算法模型 软件定制 案例

1. 立项背景和目标： 针对传统ProGAN在生成高分辨率纹理时存在的模式崩塌、细节模糊及训练不稳定性问题，本项目旨在构建一套高保真纹理生成系统。目标是通过算法优化，实现4K级无缝纹理的自动化生成，解决游戏与影视制作中美术资产生产效率低、重复度高的问题，将单张高质量纹理的生产时间从数小时缩短至分钟级，并显著提升生成结果的多样性与真实感。 2. 软件功能、核心功能模块的介绍： 系统包含三大核心模块： 改进型生成对抗网络核心：引入自适应实例归一化与谱归一化技术，优化ProGAN的渐进式增长策略，增强高频细节表现力； 纹理后处理与优化模块：集成超分辨率重建与色彩校正算法，自动修复生成瑕疵，支持PBR材质贴图（法线、粗糙度等）的一键导出； 交互式评估看板：提供FID/IS指标实时监控与人工偏好反馈接口，支持用户通过文本或草图引导生成方向。 3. 业务流程、功能路径描述： 用户输入参数或参考图→系统初始化噪声向量→进入改进的ProGAN渐进式生成流程（从低分辨率逐步上采样至目标分辨率）→经过判别器多尺度校验→输出基础纹理→通过后处理模块增强细节→最终交付高清无缝纹理资产并自动归档。

1. 从零开始搭建了 Feeds流、搜索、类目分类等系统； 2. Feeds 流系统达到了5W+ DAU - 业务指标：六个月内用户平均浏览视频数量从20提升到40，商详点击率从 0.8%提升至 1.3% 3. 搜索系统达到了4000+ DAU - 业务指标：整体点击率六个月内从120%提升至250%，0结果率三个月内从20%降低到5%

面向脑机接口研究与演示场景的信号处理+大模型集成平台，打通"生理信号采集→意图识别→AI生成→实时可视化"完整闭环。 核心功能：①多设备脑电信号实时采集与预处理；②基于深度学习的意图分类模型；③可插拔多后端大模型集成，本地/云端LLM一键切换；④Web实时监控面板，多客户端同时查看信号流与推理结果。适用于科研原型、教学演示与智能硬件联动开发。

面向个人投资者的A股策略回测平台，解决"策略上线前无法验证"的痛点。 核心功能：①双均线、动量、网格三类内置策略模板，支持参数化配置；②基于真实历史行情的逐笔撮合回测引擎；③收益曲线、最大回撤、夏普比率等绩效指标自动计算与可视化报告。使用流程：导入行情数据→选择策略配置参数→运行回测→查看绩效报告，全程无需编程基础。

本项目立足于移动端人工智能轻量化落地应用背景，针对传统目标检测算法依赖电脑端设备、实时性差、部署不便的问题，旨在实现深度学习检测模型的手机端本地化部署与实时推理。项目目标是开发一款安卓智能检测小程序，将训练完成的80类通用YOLOv5s目标检测模型移植并集成至移动端设备。软件核心包含模型轻量化适配、相机实时视频采集、多类别目标检测识别、检测结果渲染展示与移动端设备适配运行模块。整体业务流程为：启动安卓小程序后调用手机摄像头，实时读取画面帧数据，通过本地集成的YOLOv5s模型完成推理计算，自动识别画面中的各类目标物体并输出类别与位置信息。本项目全程在华为安卓手机上完成程序安装、调试、测试与运行验证，实现了脱离电脑与云端的端侧实时智能检测功能。

立项背景与目标： 在日常工作与学习中，用户频繁需要获取AI辅助回答，但网页端使用需频繁切换浏览器，效率较低。本项目旨在开发一款轻量级桌面AI助手，提供一键式智能问答体验，降低使用门槛，提升日常信息获取效率。 软件功能： 用户输入问题后，点击提交或回车键，程序自动调用AI模型生成回答，并即时显示在窗口中，支持长文本自动换行。 核心功能模块： 1. 用户输入模块（Entry控件） 2. AI接口调用模块（requests + 智谱AI API） 3. 结果显示模块（Label控件 + 自动换行） 业务流程： 用户输入问题 → 点击提交 → 程序获取输入 → 调用AI接口 → 返回结果 → 窗口显示回答 功能路径： 启动程序 → 输入框输入问题 → 点击“提交”按钮 → 查看AI回答 → 输入框自动清空，等待下一次提问

1、大背景是某个工业环境中的智能巡检，机器的实时状态需要巡检员各处跑，业主希望增加智能巡检功能，即时获取设备预警信息。 2/3、在车间内安装摄像头，选择合适的位置，部分需要旋转，铺设需要的网线，安装GPU计算盒子。摄像头加相当于部署在端侧的小服务器，收集视频，截图，统一发送给图像识别模块，图像识别模块负责各类压力表读表，各类液压计读表，空气开关识别，各种漏油识别，明火浓烟识别。表读数识别，包含把业主要求数值多少范围算安全，超出需要报警的功能。

