【摘 要】
：
如今世界范围内的道路安全水平大幅度下降,交通事故导致死亡人数不断增加。交通事故造成的大量人员伤亡，在许多情况下，是由于不及时通知熟人或紧急情况服务导致的。为了解决这个问题，在本文中，我们使用人工智能，语音识别和Google的STT（语音到文本）技术开发了一个紧急呼救移动应用程序。我们的系统可以通过Google云服务有效地识别出受伤的语音，并自动将语音转换为文本。它还可以实时识别事故的位置，并立即向
论文部分内容阅读
如今世界范围内的道路安全水平大幅度下降,交通事故导致死亡人数不断增加。交通事故造成的大量人员伤亡，在许多情况下，是由于不及时通知熟人或紧急情况服务导致的。为了解决这个问题，在本文中，我们使用人工智能，语音识别和Google的STT（语音到文本）技术开发了一个紧急呼救移动应用程序。我们的系统可以通过Google云服务有效地识别出受伤的语音，并自动将语音转换为文本。它还可以实时识别事故的位置，并立即向响应者发送消息。此外，它通过语音识别和音频文件连接以及实时定位以文本形式收集相关信息。当一个用户在路上并且想要在发生事故时寻求紧急帮助时，他/她只需要轻按一下即可触发我们的系统自动工作。使用我们的系统，一旦事故发生，系统可以自动将他们的情况广播给他们在紧急联系人，于是可以获得更及时的帮助。此外，我们的SOS系统还可以提供其他紧急服务，例如消防员，警察部门和医疗设施，以及其他灾难。我们的实验表明，我们的系统（具有语音功能的Android应用程序）有效，强大且用户友好。
其他文献
近年来,随着我国经济的发展,无人机行业取得了蓬勃的发展。无人机在军事勘察、环境监测、应急指挥、农业生产等领域有着广泛的应用。在这些应用中,需要利用无人机拍摄图像或影像。当利用无人机拍摄图像时,受到飞行高度和相机焦距的限制,单幅图像往往无法覆盖整个目标区域。因此需要对无人机拍摄的多幅航拍图像进行拼接,来获取覆盖整个目标区域的图像。一直以来,图像拼接都是国内外研究的热点。完整的图像拼接包括图像获取、图
可满足性问题(SAT)是第一个被证明的NP-完全问题,在人工智能和计算机科学中占据着重要的位置,许多问题都可以转化为SAT问题进行求解。最近杨洋等人提出了一种新的基于局部搜索的扩展规则方法ERACC(Extension Rule Based on Accurate Configuration Checking),该方法突破了传统基于扩展规则方法对实例规模的局限。然而,ERACC在k-SAT(k&g
随着互联网技术的迅速发展,每天都有海量的数据产生,这大大提升了机器学习算法性能的同时,也让其遭受到了巨大的隐私威胁。机器学习的隐私保护已经成为当前的一个研究热点。集成学习作为机器学习的一个重要分支,被认为是人群智慧的机器学习解释,其主要思想是通过规则训练多个学习器,然后根据某种组合策略进行组合,最后以投票的方式输出最终结果。集成学习由其高精度和稳定等特点被广泛应用到数据挖掘、医疗诊断等多个领域。但
随着人工智能的兴旺，电子商务行业迎来了新的发展机遇。随着在线交易的频率和规模的增加，商家与客户之间的在线协商和沟通变得越来越频繁。因为它们无法实现谈判，也无法分析用户，因此难以针对特定用户更好地达成交易。在线交易谈判流程的自动化已逐渐成为商家和消费者的潜在需求。但是，现有的在线对话系统（例如淘宝上的阿里小蜜和京东的在线客户服务）无法很好地满足这样的需求。目前，一方面，自动谈判的研究者主要集中在计算
图作为一种无处不在的数据结构,因其强大的表示能力,广泛存在于社交网络、推荐系统、生物化学和金融系统等领域中。由于这些图数据中往往存储着很多有价值的信息,不少学者进行图数据研究以探索数据中的重要信息,其中节点分类是图数据研究中的一项热门任务。例如,在蛋白质分子网络中,通过分析蛋白质网络的相互关系进行分类学习,从而得到蛋白质的相关性质。这不仅有利于理解蛋白质的特性,而且对生物制药,农林科技等领域同样具
近年来,卷积神经网络(CNN)依靠着大量的真实数据集和高效的优化算法,已经被证明在多个领域取得了最先进的性能。尽管如此,CNN因其训练所需较高的复杂度以及黑盒特性的不可解释性阻碍着它的发展。目前,国内外学者从不同的方向来研究卷积神经网络的可解释性,前向设计卷积神经网络(Feedforward-Designed Convolutional Neural Network,FF-CNN)是众多研究成果中
随着移动终端的飞速发展,以视频为主的通信网络数据传输负载越来越大。并且通信网络业务量的时变性导致了通信系统在传输高峰期时出现交通堵塞,在传输低峰期时出现通信资源未充分利用的情况。而编码缓存正是解决这种数据传输业务与通信资源不匹配问题的技术,该技术能够尽可能利用传输低峰期时的通信资源,来降低传输高峰期时的交通拥堵,从而整体提升通信系统的传输效率。针对中心化编码缓存模型,一种名为放置传输数组(PDA)
随着通信技术的不断进步,移动互联网的使用率日益增高,无线流量业务大幅度增强。通信系统处于高峰期时,网络的传输压力急剧增强,进而导致数据传输拥堵;相反在低峰期时,出现通信资源利用不充分的情况。缓存技术随之出现,即先将一部分数据在传输低峰期时放入用户的存储设备中,以此减少传输高峰期时的传输数据。这种技术逐步应用于不同的网络模型中,本文就是针对组合网络模型和不对称网络模型进行相关问题的讨论。众所周知,在
移动边缘计算(Mobile Edge Computing,MEC)作为5G的关键技术,通过在网络边缘部署计算和存储资源,为移动网络提供IT服务环境和云计算中心能力,从而为用户提供超低时延和高带宽的网络服务解决方案。现实场景中,移动业务流量在空间上分布不均匀,这使得部分MEC服务器繁忙,而部分MEC服务器仍有空闲的计算资源,为了均衡各MEC服务器的计算负载,通过将高负载MEC服务器的任务卸载至低负载
对称可搜索加密(Symmetric Searchable Encryption,SSE)不仅可以解决数据外包的隐私问题,而且可以解决数据外包的可操作性和保密性问题。然而,大多数SSE方案都假定云是诚实但又好奇的,这种假设并不总是成立,因为服务器可能故意返回历史版本或者不完整的查询结果返回给用户以节约服务器本身的计算开销。针对此问题,即使有些方案支持在恶意云中对数据的完整性或新鲜度进行验证与检查,但