人工智能 框架或代码包 软件定制 案例

图论算法在交通网络规划、通信网络设计、电力系统布线等领域应用广泛。本项目旨在通过实现最小生成树的核心算法（Prim和Kruskal），构建一个交互式的算法演示系统。目标不仅在于展示算法原理，更重要的是建立理论与实际应用之间的桥梁，帮助学习者直观理解算法在资源优化配置中的价值，培养解决实际工程问题的能力。 包含六大核心功能模块： 1. 图结构管理模块：支持邻接矩阵表示的加权无向图，提供预置高速公路示例图和随机图 生成功能 2. Prim算法模块：实现基于贪心策略的最小生成树算法，时间复杂度O（V3），适合稠密图 3. Kruskal算法模块：实现基于并查集的算法，时间复杂度O（Elog E），适合稀疏图 4.算法对比分析模块：对比两种算法的执行过程、时间空间复杂度、适用场景 5. 高速公路应用场景模块：将抽象算法转化为具体的工程规划问题，提供成本效益分析 6. 交互式演示系统：提供7种操作的命令行菜单，支持用户交互和实时演示。 用户启动程序后，首先加载预置的高速公路网络示例图。通过交互式菜单，用户可选择：①查看图结构；②从指定城市开始执行 Prim算法并观察逐步构建过程；③执行 Kruskal算法并观察按权重排序的选择过程；④对比两种算法的结果和性能差异；⑤查看如何将最小生成树应用于高速公路建设规划；⑥创建新的随机测试图验证算法通用性；⑦查看算法正确性证明。整个流程形成"理论一实现一验证一应用"的完整学习

1.为某外企汽车公司研发的一套车机系统自动化测试平台, 针对车机的UI/UX、功能和性能, 实现全方位的测试. 2.此平台针对不同人群匹配不同的使用方式. 例如, 针对测试开发人员, 可以基于已封装或者自己封装的功能模块来编写测试用例; 针对不懂开发的人员, 可以通过输入自然语言, 依托大模型转变成代码的方式实现测试用例的编写. 3.对应不同车型和版本, 有一套严谨的代码管理方案, 实现一平台能适配多车型多版本的测试需求和场景. 4.核心功能包括: 界面元素的定位和操作, UI/UX的校验, 文字识别, 图像识别, 录屏, 视频识别, 日志监控, 数据可视化等.

1.立项背景 现有微服务架构的购物网站平台，但首页推荐长期依赖简单规则及人工运营，无法基于用户推荐且转化率偏低。因此上层觉得开发市场分析和个性化推荐服务。 2.项目目标： •在不改动现有 Java 微服务整体架构的前提下，引入机器学习推荐与预测系统。 •用户登录首页提供个性化推荐列表，推荐结果按天离线更新，且可扩展到其他场景。 3.主要痛点： •传统市场分析预测造成的用户点击率低和下单率差距大。 •线上实时性与线下复杂计算的要平衡，不能造成线上接口延迟。 4.软件核心功能介绍 这是一个离线训练的推荐系统，根据用户历史行为与特征，生成 Top K 个个性化推荐商品，并通过接口返回给前端展示。功能模块： •数据与特征服务模块： 汇总 MySQL的订单表等及埋点统计点击数据；使用 Spark SQL 生成多维度特征表。 •序列建模与RNN召回: 把用户购买行为明细加工为时间序列；通过 PyTorch 实现 RNN模型，预测未来用户感兴趣的商品，生成结果表。 •精排打分LR模块LR：基于 Spark MLlib 的 Logistic Regression 模型，对候选集合进行购买概率预测排序。 •推荐结果融合与存储模块：对模型输出进行规格化，将最终推荐结果写入 MongoDB。 •发布推荐查询服务模块：辑封装到基于 Flask 的查询 API 中，供登录/首页推荐服务调用。 •调度与运维模块：通过 Docker + cron（或调度平台）定时调度 Spark 作业与 Python 推理脚本。 5. 业务流程、功能路径描述： 1)离线计算流程 •定时任务启动服务从 MySQL同步前一日数据到大数据平台, 生成/更新特征表。 •模型学习用户下单行为序列样本，利用训练好的模型对全量用户进行批量推理。 •将推理结果写入 MongoDB。 2)线上推荐查询流程 •用户登录电视台 App/网站首页。 •首页服务调用内部推荐服务接口,将查询结果返回前端。未命中返回默认热门商品。

该项目主要实现机器人在室外变电站、室内配电房巡检与消防处置相关功能；通过搭载多传感器（激光雷达、imu、轮速计、GPS等）融合系统，实现全天候自动化作业，具备环境参数监测、设备状态识别、安全合规检测等功能，并采用激光雷达导航技术实现厘米级精准避障，当完成任务后自主返回充电放进行自主充电。

