logo
publist
写文章

简介

该用户还未填写简介

擅长的技术栈

可提供的服务

暂无可提供的服务

鸿蒙操作系统(HarmonyOS)应用开发:从理念到实践

华为鸿蒙操作系统(HarmonyOS)作为一款面向全场景的分布式操作系统,其“一次开发,多端部署”的设计理念正引领着新一代移动应用开发的范式变革。首先,论文分析了HarmonyOS的架构特性,包括其分布式能力、原子化服务与统一生态的核心优势;进而,通过一个完整的“分布式图库”应用实例,演示了UI开发、状态管理、分布式设备发现与数据迁移等关键技术的代码实现;最后,对鸿蒙生态的未来发展进行了展望。,开

#wpf#人工智能#算法 +2
基于大模型的城轨交通网络安全协同防御体系研究

随着城市轨道交通系统智能化程度不断提高,网络攻击面不断扩大,传统网络安全防御体系已难以应对日益复杂多变的安全威胁。本文提出一种基于大模型的城轨交通网络安全协同防御体系,通过引入先进人工智能技术,实现从被动防护到主动防御的转变。研究结果表明,该体系能够显著提升威胁检测精度、缩短响应时间、降低运维成本,为城轨交通网络安全提供创新性解决方案。文中详细阐述了体系架构设计、关键技术实现路径、应用场景及未来研

#web安全#安全#计算机视觉 +1
人工智能+低空经济创新应用研究

低空经济被写入2025年国家政府工作报告,定位为“新增长引擎”,但空域碎片化、飞行人工化、产业零散化成为制约其规模化的三大瓶颈。本文系统提出“人工智能+低空经济”全栈创新框架:①构建“天-空-云”协同的AI空域管理平台,实现空域动态数字化、航线智能规划与冲突提前消解;②研发融合视觉、雷达、气象与北斗的多模态智能飞行系统,支撑无人机、eVTOL全自动起降、自主避障与群体协同;③打造“AI+低空+行业

#人工智能#算法#大数据 +1
航空公司智算中心:新一代航空智能基础设施的战略价值与实施路径

随着人工智能技术在航空业的深度应用,智算中心正成为航空公司数字化转型的核心基础设施。本文系统分析了航空公司智算中心的战略意义架构设计实施路径与未来趋势。研究表明,智算中心通过整合异构算力行业大模型及多智能体协同技术,能够显著提升航空公司在运行安全旅客服务机队运营及收益管理等关键领域的智能化水平。国内航司如厦航、中国航信等已率先布局,通过构建自主可控的智算平台取得了实质性进展。未来,随着技术不断成熟

#人工智能#计算机视觉#数据分析
人工智能在高铁中的关键场景与核心技术研究

中国高铁运营里程已突破4.6万公里,日均开行旅客列车超过1万列,对安全、效率、节能提出极致要求。2024年以来,国铁集团将“人工智能+高铁”列为铁路新质生产力重点方向,在6C检测、智能运维、数字孪生建造、列车控制等场景部署AI方案,形成442项落地成果,缺陷发现率提升5倍,检修人工强度下降90%。

#人工智能#算法#大数据 +2
夯实交通人工智能基础设施数字底座——多模态大模型与数据要素双轮驱动路径研究

交通强国”战略进入数字化深水区,传统“单点智能”难以满足超大规模路网、港口群、城市群的协同治理需求。本文面向公路、港航、执法、运输服务等核心场景,提出“多模态大模型+数据要素”双轮驱动框架:①构建“云-边-端”协同算力体系,研发融合文本、图像、视频与传感器数据的交通多模态大模型,形成“交通大脑3.0”;②建立全省统一数据资源目录与授权运营机制,打造“全链条数据资源池”,实现数据“供得出、流得动、用

#人工智能#深度学习#计算机视觉 +2
人工智能在高铁中的现存问题与对策研究

中国高铁运营里程已突破4.6万km,AI在6C检测、智能运维、客服调度等场景取得“点状突破”,但仍面临“数据-模型-系统-安全-人才”五大断层。本文基于2024-2025年最新行业调研与示范工程数据,系统梳理AI在高铁全生命周期中的八大关键问题,提出“端-边-云-数-才”一体化解决框架,并给出可开源验证的核心代码示例。

#人工智能#大数据#算法 +2
全自动运行系统智能体控制:从概念到产线的进化之路

一、研究背景与意义二、技术架构:三层两闭环三、核心算法:多Agent群聊+进化优化四、典型场景与实施效果五、研究基础与先进性六、代码示范:30行实现“列车群聊进化”七、研究展望参考文献一、架构总览(文字描述)五、结论与展望二、SVG架构图(可直接嵌入论文)三、Docker-Compose 一键部署栈四、关键指标(2025试点)

#python#人工智能#算法
智能体在铁路运行图调整的关键技术与应用场景

智能体在铁路运行图调整的关键技术与应用场景》,内容涵盖研究背景、技术内涵、主流方法、典型案例与未来展望,

#人工智能#算法#机器学习 +3
基于贝叶斯深度学习的不确定性量化框架

假设模型的权重服从一个简单的分布(如高斯分布),然后寻找一个最接近真实复杂后验分布的近似分布 $q(\omega)$。epistemic_uncertainty = np.var(predictions_stack, axis=0) # 认知不确定性 (方差) [H, W]:对同一张输入图像进行 $T$ 次前向传播(例如 $T=50$),每次都会因Dropout的随机性而得到 slightly d

#深度学习#人工智能
    共 297 条
  • 1
  • 2
  • 3
  • 30
  • 请选择