Python

长沙市大气污染监测预警与决策支撑平台建设：包括空气质量气象风险预测 预警子系统、气象预报模型（WRF）、空气质量数值预报模型（CMAQ、CMAx） 和统计预报模型（机器学习）子系统、大气污染监测分析管控子系统、大气污染 管控评估子系统、大气污染防治智慧调度子系统、污染源清单动态更新子系统等 建设。 空气质量气象风险预测预警：基于观测数据结果和 WRF 气象模拟实现 气象条件分析与预测，对生态环境管理部门发布不利气象条件预警； 气象预报模型（WRF）、空气质量数值预报模型（CMAQ、CMAx）和 统计预报模型（机器学习）实现未来 7 天逐小时精细化预报和 7-15 天的趋势预 报。高性能计算采用三重嵌套区域设置。第一区域覆盖绝大多数省、直辖市和自 治区，水平分辨率为 27km，；第二区域为湖南省及周边区域，覆盖河南、湖北、 安徽、河北、山东与山西地区，水平分辨率为 9km。第三区域覆盖湖南省全境， 水平分辨率为3km。数值预报模型的高性能计算结果必须在当天 8 时前生成。气 象预报产品包括各层的气压场、风场、降水、气象五参数、混合层高度、T-LgP 曲线等预报产品，提供欧洲中心（G

具有多子公司情况下，财务报表一般采用相同格式提报，总部需将各公司数据整合后形成合并后的报表。 此程序能够快捷地将各子公司报表按指定的规则进行合并，形成合并后的报表。

这是为了方便制作操作步骤文档而开发的工具，可以是实现截图后按顺序保存到word文档中，以便于之后编写教程用。 点击开始按钮可以实现：屏幕截图，保存到一个截图变量列表中 点击保存按钮可以实现，创建一个系统的图形化界面，将截图变量列表中的文件按顺序保存到 word 文档， 点击清空按钮时实现将截图变量列表清空； 4.同时按下ctr+空格也可以进行截图

（1） 所有客户端和服务端不直接通信，都通过共享内存或消息组件，消息组件可选Redis、Zeromq。 （2） 应用层Python和C++接口都支持消息中间件方式连接OTS2.0。 （3） 应用层C++接口提供共享内存方式连接OTS。 （4） 所有交易、义务监控等参数都存在杭州本地Redis中，由底层提供统一的访问接口。 （5） 不依赖MySQL数据库。 （6） 可实时计算指标：支持回测和实盘一份代码，减少程序依赖。

设计并实现一个智能客服聊天机器人，用于提高电信公司客户服务部门的响应速度和服务质量，减少人工客服的工作负担。 从公司数据库提取客服历史对话数据，并使用Python进行数据清洗和预处理，包括去除无用信息、文本标准化和词汇编码。 应用TensorFlow框架设计了基于Transformer的自然语言处理模型，实现了文本的自动理解和回复生成。在模型设计过程中，特别注重提高模型的泛化能力和响应质量。 使用Google Cloud Platform的计算资源进行模型训练，通过调整超参数和使用交叉验证方法优化模型表现。 将训练好的模型部署至公司的服务器，并通过API与现有的客服系统集成。保证聊天机器人的平稳运行，并对其进行定期的性能评估和更新。 成果展示 聊天机器人成功处理了超过70%的常规客户咨询，将人工客服的平均响应时间从5分钟降低到1分钟。 根据客户反馈调查，引入聊天机器人后，客户满意度提升了30%。 通过自动化处理大量常规咨询，公司客服部门的工作效率提高，进而减少了30%人工客服的人力成本。

腾讯微卡项目主力开发。电子工卡，基于众多普教/ K12 学生无法使用手机的情况，腾讯微校通过让学生使用的物理设备与家长使用的电子卡联动，助力学校建设以一卡通为核心的 K12 智慧校园场景，并让家长可以实时掌握孩子在校动态。

开发一个实时语音翻译系统，能够将一种语言的口头语音实时转换为另一种语言的口头输出。该系统旨在消除语言障碍，促进跨国交流，尤其适用于国际会议、全球旅游和多语种客户服务中心。 使用深度学习模型（如RNN，LSTM等）处理语音信号，将语音信号转换为文本数据。采用声学模型来实现声音特征的提取和语音的译码。 使用自然语言处理中的Seq2Seq模型配合注意力机制来将源语言文本翻译成目标语言文本。模型将学习不同语言间的语义映射。 将翻译后的文本转换为自然听起来的语音。使用高级的文本到语音技术，如基于神经网络的语音合成（如Tacotron 2），以确保语音的自然流畅。 强调系统的实时响应能力，以保证在交流中没有明显的延迟。利用优化的数据流程和高效的模型来减小处理时间。 开发友好的用户界面，使最终用户能够轻松地使用该系统。支持多平台运行，包括智能手机、平板电脑和电脑。 在一系列语言对上测试，表现出高达98%的准确率，在保持较低延迟的同时也保持了高翻译质量。 该系统极大地促进了语言不通的用户之间的交流，特别是在国际业务、旅游和多语种环境中，显著提升了用户满意度和业务效率。

该项目主要用于国家环境监测总站对污染源的排查，结合天然源、人文源数据，调用模型，计算溯源数据；实现污染源展示。 作为Java后端开发，本人主要实现数据的计算调整，展示入库的后端开发，包括功能系统架构设计（独立抽离计算服务、拆分业务层和计算层）、模块设计、系统架构设计、项目部署落地等。

