机器深度学习

实现对癫痫数据发病种类实现高精度分类，通过运用图卷积技术，以及合适的数据空间建模方法，实现癫痫数据空间相互作用之间的表征。

随着航天技术的快速发展，太空中的空间物体数量不断增加， 同时也面临着越来越多的危险和挑战，雷达反射截面（RCS）数据 已经成为识别和跟踪空间物体的重要手段。在太空技术领域，越来 越多的人造卫星、空间探测器和其他空间物体被投放到太空中，这 些物体的数量和速度不断增加，给太空环境带来了严重的安全风险 和威胁。为了保障太空安全，开展对空间物体的监测、识别和跟踪 是必要的。利用雷达 RCS 数据进行空间物体智能识别技术研究，可 以有效地提高对空间物体的识别准确度和效率，为太空监测和管理 提供有力的支持。因此，“基于雷达 RCS 数据的空间物体智能识别 技术研究”成为了当前雷达技术和太空技术领域的热门研究方向之一。 该技术的研究将有助于提高空间物体的监测和识别能力，为太空领 域的安全和可持续发展作出贡献。 传统的对基于目标 RCS 的雷达目标识别方法主要是基于信号变 换与特征提取的思想对信号进行分类和检测。通过提取目标的特征， 如峰值、宽度、斜率等，进行分析和识别，从而实现对 RCS 数据的 有效分类。此类方法使用范围单一，对于不同类型的目标，需要设 计不同的特征提取算法，且在复杂环境下容易受到干扰。此外，部 分学者在对基于目标 RCS 的雷达目标识别方法的研究过程中，采用 深度学习的手段与方法，对模型进行设计。使用深度神经网络进行 目标识别，通过对大量数据的学习和训练，实现对目标的自动识别。 然而，现有的模型大多存在复杂环境下容易受到干扰，识别准确率 受限，以及鲁棒性和泛化能力差的问题。 为了克服模型准确率受限以及鲁棒性和泛化能力差的问题。我 们受通信模型中，信道编码的自适应动态编码思想启发，提出了一 1 种可解释的自适应动态缩放卷积神经网络(Adaptive dynamic scaling of convolutional neural networks,ADS-CNN)模型，根据模型中 的特征提取状态和噪声水平来自适应地调整网络结构，从而保证模 型的分类能力，提高感知分类模型的性能。

技术方向：图像目标检测、关键点检测、目标跟踪 开发语言：C++ 部署方式：采用docker容器 部署硬件：华为Atlas、瑞芯微Rk3588等 算法说明：对视频中未佩戴安全帽、未正确穿工装、打电话、未带口罩以及吸烟等行为进行识别，并报警

技术方向：图像目标检测、目标分割 开发语言：C++ 部署方式：宿主机部署 部署硬件：GPU服务器、瑞芯微Rk3588、清微低成本芯片5368等 算法说明：支持豆类、巴旦木、大米、花生、辣椒等农作物中好坏料筛选

1、功能模块：（1）需求预测模块，根据历史数据和市场趋势，预测未来产品需求。（2）生产计划优化模块，根据需求预测和生产能力，优化生产计划，以最小化生产成本和交货时间。（3）资源分配优化模块，根据生产计划，优化人员、机器和材料的分配，以提高生产效率。（4）实时监控模块，实时监控生产过程，并根据生产进度和突发事件动态调整生产计划。（5）数据分析模块，收集和分析生产数据，以识别优化机会并提高系统性能。 2、我的职责和技术栈：作为该项目的主要开发人员，我负责以下任务。（1）生产计划优化：设计了生产计划优化算法，并将该算法与开源求解器 SCIP 集成，以求解大规模 MILP 问题。（2）资源分配优化：使用运筹优化技术，开发了资源分配优化算法，以优化人员、机器和材料的分配。 3、难点及解决办法：（1）大规模 MILP 问题：生产计划优化问题通常是 NP 难的 MILP 问题。我使用了开源求解器 SCIP 来处理大规模问题，并通过分解问题和使用启发式算法来提高求解效率。（2）实时决策：生产计划需要根据实时生产状况动态调整。我使用了流处理技术和机器学习算法来快速检测生产异常并建议替代计划。（3）算法性能优化：SCIP 求解器的性能至关重要。我通过调整求解器参数和使用并行计算技术来优化算法性能。

