于其提供的环境信息进行分析判断并应用于各种服务,现代信息化社会的发展对开展通信、导航、遥感更提出了更高的要求。
团队针对多源遥感信息反映地物和目标复杂、不确定的特征，基于类脑计算和云计算，利用视觉系统的分层感知结构和脑的深度结构，通过知识推理模型融合高分辨率影像数据和北斗高精度位置数据的时空地理信息，建立具有深度层次结构的多源异质数据协同认知模型，在基于位置服务的大数据应用开发方面取得突破性进展。团队和陕西北斗金控信息服务有限公司长期合作，研发了基于位置服务的国家需求的信息化服务产品，推进北斗导航服务模式和产品创新，在重点区域和交通、减灾、应急、反恐、农林等重点领域开展示范应用。
图35 基于高分辨影像数据和北斗高精度位置数据的城市绿地分布统计

1. 教育部人工智能算法战略研究项目，脑启发机制的人工智能模型与算法规划研究，1/12
2. 国家自然科学基金面上项目，**，基于脑启发的PolSAR图像深层协同表示学习与分类，0/12
3. 部委项目，基于人工智能的图像处理和舰船目标识别技术，0/12
4. 国家自然科学基金重大研究计划，**，稀疏认知下的遥感影像在轨变化检测与目标提取，8/12
5. 陕西省重点科技创新团队，D**，智能感知与图像理解，6/8
6. 陕西省科技统筹创新工程计划项目，2015TZC-G-6-7，高分辨率SAR图像协同认知关键技术及软件系统，6/12
7. 国家“973”计划项目子课题，，非结构化环境的协同感知与高效目标相关信息获取, 2013/01－2017/12
8. 教育部博士点基金，20**9，基于压缩感知和视觉先验学习的极化SAR图像识别与分类，5/12
9. 国家自然科学基金面上项目，**，基于视觉先验学习和混合因子分析的极化SAR图像识别与分类，6/12
10. 教育部新世纪优秀人才支持计划，NCET-10-0666，多尺度几何SAR遮挡目标检测与识别，3/12
11. 国家自然科学基金面上项目，**，基于Sparse-Land模型的SAR图像噪声抑制与分割，2/12
12. “863”计划，，多尺度几何SAR影像智能信息提取与目标识别，9/12
13. 国家“973”计划项目子课题，，基于机器学习的医学影像处理与分析，2008/01－2011/12
14. 高等学校科技创新工程重大项目培育项目，706053，高分辨信息感知、获取、处理和传输技术研究，8/12
15. 国家自然科学基金面上项目，**，基于Contourlet的图像奇异性检测，7/12

焦李成，李阳阳，侯彪，石光明. 人工智能学院本硕博培养体系.清华大学出版社, 2019.
焦李成，侯彪等. 人工智能、类脑计算与图像解译前沿. 西安电子科技大学出版社，2019.
田小林，孙其功，焦李成，侯彪. 人工智能创新室验教程. 西安电子科技大学出版社，2019.
孙其功，邬刚，田小林，陈永，侯彪等. 深度神经网络FPGA设计与实现. 西安电子科技大学出版社，2019.
焦李成，刘芳，李玲玲，杨淑媛，侯彪等. 遥感影像深度学习智能解译与识别. 西安电子科技大学出版社，2019.
焦李成，侯彪等.雷达图像解译技术.国防工业出版社, 2017.
焦李成，侯彪等. 智能SAR影像变化检测. 科学出版社, 2017
焦李成，尚荣华, 刘芳, 杨淑媛, 侯彪等. 稀疏学习、分类与识别. 科学出版社, 2017
焦李成，尚荣华, 刘芳, 杨淑媛, 侯彪等. 认知计算与多目标优化. 科学出版社, 2017
焦李成，侯彪等.图像多尺度几何分析理论与应用. 西安电子科技大学出版社, 2008
焦李成，张向荣，侯彪等. 智能SAR图像处理与解译. 科学出版社, 2008
焦李成，公茂果，王爽，侯彪等. 自然计算、机器学习与图像理解前沿. 西安电子科技大学出版社, 2008

基于马尔科夫判别谱聚类的极化SAR图像分类方法

张姝茵，侯彪，焦李成，吴倩.

