人工智能 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。

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。

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

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。

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。

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。

为了使用神经网络进行高效的股票分析与预测，我自主研发了这套从股票数据的获取、清洗、到模型训练与预测的项目。 除了被模块化的神经网络的结构设计有问题，致使训练越来越糟，以至于最终放弃，其它部分均已达到最终设计目标。

一、项目具体功能模块 1. 视觉图像采集模块 对接海康威视工业相机，软硬触发自动拍照，采集无序堆叠 PCB 物料图像； 2. 无模板视觉识别模块 自研深度学习识别算法 + 残差网络追踪，无需提前制作像素模板，识别任意版型电路板，自动计算物料几何中心、矫正放置角度； 3. 机器人运动控制通讯模块 基于汇川机器人 SDK 开发，通过 Modbus TCP 协议将视觉坐标实时下发机械臂； 4. 柔性抓取执行模块 配套柔性吸盘专用抓取算法，控制机械臂有序取料、角度矫正、平稳放置传送带； 5. 产线数据与异常管控模块 自动识别光学 / 背景干扰，减少 NG 故障信号，全流程数据记录，配套完整源码交付。 二、 使用者落地实现的功能 1. 柔性无换型生产：摆脱传统单一版型限制，多种 PCB 物料无需制作模板即可自动识别，大幅减少换型调试工时； 2. 全自动无人上料：物料小车到位后全程自动化 —— 拍照识别→坐标计算→机器人抓取→对位下料，无需人工值守上料、调机； 3. 抗干扰稳定生产：解决车间光线、物料堆叠背景干扰问题，降低设备报错停机频次； 4. 产线效能优化：提升上料节拍速度，缩减岗位人力投入，减少不良品触发； 5. 完整自主可控交付：项目配套全部源代码，企业可自主二次调试、迭代优化，同时配套技术落地培训。 三、项目运用的核心技术 1. 硬件对接开发：汇川机器人硬件 SDK、海康威视相机 SDK 二次开发； 2. 视觉底层算法：OpenCV 图像处理、自研残差网络目标追踪结构、自研检测头与专属损失函数； 3. 无序物料识别算法：无模板堆叠物料识别、亚像素级几何中心计算、物料角度自动矫正； 4. 工业通讯：Modbus TCP 实时坐标传输； 5. 运动控制：柔性吸盘抓取专属运动算法，机械臂联动调度逻辑。 四、项目核心优势 1. 识别精度高：物料识别准确度 98.1%，适配 PCB 高端制造精度标准； 2. 生产效率提升：上料流程速率整体提升 30%； 3. 人力成本节约：无需专人值守调机、制作模板，节省产线 20% 人力成本； 4. 稳定性更强：受光线、物料背景干扰产生的 NG 报错信号减少 13%； 5. 柔性通用：无模板识别，支持多版型共线生产，换型零模板制作成本； 6. 交付完整可控：项目源码一次性交付，企业具备自主迭代、维护能力，适配长期产线升级。

核心技术架构 1. 平台接入层 框架：NoneBot2 + OneBot V11 QQ 接入：NapCatQQ（最终方案，解决了登录风控问题） 放弃过的方案：go-cqhttp（风控）、Lagrange（签名失效） 2. 对话大脑层（分层人格引擎） 消息处理优先级从高到低： 经典梗硬匹配库（关键词直接返回） system_prompt.txt（基础人设提示词，v9 版本，经过多轮优化） 人格规则检索（traits/styles/behaviors 三个 JSON，语义匹配触发） 直播记忆 RAG（80+ 条场景化陈述，智谱 Embedding + 余弦相似度） 用户短期记忆（最近 3 轮对话）+ 长期记忆系统 3. 记忆系统 短期记忆：记录最近 3 轮对话（6 条消息），解决借口一致性问题 长期记忆：MemGPT 风格的增量更新机制，为每位用户维护独立记忆卡，包含印象标签、用户事实、自我披露记录、关系等级。关系等级随互动次数自动升级（stranger → acquaintance → familiar → close），动态调整 AI 的括号频率、心虚频率和防御姿态 4. 人格数据层 system_prompt.txt：从真实数据反写蒸馏，经过 v1-v9 九轮迭代优化 三个 JSON 文件（traits/styles/behaviors）：由 analyze_persona.py 从场景化陈述中自动提取 80+ 条场景化陈述：覆盖日常喜剧、深夜脆弱、童年友情、家庭关系、粉丝互动、同事社交、情感经历等维度 5. 数据流水线 语音转写：faster-whisper (medium) + 本地 GPU (RTX 4060) 场景化陈述生成：专用提示词，从切片提取结构化第三人称描述 向量化入库：generate_vectors.py → corpus_vectors.json 人格蒸馏：generate_persona.py → 更新 persona/ 下三个 JSON