一、业务和功能介绍 1. 立项背景和目标 随着铁路客运系统的日益普及，乘客对于车票信息的获取和分析需求不断提高。然而，市面上大多数购票平台仅提供基础的查询功能，缺乏对售票趋势、起售时间、卧铺余量等深度分析的支持。本项目“火车票分析助手”旨在开发一款集车票查询、卧铺售票分析、起售时间查询于一体的本地化工具，帮助用户更高效地获取和分析火车票信息，辅助出行决策。 2. 软件功能与核心功能模块 本系统主要包括三大功能模块： 车票查询模块：支持用户输入出发地、目的地及出发时间，实时查询并展示相关车次、座位类型、票价等信息。 卧铺售票分析模块：针对用户指定的路线，分析卧铺类车票的售票情况，辅助判断余票趋势。 车票起售时间查询模块：根据车站名称查询该站车票的官方起售时间，帮助用户掌握最佳购票时机。 3. 业务流程与功能路径 用户首先在“车票查询”界面输入查询条件，系统返回车票列表；若需进一步分析卧铺售票情况，可切换至“卧铺售票分析”模块进行专项查询；而“车票起售时间”模块则独立提供各车站的售票时间信息。整个流程清晰、模块耦合度低，用户可根据需求灵活切换功能路径。

1、通过该系统可实时的对施工现场的吊钩及时的进行安全检测 2、功能方面可选不同模型对目标进行检测，也可以定制化模型实习一个系统检测多类别模型系统 3、可通过图片，视频，摄像头等对其进行检测，并且将检测结果保存

- 功能层面： - 非接触式精准监测：运用医用级摄像头，对保温箱内的早产儿进行持续视频采集，无需传感器直接接触婴儿，避免了对婴儿造成刺激。基于改进的深度学习算法，如YOLOv4/YOLOv5等，能够精准定位早产儿的头部、四肢、躯干等关键身体部位，实现对其姿态的高精度识别。 - 异常行为智能检测：通过对早产儿姿态的时序分析，系统可以有效识别出持续性异常体位、活动减少等异常姿态模式。一旦检测到这些异常，便会及时发出预警，提示医护人员关注潜在的神经系统问题。 - 模型优化与实时性保障：采用TensorRT等技术对姿态识别模型进行加速，确保系统能够在不损失过多精度的前提下，实现对早产儿姿态的实时监测与分析。针对早产儿体型小、易出现遮挡等特点，对模型的anchor设计进行针对性优化，提升模型在复杂情况下的鲁棒性。 - 业务层面： - 助力早期风险筛查：能够协助医生尽早发现早产儿患脑瘫、神经发育迟缓等疾病的风险信号，为早期干预争取宝贵时间。研究表明，早期干预可使早产儿的脑瘫发生率从35.5‰降到9.4‰ ，对改善早产儿的健康预后具有重要意义。

使用yacc/lexer实现的简易的pascal-s编译器，能够将指定语法的pascal-s语言代码编译为特定的目标代码，工作流程为：源程序--词法分析器--> token流（一连串token）--语法分析器--> parser tree(or ast) --分析判断源程序是否合法，并给出语义错误，最后进行翻译-->目标语言

基于LangChain框架，给GPT模型以谷歌学术工具，输入要搜索的文献关键字，智能体能够自动搜索文献并返回结果。并且加入了历史消息对话功能，能让智能体针对上下文进一步处理用户输入，比如用户先输入了要查询的主题为"LLM"，智能体返回第一次结果，用户可以针对结果输入相关的提示词，如"刚刚第一篇论文的作者是谁？"

1. 为了确保企业数据合规和防泄漏以及符合法律规范，需本地搭建企业用AI并且落地企业相关可使用功能 2. 功能包括前端统一入口，后端大语言推理基座并且运行大语言模型 3. 企业级用AI应用 包括知识库智能问答，翻译，数据智能分析，企业应用对接等 4. 安全和合规 - 敏感词过滤法律合规 并且 须考虑API安全等网络安全问题

将待处理的视频输出为字幕擦除后的视频及附加字幕提取文件（若客户需求） 需求多为要能兼容横板及竖版视频，字幕多为英文或中文单行及多行形式 难点在于成本及输出效果，成本通过下述项目实现具体阐述，输出效果的区别在于无码化，详见上传的结果示例

CSUF重建系统显著减少了迭代算法的超参数依赖。并且在仅使用 20 个投影的条件下，重建的 CT 图像的峰值信噪比（PSNR）和结构相似性指数（SSIM）出色可达 26 dB 和 0.85。实验结果表明，重建图像具有较好的视觉质量，能够满足临床诊断的需求。