基于稀疏自编码器和边缘保持的Wishart马尔科夫随机场的极化SAR图像分类

朱虎明，李佩，焦李成，杨淑媛，侯彪.

深度神经网络并行化研究综述高概率选择和自适应MRF的极化SAR分类基于半监督学习的SVM-Wishart极化SAR图像分类方法 2015年度雷达学报高被引论文

王爽，于佳平，刘坤，侯彪，焦李成.

基于双边滤波的极化SAR 相干斑抑制

侯彪, 胡育辉, 焦李成.

侯彪，翟艳霞，焦李成.

基于局部平移瑞利分布模型的SAR图像相干斑抑制. 基于非下采样Contourlet域局部高斯模型和MAP的SAR图像相干斑抑制.

侯彪，刘凤，焦李成，包慧东.

基于小波域隐马尔科夫树模型的图像分割.

侯彪，徐婧，刘凤，焦李成.

基于第二代Bandelet域隐马尔科夫树模型的图像分割.

侯彪，刘凤，焦李成，包慧东.

基于自适应窗口固定及传播的多尺度纹理图像分割. 基于改进Wedgelet变换的SAR图像边缘检测. 基于自适应窗和形状自适应小波变换的SAR图像相干斑抑制.

白静，侯彪，王爽，焦李成，

基于提升Directionlet域高斯混合尺度模型SAR图像噪声抑制基于脊波变换的直线特征检测

侯彪，刘芳，焦李成，基于小波变换的高分辨SAR港口目标自动分割. 红外与毫米波学报. ): 385-389

侯彪，焦李成，张华，王爽，马晶晶，马文萍，冯婕，张小华. 结合LBP特征图与卷积神经网络的人脸识别方法.专利号：ZL3.6，授权时间：.
侯彪，王蓝琦，焦李成，马文萍，马晶晶，杨淑媛. 基于稀疏表示和高斯分布的SAR图像分类方法. 专利号：ZL9.4，授权时间：.
侯彪，任仲乐，吴倩，焦李成，马晶晶，马文萍，王爽，白静. 基于分布和结构匹配生成对抗网络的SAR图像地物分类方法. 专利号：ZL20**，授权时间：.
侯彪，焦李成，种毫，马晶晶，马文萍，白静. 一种基于FPGA异构计算的桥梁检测方法. 专利号：ZL7X，授权时间：.
侯彪，焦李成，李琳，马晶晶，马文萍，白静. 基于强度比和空间结构特征提取的高分辨SAR图像分类方法. 专利号：ZL20**，授权时间：.
侯彪，焦李成，杨晨，马晶晶，马文萍，王爽，白静. 基于DFIC超像素的PolSAR图像地物分类方法.专利号：ZL0.5，授权时间：.
侯彪，焦李成，张华，王爽，马晶晶，马文萍，冯婕，张小华. Maxout多卷积神经网络融合人脸识别方法和系统.专利号：ZL7.3，授权时间：.
侯彪，焦李成，郑伟伟，王爽，马晶晶，马文萍，冯婕，张小华. 自适应体散射模型的freeman/特征值分解方法.专利号：ZL2.4，授权时间：.
侯彪，焦李成，牟树根，王爽，张向荣，马文萍，马晶晶. 基于收缩自编码器的SAR图像分类方法. 专利号：ZL4.6，授权时间：.
侯彪，焦李成，赵岐，王爽，马晶晶，马文萍，冯婕，张小华. 基于证据理论算法的SAR图像中检测建筑物方法.专利号：ZL8.3，授权时间：.
