关键词： 嵌入式系统   物联网   数据采集   智能技术   人工智能  

摘要： 为满足信息化时代对数据采集系统的需求,结合嵌入式技术与物联网技术,利用人工智能技术,实现了在复杂多样环境下的高效数据采集。系统构建了基于嵌入式物联网的硬件平台,并在此基础上开发了数据采集系统终端软件平台及其运行所需的网络环境。经过功能演示,采集系统在实时性和准确性方面表现良好,为嵌入式物联网采集系统智能技术的研究提供了可靠的理论支持。

关键词： 提升竞争力   智能化管理   数据治理   医院人力资源管理   人工智能   大数据   人力资源信息化建设   医疗行业  

摘要： 在医疗行业蓬勃发展的当下,医院人力资源信息化建设与智能化管理已成为提升竞争力的关键要素,大数据、人工智能、云计算等关键技术为医院人力资源管理勾勒出全新蓝图。但要让这些技术充分发挥作用,合理的建设与实施策略必不可少。从规划设计到严谨的数据治理,再到系统的选型与落地,以及有效的培训推广都至关重要。

关键词： 肱骨近端骨折   继发性螺钉切出   机器学习   影响因素   风险预测模型  

摘要： 背景:继发性螺钉切出关节面是肱骨近端骨折锁定钢板内固定术后的主要并发症之一,切出的螺钉会磨损关节盂和引起肩峰撞击,影响肩关节功能。因此,准确的风险预测有积极的临床意义。目的:通过机器学习方法筛选肱骨近端骨折钢板内固定后继发性螺钉切出的风险因素,开发并验证风险预测模型,便于临床医生早期甄别并干预高风险患者。方法:收集2013年6月至2022年6月接受锁定钢板内固定治疗的214例肱骨近端骨折患者的临床资料作为训练组建立模型,将同一时间段另一医院收治的同类患者61例纳入外部验证组。按照患者术后是否出现继发性螺钉切出,分为螺钉切出组和螺钉维持组。训练组利用随机森林、支持向量机、逻辑回归3种机器学习算法构建预测模型;采用递归特征消除法、10折交叉验证重抽样作为变量的筛选方法,并将3种模型准确度最高时纳入变量的交集作为与螺钉切出高度相关的可靠风险变量。通过R语言软件构建动态预测模型,以网页计算器形式展示,并对模型进行内、外部验证。模型内部检验采用Bootstrap法重抽样1000次,使用受试者工作特征曲线下面积、校准曲线、临床决策曲线评价模型的区分度、校准能力及临床应用价值。通过Youden指数确定预测模型的最佳风险分界值,据此将外部验证组患者分为高、低风险组,根据模型风险预测能力的准确度来评价其稳定性和外延性。结果与结论:①机器学习算法筛选出继发性螺钉切出高度相关的4个风险变量,分别为肱骨近端内侧柱皮质支撑、三角肌结节指数、骨折类型及术后复位情况;②构建的风险预测模型表现出良好的区分度和准确度[曲线下面积=0.874,95%置信区间(0.827,0.922)],校准曲线显示模型预测风险和实际发生风险有较好的一致性;③临床决策曲线提示风险阈值概率在0.1-0.75范围内时,模型具有较好的临床适用性;④风险概率为26%是模型风险分层的最佳阈值,外部验证组利用模型风险分层预测螺钉切出的总正确率为84%;⑤结果说明该风险预测模型准确度和外延性较好,可为指导临床治疗提供依据。

关键词： 温室   控制模式   模式提取   机器学习   非均匀采样   时间-温度模型  

摘要： 温室环境是一种非线性、强耦合性、多干扰性、时滞性的动态环境系统,有效的控制模式可以确保温室内部环境稳定,提供最佳的生长条件,从而提高作物的产量和质量。目前,对于农业温室的控制模式提取问题仍缺乏较好的解决方法。为此,研究了一种基于机器学习的温室控制模式提取方法。通过非均匀采样方法处理数据,使用机器学习分析方法实现温室控制模式的提取;通过建立温室的时间-温度模型,对温室控制系统进行分析和再设计,验证了所提方法的可行性及优势。实验结果表明,所提方法可应用于温室控制模式的提取,再设计的温室控制系统是可观测的、点对点可控的;相较于一般的PID控制和DSS控制模式,该方法具有调节时间快、超调量小、抗干扰能力强的特点。这一研究为现代设施农业温室的控制提供了一种有效的模式提取方法,对温室控制的系统化和智能化发展具有一定的促进作用。

关键词： 大数据   软件质量评估   机器学习   数据挖掘  

摘要： 随着大数据技术的快速发展,软件质量评估面临新的挑战与机遇。传统的评估方法难以应对大数据环境下软件的复杂性、多样性和规模性。文章从大数据环境背景入手,分析了大数据对软件质量的影响,详细阐述了模型构建的关键步骤,包括数据采集、清洗、特征选择及机器学习算法应用,并探讨了大数据支持下的软件测试策略。研究表明,该模型能够有效提升软件质量评估的效率和准确性,为软件开发与维护提供科学依据,具有重要的理论价值和实践意义。