搭载红外避障模块，能在火灾、地震等危险场景中，替代人员进入高温、浓烟或结构受损的楼梯区域，完成双重任务：一是环境探测（如监测温度、气体浓度），二是物资输送（如传递急救药品、小型救援设备），规避人员进入危险区域的伤亡风险。

语音采集功能，通过电脑端的扬声器采集声音 语音识别功能，基于ASR任务识别语音为文字 语音识别结果纠错，通过大模型进行分析语音意图，纠正语音模糊带来的问题 调用MCP服务，大模型来调用可用的tool，若无法分析出语音意图就返回“请重新录入需求”

目标检测：能够在图片或视频中检测并识别物体，如人、车、动物等。 边界框预测：为每个物体提供位置和类别的边界框。 分类与回归：同时进行目标分类和位置回归，快速处理。 多目标识别：支持同时检测多个目标，并提供相应标签和位置。

通过模块与数据结构框架，对多功能系统进行统一整合，比如，对数据的读写能力与整理分析能力进行模块化与结构化，然后通过算法及算法优化对相关函数功能进行整合，实现高效与高质量。用户可在使用过程中感受到兼具效率与质量的使用感受。

本项目旨在开发一套基于Python的养鸡场管理系统，利用Flask框架和MySQL数据库，实现鸡舍管理、鸡只管理、饲料管理、健康监测等功能。通过数据可视化和自动化管理，提高养殖数据的准确性和管理效率，减少人工操作成本，并为未来智能化养殖提供支持。

AI 道路巡检管理系统以 “全流程智能化” 为核心，构建了从影像采集到养护决策的闭环功能体系，具体包含三大核心模块：​ 1. 智能病害识别引擎​ 依托深度优化的图像算法模型，可自动解析车载摄像头、无人机等设备采集的路面影像，精准识别裂缝（横向、纵向、网状）、坑槽、车辙、修补不良等 20 余种典型病害。系统具备自适应学习能力，通过持续积累实际场景数据，不断优化识别精度，当前对主要病害的识别准确率达 95% 以上，误报率控制在 3% 以内，可替代 80% 的人工判读工作。同时支持自定义病害类型，满足不同地区道路（如市政道路、高速公路）的个性化需求。​ 2. 全维度数据管理平台​ 构建 “病害 - 位置 - 时间” 三维数据档案：自动关联 GIS 地图标注病害精确坐标（误差≤5 米），同步记录病害尺寸（如裂缝长度、坑槽面积）、严重等级（按行业标准划分为轻微 / 中等 / 严重）及拍摄时间；支持多源数据接入，可整合养护历史记录、交通流量数据等信息，形成完整的道路健康档案。平台提供可视化查询与导出功能，用户可通过路段筛选、时间轴回溯等方式快速调取数据，生成标准化报表（如 Excel、PDF），为养护方案制定提供数据基底。​ 3. 养护决策分析系统​ 基于历史数据与实时监测结果，自动生成路段健康度评分（0-100 分）及病害发展趋势预测（如未来 3 个月裂缝扩展速率），辅助用户优先级排序养护任务；通过内置算法计算最优养护方案（如针对坑槽推荐 “切割修补” 或 “热拌沥青填充”），并预估所需人力、物料成本，实现资源精准调配。系统还支持模拟不同养护策略的长期效益，助力从 “应急抢修” 转向 “预防性养护”。​ 三大模块无缝衔接，从前端识别到后端决策全程数字化，大幅降低人工干预，让道路巡检与养护管理更高效、更精准、更具前瞻性。

基于LLama2-7B、InternLM-Chat-7B、Baichuan2-13B等模型进行对比评估。 使用QLoRA技术在低成本GPU环境下进行指令微调，构建领域问答能力。 编写用于自监督微调的预处理脚本，支持大规模数据增广与token级清洗。 使用vLLM + Huggingface Transformers进行高并发在线部署，性能相较HF原生模型提升2.3倍。 实现多租户Prompt路由机制，支持不同用户基于角色动态注入上下文。 利用FastAPI构建推理API，集成JWT权限验证与调用限流（Redis实现QPS控制）。 搭建训练监控看板（Prometheus + Grafana），实时追踪loss、lr、GPU利用率。 开发自动数据标注接口，接入OpenAI API辅助生成高质量Instruction数据。 优化与压缩： 尝试4bit量化部署，减少80%以上显存占用，便于消费级GPU部署。 结合PEFT与AdapterFusion技术，完成多领域模型参数模块融合。