侯彪，焦李成，刘胜男，马晶晶，马文萍，王爽，白静. 基于SAR-KAZE特征提取的SAR图像分割方法.专利号：ZL6.8，授权时间：.
侯彪，焦李成，于竞竞，王爽，马晶晶，马文萍，冯婕，张小华. 基于共稀疏模型的高分辨SAR图像分类方法. 专利号：ZL 4.8，授权时间：.
侯彪，焦李成，唐欢，马晶晶，马文萍，王爽，白静. 基于子模字典学习的SAR图像分割方法. 专利号：ZL8.8，授权时间：.
侯彪，焦李成，侯伟丹，王爽，马晶晶，马文萍，冯婕，张小华. 基于空间信息和深度学习的极化SAR图像分类方法.专利号：ZL9.6，授权时间：.
侯彪，焦李成，鞠贵林，王爽，张向荣，马文萍，马晶晶.基于纹理特征和结构相似度的SAR图像质量评估方法. 专利号：ZL6.0，授权时间：.
侯彪，焦李成，刘达，姚若玉，马晶晶，马文萍，张涛，刘闯.基于空域混合模型的高分辨SAR图像目标检测方法. 专利号：ZL9.X，授权时间：.
侯彪，焦李成，许声红，马晶晶，熊涛，马文萍，刘红英. 基于Gamma分布的异质超像素SAR图像分割方法. 专利号：ZL7.1，授权时间：.
侯彪，焦李成，刘小娟，马晶晶，张向荣，马文萍.基于稀疏深度堆栈网络的极化SAR图像分类方法. 专利号：ZL4.1，授权时间：.
侯彪，焦李成，刘贺，姚若玉，马晶晶，马文萍. 基于深层特征学习和分水岭的SAR图像分类方法. 专利号：ZL0.1，授权时间：.
侯彪，焦李成，吕宏昌，马晶晶，张向荣，马文萍，刘红英.基于张量和稀疏自编码器的极化SAR图像分类方法. 专利号：ZL7.1，授权时间：.
侯彪，焦李成，寇杏子，王爽，张向荣，马文萍，马晶晶. 结合极化特征和分水岭的极化SAR图像分类方法. 专利号：ZL3.X，授权时间：.
侯彪，焦李成，牛志伟，王爽，张向荣，马文萍，马晶晶. 一种基于边缘信息和反卷积的SAR图像超分辨率方法. 专利号：ZL1.8，授权时间：.
侯彪，焦李成，李振炜，张向荣，马文萍，王爽，李卫斌.基于BP优化的压缩感知多层ISAR成像方法.专利号：ZL2.0，授权时间：.
侯彪，寇宏达，焦李成，王爽，张向荣，马文萍.基于深度神经网络的极化SAR图像分类方法. 专利号：ZL9.5， .
侯彪，吴小芳，焦李成，王爽，张向荣，马文萍.基于图和Wishart距离的极化SAR图像分类方法.专利号：ZL5.9，授权时间：.
侯彪，焦李成，张寒冰，马晶晶，张向荣，马文萍.基于矩阵填充的稀疏场景下采样SAR成像方法. 专利号：ZL1.3，授权时间：.
侯彪，焦李成，龚德钊，王爽，张向荣，马文萍，马晶晶.基于图论和超像素的并行快速SAR图像分割方法.专利号： ZL4.7. 授权时间： .
侯彪，焦李成，韩博，王爽，张向荣，马晶晶，马文萍.基于K分布和纹理特征的SAR图像分割方法 .专利号： ZL8.X. 授权时间： .
侯彪，焦李成，张文科，白静，王爽，倪玉峰.基于FPGA的USB转多路链路接口电路.专利号：ZL5.X，授权时间： .
