K

工业质检常见缺陷样本少、类别变化快，难以为每种异常建立充分监督数据。项目目标是用正常样本学习特征分布，对未知异常输出样本级异常分数，并提供ROC、分数分布、排序图和低维可视化，便于比较模型版本。原型覆盖Deep SVDD、自编码器、PaDiM、PatchCore、DecompNet、ViT和Wide-ResNet多条技术路线；当前推荐版本以WideResNet50-2提取多尺度特征，在固定32×32网格上建立位置相关的高斯统计。业务/实验流程为整理正常训练集，提取layer1—3特征并降到128维，增量估计均值/协方差，计算马氏距离异常分数，最后在三组离线数据上汇总AUROC和诊断图。

招生录取数据往往同时存在系统字段、中文51列目标表、年度计划表和多套统计口径，人工复制容易出现前导零丢失、专业培养类型混并、招生类别串表和隐私泄露。项目目标是将一次性人工整理改造成可审计的本地自动化流程。系统包含系统字段到51列标准表的转换、表1至表10统一生成、年度专业与学科门类映射、特殊招生边界、异常审计、严格模式和绿色版图形界面。用户在本机选择原始总表及计划/映射文件，程序按字段名读取和标准化，生成新结果文件及不含姓名、证件号的审计文件；源表不被覆盖。对学校市区等无法确认的信息保留未解决状态，不用猜测填充。展示图片全部使用空白模板或合成数据，不含真实考生信息。

项目面向无法直接获得距离、只接收方位角信息的无人机编队定位与校正问题。核心目标不是单次求一个坐标，而是同时回答匿名发射机身份是否可辨、需要多少额外观测、圆形与锥形编队怎样选择锚点和轮换发射组、噪声及掉线下是否仍能收敛。系统由可识别性碰撞审计、离散编号枚举、连续位置反演、圆形编队增益选择、锥形拓扑轮换、雅可比秩证书和压力测试组成。业务/实验流程是先给定基准无人机与局部先验，枚举匿名组合并审计碰撞，再用非线性最小二乘反演位置；随后按最大最弱信息选择锚点，轮换发射组迭代调整，最后在角度噪声、参考点误差与接收掉线下评估。

高光谱遥感模型在跨传感器、跨年份和跨场景应用时会遭遇光谱分布偏移，目标域通常又缺少训练标签。项目目标是建立一条可复现、可审计的无监督域适应研发链，而不是只展示单次最高精度。平台包含MAE/Transformer自监督表征、EMP/Gabor多编码器、最优传输伪标签与对齐、跨模型集成、合法与oracle诊断分离、多随机种子配对实验、集群运行交接、预注册和停止门禁。流程从共享波段与类别协议开始，训练源域模型，再在不读取目标训练标签的合法路径上适配；目标标签仅用于最终评价。每轮研究冻结配置、种子、日志、权重和决策，若未达到预注册阈值则保留负结果并停止扩张。