关键词： 拖拉机   发动机扭矩   耕作过程   预测模型   机器学习  

摘要： 拖拉机发动机扭矩是评价变速器疲劳寿命分析、优化设计和加速寿命测试的重要指标,而现有的拖拉机发动机扭矩测量方法需要一个昂贵的扭矩传感器。为此,提出一种基于粒子群优化(PSO)和极限学习机(ELM)的拖拉机发动机扭矩预测模型。首先,采集了拖拉机发动机的试验数据,并将其分为训练集和测试集;然后,使用PSO算法优化ELM的参数,以获得更好的预测性能;最后,将优化后的ELM模型与其他机器学习模型进行比较,并使用误差指标来评估预测性能。试验结果表明:所提出的PSO-ELM模型具有更好的预测精度和泛化能力,R2达到0.9342,MAPE仅为0.95%,RMSE为2.10,预测值与试验值之间拟合程度较高,可以有效地用于拖拉机发动机扭矩的预测。

关键词： 人工智能   穿戴设备   运动障碍   外骨骼   电子技术   机械工程   材料科学   状态转变  

摘要： 如果说人工智能是人类器官的延伸,那么外骨骼技术则是直接强化人类自身。这项技术为增强人类力量、提升工作效率和治疗运动障碍提供了诸多可能性。外骨骼技术的发展重新定义了人类在工作和生活中的能力边界一通过穿戴设备实现超人力量,其基于机械工程、材料科学、电子技术和生物力学的突破为契机,伴随着“增强力量”在提升体力、改善运动能力、辅助康复等方面的不断进步,推动着人类在工作和生活中的状态不断向高效能状态转变,引发了一场“增强效率”的技术革命。

关键词： 拖拉机   焊接结构   振动疲劳   寿命预测   机器学习   深度学习  

摘要： 焊接结构广泛应用于实际工程中,常常承受着复杂的随机动载荷,当动载荷频率与结构固有模态频率接近时,接头会发生疲劳破坏,而传统的单轴静载疲劳分析方法无法准确预测这种情况下的疲劳寿命。因此,需要采用更加精细和准确的方法来分析焊接结构的疲劳寿命,以保证结构的安全性和可靠性。为此,基于统计学和机器学习方法构建了预测模型,包括基于逐步回归的多元线性回归模型、基于支持向量机的非线性回归模型和基于神经网络的深度学习模型。同时,以农业拖拉机为研究目标,对比分析了3种模型的预测性能,结果表明:基于神经网络的深度学习模型具有最佳的预测精度和稳定性。

关键词： 人工智能   雷达通信一体化   机器学习   干扰管控   资源分配  

摘要： 雷达通信一体化通过资源共享机制，在提高系统频谱利用率的同时实现了轻量化设计，广泛应用于空中交通管制、医疗监测、自动驾驶等领域。传统的雷达通信一体化算法通常依赖于精确的数学建模和信道估计，无法适应难以刻画的动态复杂环境。人工智能凭借其强大的学习能力直接从大量数据中自动学习特征，无需对数据进行显式建模，促进了雷达通信的深度融合。该文围绕人工智能驱动的雷达通信一体化研究展开系统的综述。具体而言，首先阐述了雷达通信一体化系统模型与核心问题。在此基础上，从雷达通信共存和双功能雷达通信一体化两个方面梳理了人工智能驱动的雷达通信一体化最新研究进展。最后，总结全文并对该领域潜在的技术挑战和未来的研究方向进行了展望。

关键词： 凡纳滨对虾   被动声学   声音信号分类   机器学习   卷积神经网络模型  

摘要： 利用机器学习技术对凡纳滨对虾 (Litopenaeus vannamei) 摄食不同饵料时的声音信号进行分类，旨在比较不同分类模型的性能，确定最优模型，为对虾养殖中饵料管理的信息化提供参考。研究选取对虾摄食沙蚕、颗粒饲料和鱿鱼时的声音信号，经降噪滤波处理后，通过2类方式分类：1) 基于音频特征向量，分别建立支持向量机 (Support Vector Machine, SVM)、随机森林 (Random forest, RF) 和k-最近邻 (k-Nearest Neighbor, KNN) 模型；2) 基于梅尔频谱图，建立卷积神经网络 (Convolutional Neural Networks, CNN) 模型。结果表明，结合Mixup数据增强技术和粒子群优化算法 (Particle Swarm Optimization, PSO) 的CNN模型在准确率方面表现最佳，达到91.67%。4个模型在识别颗粒饲料的召回率均超过90%，说明摄食颗粒饲料的声音信号相较于摄食沙蚕和鱿鱼等软体饵料更易识别。CNN模型不仅在准确率、精确度、召回率和F1分数等指标上均优于上述传统模型，同时能够适应复杂声学信号的分析需求，具有较大的应用潜力。