侯彪，凤宏哲，焦李成，王爽，张向荣，马文萍.基于压缩感知的二维SAR稀疏目标成像方法.专利号：ZL0.7，授权时间：.
侯彪，焦李成，陈超，王爽，张向荣，马文萍，马晶晶. 基于视觉先验模型的极化SAR图像分类方法.专利号： ZL8.5. 授权时间：.
侯彪，李博学，赵睿，焦李成，马文萍，马晶晶，张向荣，王爽.基于DSP的车载实时运动目标检测系统及其方法. 专利号：ZL8.7. 授权时间：.
焦李成，侯彪，李博学，马文萍，马晶晶，张向荣，王爽.基于并行DSP的SAR图像高速处理系统及其方法.专利号：ZL1.8 ，授权时间：.
侯彪，焦李成，李邵利，王爽，张向荣，马文萍.基于观测向量差的SAR图像纹理分类方法.专利号：ZL6.3 ，授权时间：.
侯彪，侯小瑾，周宇，焦李成，王爽.张向荣，马文萍，马晶晶.基于FPGA的K近邻分类器.专利号：ZL5.7 ，授权时间：.
侯彪，侯小瑾，赵睿，焦李成，马文萍，马晶晶，张向荣，王爽.基于嵌入式DSP的SAR图像实时分割方法.专利号：ZL4.3 ，授权时间：.
侯彪，马晶晶，陈芊芊，焦李成，张向荣，马文萍.基于Beta算法的多尺度SAR图像降噪方法.专利号：ZL3.9 ，授权时间：.
侯彪，焦李成，晨曦，王爽，张向荣，马文萍.基于压缩感知的目标重构方法.专利号：ZL8.X，授权时间：.
侯彪，焦李成，杨伟，张向荣，马文萍，王爽.基于视觉注意机制的图像显著区域检测方法.专利号：ZL9.0，授权时间：.
侯彪，焦李成，孙慧芳，刘芳，张小华，田小林，公茂果.基于SAR图像局部统计特性的K-SVD相干斑抑制方法.专利号：ZL7.3，授权时间：.
侯彪，焦李成，白雪，王爽，钟桦，张小华，公茂果，缑水平.基于Gabor特征的三马尔可夫场SAR图像分割方法. 专利号：ZL 5.8，授权时间：.
侯彪，焦李成，蒋继光，王爽，刘芳，尚荣华.基于稀疏表示的SAR图像相干斑抑制方法. 专利号：ZL 9.7，授权时间：.
侯彪，焦李成，孙慧芳，刘芳，张小华，田小林，公茂果.基于chelesky分解和近似奇异值分解的稀疏K-SVD噪声抑制方法. 专利号：ZL 5.X，授权时间：.
侯彪，焦李成，刘瑞清，张向荣，马文萍，王爽. 基于条件随机场和最小距离法的超光谱图像分类方法. 专利号：ZL 2.5，授权时间：.
侯彪，焦李成，刘瑞清，张向荣，马文萍，王爽. 基于条件随机场的超光谱图像分类方法. 专利号：ZL3.X，授权时间：.
侯彪，焦李成，江琼花，张向荣，马文萍，王爽. 基于视觉注意的压缩感知图像目标重构方法. 专利号：ZL4.X，授权时间：.
侯彪，焦李成，范娜，刘芳，马文萍，王爽，杨国辉. 基于显著性的SAR图像机场跑道边缘检测方法. 专利号：ZL0.X，授权时间：.
焦李成，侯彪，刘娜娜，王爽，刘芳，尚荣华. 基于局部和全局区域信息的水平集SAR图像分割方法. 专利号：ZL2.X，授权时间：.
焦李成，侯彪，蒋继光，王爽，刘芳，尚荣华. 基于小波域中字典学习的SAR图像相干斑抑制方法. 专利号：ZL3.9，授权时间：.