图着色问题是经典的组合优化问题，并且在许多实际生活中有应用。算法通过C++实现最小k的计算，并且给出所有节点着色的可视化结果

一个综合性环境数据处理平台，专注于处理和融合多种来源的排放清单数据，将不同数据源的排放清单进行整合，生成综合、完整的排放数据；同时通过简易融合功能，用户可以从多个维度对整个排放清单进行调控，以适应不同的分析和评估需求，为环境保护和决策提供可靠的数据支持。 项目职责：作为Java开发工程师，参与该项目后端核心功能开发，包括需求分析、架构搭建、技术选型、项目开发等，具体如下： 1) 用户权限认证服务：负责该服务架构设计、系统开发，采用Spring Boot、MyBatis和PostgreSQL（pgsql）数据库。 2) APIsix网关和Wolf的集成：结合APIsix网关和Wolf，根据具体需求，在不同场景下完成用户权限认证和安全防护的实现。有效地保护系统免受潜在的安全威胁。 3) 云平台业务服务：负责开发云平台业务服务中的用户购买记录、使用记录和订单记录等模块，实现模块的业务逻辑处理和数据持久化。 4) 多尺度排放清单融合工具服务：包括专业融合、排放调控和简易融合等模块的实现。为了实现后台计算的解耦和异步处理，采用Gearman和多线程的方式。对算法进行优化，确保在大批量计算时用

N4-乙酰半胱氨酸（AC4C）RNA是一个具有挑战性的数据集，因为它很难观察AC4C的过程，并且其类别极不平衡。而且高度封装的集成模型可能无法很好地用于该数据集。AC4C现有的最佳模型可能无法实现研究中更精确的预测，并且模型的大小使应用受到在线服务器形式的限制。为了解决这个问题，我们提出了ResVariant结构，并使用带这该结构的自编码器（AE）进行训练和应用，我们称这个模型为AEResVar。本文提出的AEResVar模型由编码器和解码器组成。该模型的特殊性在于解码器中的ResVarant层，它通过添加完全连接的隧道来增强解码能力。另一个特殊点是解码器使用编码器Dense输出作为输入，由于对解码器中激活函数的反向分析，这使得其包含更多的边缘信息。 我独自完成了该项目周期在三周左右。项目链接见：https://www.kaggle.com/code/spike8086/improving-representational-ability-in-ac4c

柔性作业车间调度问题是实际生产中的重要问题，也是一个经典的NP难的组合优化问题。使用C++实现问题的求解，并且通过Python进行可视化

这是一个便捷备份数据到云端对象存储的小程序。设定需备分的目录后和根键值后，会将根键值后的目录对应存储到云端对象存储的指定bucket中

这是一个人员和组织架构同步的小程序，通过视图方式获取A系统中信息后，通过接口的方式同步更新到B系统中。设定系统任务计划后可实现信息的定时同步。

产品分为：BI，智能报告，智慧大屏，数据加工ETL 我负责过产品的：测试、需求分析、项目专版管理等 过程中使用的技能：sql、axure、xmind、ETL等

使用封装ffmpeg进行音频处理。 音频特征处理。 运用基于transformer的模型识别语音。 识别任务调度。 web接口。 目前已经稳定应用于学校考试。

微信小程序开发:线上小商店购买成交等，报表的生成。图表基于excel快速生成动态图等； 微信小程序开发:线上小商店购买成交等，报表的生成。图表基于excel快速生成动态图等； 微信小程序开发:线上小商店购买成交等，报表的生成。图表基于excel快速生成动态图等；

Whale 咖啡馆是我所在城市的一所中学内的咖啡馆，该咖啡馆吸引了大量学生，但由于缺少一个规范化的点单平台，导致有时效率较低，管理面临困难。 为解决这个问题，我和另一位开发者合作完成了该咖啡馆的点单系统，功能如下： 用户：选择饮品及配料并提交订单、在订单完成前可删除订单。 咖啡馆管理者：按顺序（或按自定义查询）查看用户订单、管理商品（包含商品类别、每个类别下细分的商品及商品可选项）、管理用户。 我在该项目中负责后端开发，使用 Python FastAPI 框架及 ORM 技术。

开发一个图像识别系统，用于自动识别并分类城市交通中的各种车辆（如汽车、摩托车、公交车等）。该项目的目的是为了提高城市交通管理的效率与自动化程度，例如在交通拥堵分析、自动化交通监控以及未来自动驾驶技术中的应用。 数据收集与处理： 使用现有的交通摄像头资料作为训练数据，包括不同时间、天气和光照条件下的车辆图片。利用OpenCV进行图像的预处理，如尺寸调整、归一化和增强。 设计并实现了基于Convolutional Neural Networks (CNNs)的深度学习模型，采用多层卷积层、池化层和全连接层的结构，以有效地提取图像特征。 使用Keras和TensorFlow框架进行模型的训练和优化。通过调整学习率、增加dropout层减少过拟合，以及使用数据增强技术提高模型的泛化能力。 使用交叉验证和多个指标（如准确度、召回率、F1分数）评估模型的性能。对模型进行精细调整，直到达到预期的识别准确率。 系统部署： 将训练好的模型部署到交通管理系统中，实时监控和分类通过交通摄像头捕获的车辆。系统可进行实时数据反馈，提供决策支持。 成果展示 在实际交通数据上测试，系统在车辆识别任务上达到了95%以

1.潮玩抽盒小程序 2.编写算法设计抽奖概率 3.微信支付，背包，个人中心 4.抽盒机，玩家赏，一番赏，福袋玩法设计