本项目基于 ETTh1 电力变压器油温数据集，完成单变量多步时序预测实验。项目以 OT 油温字段作为预测目标，使用过去 96 个时间步的数据预测未来 24 个时间步的变化趋势。 系统主要包含数据读取、时间排序、缺失值检查、训练/验证/测试集划分、StandardScaler 标准化、滑动窗口构造、Dataset 与 DataLoader 封装、模型训练、模型保存、模型加载、预测结果逆标准化、MAE/RMSE/horizon MAE 指标计算和结果可视化等模块。 项目分别实现了 LSTM 神经网络模型和 Linear 线性神经网络模型，用于对比深度循环模型与基础线性模型在多步预测任务上的表现。最终输出整体预测误差、每个预测时间步的 MAE，并生成对应的结果文件和可视化图像，便于后续模型对比分析。

本项目是面向个人投资者的A股选股评分工具。立项背景：普通投资者面对全市场5000多只股票难以有效筛选，且AKShare等数据接口新版列名变化常导致程序失效。本工具通过AKShare自动获取全市场实时行情（自动兼容中英文列名），过滤停牌股后，对量价配合、换手活跃度、流动性、估值四个维度进行快照评分初筛，再对初筛股票拉取历史日线计算MA5/MA10/MA20均线多头排列得分，综合输出每日TOP30选股排行榜，并自动生成可视化图表与CSV数据文件，帮助投资者快速定位值得关注的标的。

数据生成：生成百万级的学生数据（学号、姓名、成绩），以CSV格式存储。 数据加载：把CSV里的数据，分别加载到三种不同的数据结构里（vector、map、unordered_map）。 精确查询测试：随机生成一个学号，测试三种容器查询一个特定学生成绩的耗时。 范围查询测试：给定一个成绩区间（如80-90分），测试三种容器统计这个区间内学生数量的耗时。 性能对比结论：用高精度计时，对比三种容器在不同查询场景下的效率差异，得出选型建议。

一、立项背景和目标 当前电力、光伏、风电等能源行业的运营、巡检、工程类项目普遍存在大量结构化与半结构化数据处理需求，企业日常需对多站点Excel运营报表、Word工程文档、设备台账数据进行人工汇总、核对与制图，单份报表往往涉及数十张表格合并、上千条数据校验，人工处理不仅耗时久、重复劳动占比高，还易出现公式错误、数据遗漏等问题，直接影响项目交付效率与数据准确性。 本系统立项核心目标是打造一套轻量化的数据自动化处理工具，替代人工完成多源数据批量清洗、跨表合并、规则校验、可视化报表生成及文档数据提取工作，将单份数据处理时长从数小时压缩至分钟级，帮助企业降低人力成本，提升数据处理的标准化程度与准确率，同时可灵活适配不同行业的定制化数据处理需求。 二、软件功能、核心功能模块介绍 1. 多源数据批量清洗与整合模块 支持Excel多工作簿、多工作表的批量导入，可自动识别不同格式的表头与数据结构，一键完成缺失值填充、重复数据删除、异常值筛查、字段格式统一等清洗操作；支持自定义匹配规则，实现跨表格数据的VLOOKUP级批量关联与合并，适配电力站点台账、光伏发电量统计等多维度数据汇总场景，无需人工逐表粘贴整理。 2. 自动化报表与可视化生成模块 内置多套行业通用报表模板，可根据清洗后的数据自动生成汇总统计表、趋势分析表、占比分析表；支持一键生成折线图、柱状图、饼图等标准化图表，可自定义图表样式、维度与指标，自动匹配排版格式，直接导出可交付的Excel报表文件，满足工程资料、运营汇报等场景的输出要求。 3. 自定义规则数据校验模块 支持用户根据业务逻辑配置数据校验规则，包括数值区间校验、字段关联性校验、格式合规性校验等；系统可自动扫描全量数据并标记异常条目，生成校验报告，大幅降低人工核对的工作量，尤其适用于电力工程竣工资料、风电设备巡检数据等对数据准确性要求较高的场景。 4. 文档数据批量提取模块 支持从Word、PDF格式的工程文档、巡检记录中批量识别表格内容，自动提取结构化数据并导出至Excel，保留原始数据的层级与对应关系，解决大量非结构化文档数据录入效率低的问题。 三、业务流程、功能路径描述 完整业务流程分为需求对接-规则配置-自动化处理-结果交付四个阶段： 1. 需求对接阶段：接收用户的数据处理需求，明确数据来源、处理规则、输出格式与交付标准，确认后完成需求方案确认。 2. 规则配置阶段：将用户提供的样本数据导入系统，根据需求配置数据清洗规则、合并逻辑、校验公式与报表模板，完成小批量样本测试与规则调优，确保输出结果符合预期。 3. 自动化处理阶段：导入全量待处理数据，启动自动化处理流程，系统按预设规则依次完成数据清洗、合并、校验、图表生成全链路操作，过程中自动记录处理日志，异常数据自动标记并单独归档。 4. 结果交付阶段：系统生成最终的报表文件与校验说明，支持一键导出