1.高分辨SAR影像变化检测关键技术及系统平台，中国人工智能学会优秀科技成果，2020年。
3.智能引领新工科--智能科学与技术国际化创新人才培养探索与实践，陕西省高等教育教学成果奖二等奖，2017年。
4.高分辨SAR影像变化检测关键技术及系统平台，陕西省科学技术奖一等奖，2017年。
5. 计算智能中的协作学习与优化理论及方法，教育部自然科学奖二等奖，2017年。
6. 陕西省青年科技奖，2014年。
7. SAR影像智能信息提取与目标识别，陕西省科学技术奖一等奖，2012年。
8. 高分辨图像智能信息感知与处理关键技术及软件系统，教育部技术发明奖二等奖，2012年。
9. 教育部新世纪优秀人才，2010年。
10. 智能图像理解的基础理论与方法研究，教育部自然科学奖一等奖，2010年。
11. 进化计算理论、方法及其应用，陕西省科学技术奖一等奖，2008年。

智能感知与图像理解教育部重点实验室副主任
智能感知与计算国际联合研究中心副主任
智能遥感大数据解译研究中心主任
“西安电子科技大学人工智能研究院”陕西高校新型智库主任
陕西省大数据智能感知与计算2011协同创新中心副主任
西安市类脑计算与深度学习重点实验室主任
西安人工智能工程研究中心副主任
教育部“****支持计划”智能感知与图像理解创新团队
“模式识别与人工智能”中国自动化学会创新团队
“深度学习与类脑智能”陕西省重点科技创新团队
“复杂影像智能感知与解译”陕西高校青年创新团队

目前本人承担的教学任务：
1. 智能目标识别分类技术；
2.智能信息处理新理论、新技术专题研讨；
1. 人工智能前沿导论；
4. 图像理解与计算机视觉（陕西省精品课程）

· 每年计划招2名博士、9名学术型和专业型硕士（含本部推免保送生2-3名、非全日制2名、广州研究院2名），接收外校保送生名额不限。
· 硕士招生专业为“计算机科学与技术”、“控制科学与工程”、“电子信息”。
· 博士招生专业为“计算机科学与技术”和“控制科学与工程”。
· 考生需具有较好的数学基础、较好的编程能力（Matlab、C/C++、Python）、较好的英文水平。
· 参加过人工智能大赛、数学建模竞赛、电子设计竞赛或者程序设计竞赛等各种省部级以上竞赛，录取时会优先考虑。
· 欢迎对本方向感兴趣的同学加入我们的团队。

目前研究团队承担的科研项目：

点击网页顶部“添加栏目”可以添加其他栏目
把鼠标放在栏目标题处，尝试拖动栏目。

目前本人承担的教学任务：

}

杭州 ·电力/水利 ·人

负责电力营销海量数据的深度挖掘与分析，开展大数据模型研发相关工作。
1、电量预测、投诉行为预测等商业预测模型研发；
2、信用、风控、画像等分析模型研发；
3、个性化推荐、自然语言处理等其他类型模型研发。
1、熟悉连续值预测、客户标签、行为/事件预测、个性化推荐、自然语言处理等业务问题的模型设计与研发实现，熟练使用上述需求相关统计分析技术、机器学习算法模型。
2、具备丰富的实战项目经验，熟悉项目技术风险评估。
3、熟练使用至少一种开发语言，如R、PYTHON、SPARK等。
4、有电力行业或类似行业大数据分析项目经验者优先。
5、具备较强的业务理解与转化能力，准确理解业务人员的需求，转化为技术问题开展工作。
6、具备强烈的成就感，致力于以技术价值推动公司业务成长。

朗新科技股份有限公司成立于2003年，是深交所创业板上市企业（股票代码：300682）。公司现有员工5000多人，总部位于无锡，在无锡、天津、杭州、武汉、厦门和广州设有研发中心，在北京、上海、天津、长春、兰州、贵阳等全国20多个省级城市设有分支机构。朗新科技是国家规划布局内重点软件企业、信息系统集成及服务一级资质企业、CMMI5级认证企业。

朗新科技是中国领先的公用事业行业关键业务信息技术解决方案提供商，电力营销市场占有率超过40%，居全国第一，客户覆盖国家电网和南方电网22个省市；同时，公司也是燃气行业领先的客户信息系统提供商，服务于全国最大的燃气公司—华润燃气集团以及新奥燃气等企业。朗新科技率先将套装电力营销与采集软件产品推广到了海外电力市场，产品已在尼日利亚、莫桑比克、埃及、塔吉克斯坦等多个国家得到广泛应用。
依托于在能源与公用事业行业领先的市场地位，以及在新能源、互联网、物联网、云计算、大数据等领域的技术、人才的深厚积累，朗新科技坚持“能源互联网”和“云计算大数据创新行业应用”两个业务战略方向快速发展。其中，云计算大数据创新行业应用业务群已拓展至海关、交通、金融、环保、政务、社区和工业等多个行业，并为此发展了多个业务子品牌和子公司。

杭州东部软件园(马塍路)

}

我就爱股票网