1、功能模块包括：交通数据收集模块，从各种传感器和数据源收集实时交通数据，包括车流量、速度和占用率；交通预测模块，使用机器学习算法，预测未来交通状况，包括拥堵热点和交通流模式；交通分配优化模块，根据交通预测和交通管理目标，优化交通信号配时和道路定价，以减少拥堵和提高通行效率；实时监控和控制模块，实时监控交通状况，并根据需要动态调整交通分配策略，以应对突发事件和交通变化；数据分析和可视化模块，收集和分析交通数据，以识别交通模式和优化机会，并通过可视化界面向用户展示结果。 2、作为该项目的主要开发人员，我负责以下任务：（1）交通预测，使用时间序列分析和机器学习算法，设计了准确的交通预测模型；（2）交通分配优化，利用运筹优化技术，包括线性规划和启发式算法，开发了高效的交通分配优化算法；（3）实时监控和控制，使用流处理技术和规则引擎，建立了实时监控和控制系统，可以检测交通拥堵并触发适当的应对措施。 3、难点和解决方案：（1）大规模数据处理，交通分配系统需要处理大量实时交通数据。我采用了分布式计算和流处理技术来解决这一挑战。（2）实时决策，交通分配策略需要根据实时交通状况动态调整，我使用了规则引擎和机器学习算法来实现快速和自动化的决策制定。

1、功能模块包括以下五部分：（1）订单管理模块，管理客户订单，包括订单接收、订单分配和订单跟踪；（2）配送路线规划模块，根据订单信息和实时交通数据，规划最优的配送路线，以最小化配送时间和成本；（3）车辆调度模块，根据配送路线，调度合适的车辆进行配送，并优化车辆装载。（4）实时监控模块，实时监控配送过程，并根据交通状况和突发事件动态调整配送计划；（5）数据分析模块，收集和分析配送数据，以识别优化机会并提高系统性能。 2、作为该项目的主要开发人员，我负责以下任务：（1）配送路线规划，使用蚁群算法和遗传算法等运筹优化技术，设计了高效的配送路线规划算法。（2）车辆调度，利用线性规划和启发式算法，实现了车辆调度模块，优化了车辆装载和配送顺序。（3）实时监控，使用流处理技术和机器学习算法，建立了实时监控系统，可以检测交通拥堵和突发事件，并及时调整配送计划。 3、难点和解决方案：（1）大规模数据处理：配送系统需要处理大量订单和实时交通数据，我采用了分布式计算和流处理技术来解决这一挑战。（2）实时决策：配送计划需要根据实时交通状况动态调整，我使用了机器学习算法来预测交通拥堵并建议替代路线。（3）算法性能优化：运筹优化算法的性能至关重要，我通过并行化算法和使用启发式技术来提高算法效率。

python angular redis mysql nginx linux 作品分类（1-5个分类）（必填）： 机器学习/深度学习 脚本编程语言 网络爬虫 日志分析和统计 项目构建 添加标签，按回车确认 HTML5开发相关文件管理器其他jQuery插件Chrome插件/扩展论坛系统BBS作业/任务调度网络爬虫日志分析和统计图形和图像工具Emoji 表情相关终端/远程登录搜索引擎项目构建REST/RESTful项目嵌入式操作系统

数据中台构建 数据中台总体设计规划 1 大数据底座设计构建； 2 数据仓库模型设计； 3 数据治理设计构建； 4 数据服务设计构建； 5 数据Portal设计开发； 6 数据安全设计开发； 7 指标体系设计开发；

基于传感器数据的预测和评估： 1、实现长时间序列预测，用于评估预测算法； 2、实现精准短时间序列预测，用于预警算法。

算法实现基于文本内容的自动匹配： 1、数据预处理，微调中文文本向量化模型和语义分割模型，实现将文本内容转化为向量； 2、构建相似向量库； 3、分析数据特征，构造匹配算法。

基于 FATE 给运营商搭建了联邦学习平台，基于 FATE 进行二次开发，支持了 FATE 现有算法的情况下，额外扩充 25 个深度学习的图像算法，GAT，GCN 等 5 个图神经网络算法，2 个 NLP 算法，额外新增了若干音视频算法 个人主要负责 FATE 平台搭建，联邦学习底层原理的研究，另外主要完成图像深度学习算法以及音视频算法的研发 在搭建的过程中，需要深度算法原理的研究，将现有算法联邦化的过程需要深入了解 FATE 的实现机制，为了保证效率和安全性需要实时跟进相关领域的论文。个人整理相关领域的文章 https://www.zhihu.com/people/hustyichi/posts

1、本项目主要实现了对癌症诊断医学图像的识别任务，并建立了与用户交互的前后端界面，辅助用户进行癌症的诊断与治疗建议，主要分为前后端、神经网络、聊天机器人等技术模块 2、上述所有技术模块均由我个人独立完成 3、主要技术难点为高质量的图像诊断模型