1、立项背景和目标：针对小学项目式学习中教师难以同时兼顾多组学生、课堂过程数据难沉淀、学生创意表达支持不足等问题，建设以AI语音交互为核心的智能助教平台，将智能能力融入PBL小组协作，提升课堂参与度、个性化辅导能力和教师管理效率。 2、软件功能、核心功能模块介绍：平台包含学生端AI语音助教、声纹识别与对话分析、教师端课堂控制台、学习进度与心理状态洞察、AI生图、摄像头视觉识别、课堂硬件控制、账号与权限管理等模块。 3、业务流程、功能路径描述：教师创建课程和学习小组并配置任务，学生通过终端唤起AI助教进行提问、讨论和创意创作；系统按声纹区分参与者，记录对话并分析学习状态和进度，教师端实时查看并调节课堂节奏，AI生图和视觉模块输出辅助素材，课后沉淀学习记录和评价结果。

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。

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。

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。

本系统专注于集群运行状态的深度监控与可视化呈现。通过采集集群配置、服务端口及运行指标等多维度数据，系统对原始监控信息进行结构化解析与标准化处理，最终转化为直观的图表看板与动态表格，帮助运维人员实时掌握集群健康状态。此外，平台还集成了数据检索、日志查询与文档管理等功能模块，为日常运维排障与信息查阅提供一站式便捷服务。

本项目定位于企业级分布式数据服务平台，始终以数据价值释放与平台化服务能力为核心导向，构建了覆盖数据接入、数据整合、数据存储与数据计算的全链路数据闭环体系。平台采用分布式架构设计，具备海量数据的实时采集与离线批处理能力，通过标准化服务接口对外提供统一的数据底座支撑，有效降低数据使用门槛，赋能上层业务快速实现数据驱动决策。

1、立项背景和目标：基于B站排行榜爬取的数据，进行深度数据分析和可视化呈现，挖掘视频播放量分布规律、分区热度差异、UP主影响力等洞察。 2、软件功能：①UGC分区平均播放量对比分析；②PGC各类型内容播放量对比；③UGC播放量TOP20视频排行；④PGC播放量TOP20作品排行；⑤播放量与点赞数相关性散点图分析；⑥UGC分区视频数量占比饼图；⑦TOP15 UP主影响力排行。共生成7张可视化图表。 3、业务流程：读取爬虫采集的CSV数据，使用pandas进行数据清洗（去除空值、类型转换）、分组聚合（按分区/类型统计均值），使用matplotlib绑定中文字体渲染7张可视化图表并保存为PNG。

立项背景与目标：《侯马盟书》是春秋晚期晋国独有的朱书玉石文字遗存，入选 1949 年以来中国考古十大发现之一，是研究先秦政治、法制与文字演变的一手实物资料。但盟书历经两千余年风化侵蚀，字迹模糊、笔画残缺、异体字繁多，传统人工目验手摹的释读方式效率低、周期长。本项目目标是以人工智能与计算机视觉技术构建覆盖"图像处理—文字检测—字形识别—释读输出—知识关联"的全流程古文字识别与数字化保护平台，服务文物保护与古文字研究。 软件功能与核心模块：平台包含 9 大 API 模块与 8 个工作台面板。①用户体系：注册/登录、JWT 鉴权、管理员角色、登录限流、审计日志；②图像管理：盟书图像上传与元数据管理；③识别流水线：真实调用 PaddleOCR 完成文字检测与字形识别，逐字返回位置框、置信度，并自动匹配释读词典；④释读词典：内置 27 条基础词条（侯、馬、盟、書、晉、誓等），支持检索与管理员维护；⑤数据集标注工具：在图像上拖拽框选文字，填写字形与异体字，支持核验与导出；⑥知识图谱：字形—类别—概念共 19 个节点、13 条关系的可视化；⑦管理后台：用户角色管理、图像/词典管理、审计日志查看；⑧统计看板与 CSV 结果导出、失败任务重试。 业务流程与功能路径：核心识别流程为"上传图像 → 创建异步识别任务 → 后台模型服务执行文字检测与识别 → 逐字输出置信度与释读释义 → 前端可视化（位置框 + 结果列表）→ CSV 导出"。标注流程为"选择图像 → 框选文字区域 → 填写字形与异体字 → 保存/核验 → 一键导出 YOLO/COCO 格式训练数据集"。完整流程已通过桌面与移动端自动化验证。

面向个人用户的去中心化本地AI Agent系统，用户数据完全本地存储，不上传云端。核心功能包括：1）基于大语言模型的智能对话与任务规划引擎，支持多轮复杂任务拆解；2）模块化插件架构，可接入浏览器自动化、邮件、日历等外部服务；3）本地向量数据库实现长期记忆管理，Agent可持续学习用户偏好；4）P2P通信协议支持多设备协同。系统注重隐私保护与离线可用性。