针对GNSS拒止及复杂环境条件下无人机仅依赖视觉信息进行稳定定位所面临的挑战，围绕绝对视觉定位与相对视觉定位的协同应用开展研究，提出了一种面向复杂场景的无人机视觉定位方法，实现无人机轻量化的视觉定位。

1、客观题：学生朗读单词、句子、段落等英文文本，算法模型判断学生发音判断朗读的完整性和准确性，给予评分。 2、主观题：对话简答题型、作文题，识别学生朗读的音频数据为文本，再通过语义模型判断是否完整，给出参考分数。

1. 立项背景和目标： 传统无线接入点部署依赖人工经验或遗传算法、粒子群、模拟退火等启发式搜索，存在计算耗时长、目标约束难表达、决策过程缺乏解释性等问题。本项目面向城市无线网络规划场景，将 RadioMap 传播预测模型与大语言模型推理结合，目标是根据用户提出的覆盖率、频谱效率、容量、冗余度和站点数量等要求，自动生成接入点部署方案，并通过可视化方式展示每一步决策依据和性能变化。 2. 软件功能及核心模块： 系统主要包含五类功能：一是代理模型模块，使用 PMNet、RMNet、UNet、TransUNet、RadioUNet 快速预测无线传播和路径增益；二是 ReAct 决策模块，将自然语言需求解析为目标、约束和指标权重，循环执行新增、删除、移动站点或停止等动作；三是初始化策略模块，支持随机、贪心、预训练策略及“两阶段排序”初始化；四是启发式基线模块，集成 GA、PSO、SA、Greedy、候选枚举和穷举方法；五是 Web 可视化模块，实时展示覆盖图、路径增益图、站点位置、指标和决策轨迹。 3. 业务流程和功能路径： 用户在 Web 页面选择城市地图、需求模板、规划器、代理模型和候选数量后启动任务；系统首先解析自然语言需求，再生成初始站点集合，通过代理模型计算覆盖率、频谱效率和冗余率；随后从合法候选位置中筛选 Top-K 点位，由 ReAct 或启发式规划器决定下一步动作，并重新评估指标，直至满足约束或达到最大步数。运行过程写入轨迹文件，由后端以约 200ms 周期监控，并通过 SSE 推送到前端，最终形成部署方案、指标汇总和可回溯的动作链。

立项背景和目标： 个人投资者和中小型量化团队在进行多因子策略研发时，缺乏一套集数据获取、因子计算、策略回测和可视化分析于一体的工具链。开发目标：构建一套开源风格的股票多因子分析系统，支持100+个因子的批量计算、IC/IR分析及策略回测。 软件功能、核心功能模块介绍： 系统包含五个核心模块。（1）数据源模块：集成AKShare、Tushare等多个金融数据接口，自动获取日频量价数据、财务数据和行业分类数据。（2）因子库模块：内置估值类、成长类、质量类、动量类四大类共100+个因子计算公式。（3）因子评估模块：自动计算因子的IC值、IR值、RankIC及分位数组合收益。（4）回测引擎模块：基于VectorBT构建，支持多因子打分选股、单因子分层回测等策略模式。（5）可视化模块：以图表形式展示因子表现和回测结果。 业务流程、功能路径描述： 用户在数据源页面选择股票池（如沪深300）和时间范围，点击“更新数据”。进入因子计算页面，勾选需要计算的因子后系统批量生成因子值。因子评估页面自动输出IC序列图和分组收益柱状图。回测页面设置调仓频率、持仓数量等参数后运行回测，输出净值曲线、年化收益、最大回撤等绩效指标。