1、项目主要是为了满足服装配饰消费者尽量还原真实上身效果的虚拟试穿需求，分为前端、后端、图像脱敏、网络通信、图像处理模型等技术模块； 2、我主要负责图像处理模型这一块的工作，基于扩散模型和ControlNet等技术完成高质量虚拟试穿效果； 3、技术难点是如何逼真还原衣服、配饰等的纹理特征。

技术方向：图像目标检测、图像旋转目标检测、图像关键点检测、图像实例分割等 开发语言：Python、C++ 部署方式：采用docker容器 部署硬件：GPU服务器、比特大陆SE5、瑞芯微Rk3588、华为Atlas200等

使用ernie模型他是基于深度学习框架PaddlePaddle实现的。 通过自然语言处理和深度学习技术对用户发布的文本进行分析和检测，快速准确地判断其中是否含有恶意言论，在发现恶意言论 基于深度学习的ai中医舌诊 2023.04-2023.09 2022.09全国大学生数学建模竞赛 2022.09-2022.09 后，系统可立即对其进行处理，例如删除相关文本或限制发布者的行为，同时在普通用户发表言论后，也可以使用该系统进行一遍 过滤。 功能一：文本数据上传与预处理 用户能够通过系统的用户界面上传待检测的文本数据，支持直接进行文本文本检测。在上传过程中，系统应对数据进行预处理，包 括去除无关字符、标准化文本、分词等操作，以便后续的模型处理。 功能二：文本文件上传与预处理 用户能够通过系统的用户界面上传待检测的文本文本文件数据，系统支持多种文件格式的上传，如文本文件、CSV、Excel等。在 上传过程中，系统应对数据进行预处理，以便后续的模型处理。 功能三：网页文本数据预处理 用户能通过系统的用户见面输入需要进行恶意语言检测的网页url地址，上传后系统会访问网页获取到网页的文本数据，通过对文 本的预处理，获得可以进行检测的文本提供给模型进行检测。 功能四：恶意语言检测 系统应使用深度学习模型对预处理后的文本数据进行恶意语言的检测。模型应具备分类能力，能够将文本分为恶意和非恶意两类。 同时，系统应提供实时的检测结果，以供用户及时了解文本数据的恶意程度。 功能五：检测结果展示 系统应以易于理解的方式展示检测结果，通过颜色编码方式将结果呈现给用户。用户应能够直观地查看哪些文本数据被识别为恶意 语言。

一）研究目的 本项目实现一款基于wechaty的多功能服务机器人，制作一个校园官方的“朋友圈”，学生可以通过微信平台，以自然语言对话的方式简便快速地完成校内日常事务及活动发布推广；也可以通过与智能机器人对话方式获取如图像处理等趣味功能，丰富校园生活并且提升学校形象。 （二）研究内容 大学生在校园中常常有丢失物品的情况，通常会通过校园墙等渠道大海捞针式的寻找，耗时费力。如果能够借助wechaty，拾到失物者通过向微信服务机器人发送失物照片，借助AI技术对失物进行识别，即可快速匹配联系到失主。 学校管理中有大量的规章制度．例如学生竞赛、项目报销、最新防疫政策、毕业设计相关流程和要求等。师生们通常遇到问题是不知道去哪里查找对应的政策，甚至不知道该找谁询问，导致在流程上耗费了大量的时间和精力。如果能够有一个智能且友好的接入服务，针对提出的疑问自动答复，将会有力提高校园运转效率。 互联网时代传统学校招生方式也越来越不受年轻人喜欢。如何提供一种更有亲和力，更有趣的方式吸引年轻人的注意，介绍并且推广学校是一个非常需要考虑的问题。通过微信接口，可以给大众以问答的形式，实时回答各种关于至诚学院的问题。同时提供一些有趣的Al服务，例如对将个人照片嵌入校园风光，照片动漫化等。

1.支持多个大模型同时服务，图像生成/文本生成/视频 等全域开源大模型; 2.支持910b/tpu/cpu/gpu部署，支持单卡和多卡混合部署，并发支持; 3.demo使用了3种大模型, 2层级分支处理逻辑, 实现了订腾讯会议、代码解释生成、图片生成和处理一般问题； 4.深度支持RAG，检索增强生成，层次化知识存储；demo支持上传文档，体验专属个人助手(用完即删不会存档,txt或md文件)； 5.全套代码独有，支持前后端定制，支持大模型预训练/指令微调 等微调工作； 6.给出和现有系统混合协作的解决方案；

使用olllama加载本机模型，创建建modelfile对模型进行提示词构建，使用ngrok对ollama服务器进行反向代理进行公网访问

预训练大预言模型微调，使用peft库,用lora方法，使用alpaca_data_zh数据集，微调bloom-1b4-zh模型，主要分为数据处理、高效微调、模型合并等几个步骤，重点关注loss情况