海尔COSMOPlat:工业互联网平台助力疫情防控

疫情之下,临时医院的搭建、医疗防护物资的生产,让中国制造业迎来大考。工人复工难、物资调配紧张等问题也让制造业产能恢复面临着诸多挑战。工业互联网作为工业经济全要素、全价值链、全产业链,全面连接新型基础设施,发挥其在万物互联、信息汇聚、优化调度、异地协同、远程服务等方面的优势,助力抗击疫情工作。海尔卡奥斯COSMOPlat作为国内跨行业跨领域的工业互联网平台代表,就在其中发挥了重要作用。     

基于大数据的五年制高职护生在线学习行为要素研究

在线学习已逐渐成为高职院校一种重要学习形式,该领域也成为当前研究热点之一。对在线学习进行介绍,同时对大数据技术在在线学习平台中的应用进行分析,重点对五年制高职护生在线学习行为要素进行研究分析,为更好地开展在线学习评价提供参考,促进高职院校更好地开展在线学习,提高在线学习质量。     

可拓物元分析在网络协同授课质量评价中的探索

可拓物元分析基于我国学者蔡文在1983年创立的可拓理论而得来的,其根本是建立可以拓展的域空间,将事物属性按照级别转换成一定的量值范围并最终计算得出相应程度.目前该方法的运用范围覆盖经济、工程及数学领域等,但是在高校教学教育中的运用尚不多见,文章中选取高校网络协同授课的质量评价与该分析方法相结合,旨在建立适用于高校网络协同授课评价的方式并积极拓展该方法在教育领域中的运用.     

视频侦查中人像智能分析应用及算法优化

人像智能分析指的是对视频或录像中的人像进行结构化和可视化分析,对目标人物进行性别、年龄、发型等特征的智能识别,这项技术在视频侦查中有极高的应用价值。人像识别早期的算法是通过人工提取特征,通过学习低级视觉特征来针对不同属性进行分类学习,这种基于传统方法的模型表现常常不尽如人意。在计算机视觉领域,通过海量图像数据学习的神经网络比传统方法有更丰富的信息量和特征可以被提取。文章尝试通过深度学习技术训练神经网络模型对行人进行检测和识别,对于衣着不同的行人进行智能识别,具有更好的鲁棒性,提升了视频人像识别的准确率,拓展了人工智能技术在身份识别领域的应用。     

基于Q-learning模型的智能化放顶煤控制策略

传统的综放工作面放顶煤控制存在顶煤采出率低、出煤含矸率高等问题,而现有智能决策方法又存在建模困难、学习样本难以获取等障碍。针对上述问题,在液压支架放煤口动作决策过程中引入强化学习思想,提出一种基于Q-learning模型的智能化放顶煤控制策略。以最大化放煤效益为主要目标,结合顶煤放出体实时状态特征及顶煤动态赋存状态,采用基于Q-learning的放顶煤动态决策算法,在线生成多放煤口实时动作策略,优化多放煤口群组协同放煤过程,合理平衡顶煤采出率、出煤含矸率的关系。仿真和对比分析结果表明,该控制策略的顶煤平均采出率为91.24%,比传统"见矸关窗"的放煤方法提高约15.8%;平均全局奖赏值为685,比传统放煤方法提高约11.2%。该控制策略可显著减少混矸、夹矸等现象对放煤过程的影响,提高顶煤放出效益,减少煤炭资源浪费。     

基于深度学习技术的恶意APP软件动态检测技术

本文利用深度学习技术的方法提高检测恶意程序的能力,通过机器学习技术延伸出了机器学习技术,被广泛应用到图像处理、自然语言处理、计算机视觉与语言识别等领域中。深度学习中的卷积神经网络CNN具有良好的分类性能,还能够提高未知样本的预测能力。以此,本文就对将恶意学习技术作为基础的恶意APP软件动态检测技术进行分析。     

基于智能电表大数据的异常用电检测

异常或欺诈造成的非技术性电力损失是电力公司损失的主要源头之一。智能电表的广泛使用，使得运用大数据方法实现对非技术性电力损失的有效检测成为可能。提出了一种使用监督学习进行非技术损失检测的方法。该方法基于智能仪表记录的所有信息（耗电量、异常警报等）结合辅助数据库所提供的有关每个智能电表的地理位置和技术参数的附加信息，使用最优的机器算法来深入分析用电客户的用电行为，生成异常用电客户列表。通过现场检查的结果表明，该方法能够较为准确地识别智能电网中所存在异常用电客户。     

煤矿区生态塌陷风险远程监测与实时报警系统设计

传统系统采用定点式有线监控,受限于传输线路影响,导致煤矿区生态塌陷风险监测效率较低,为了避免人们生命安全受到威胁,设计远程监测与实时报警系统。在协同环境下分析不同层次关系,设计总体结构,为系统报警提供正确决策支持。采用TQ2440开发板设计的LCD液晶显示接口电路具有25针2.0 mm和20针0.5 mm两种接口,能够接各种单色和彩色液晶屏。采用TLP521-3型号芯片作为信息采集器的主要芯片,可通过按钮连接信息通道,为监测装置提供数据。采用SIM900A型号的监测装置可通过UART端口发送监测指令,使用敏感重力加速度计求解地势信息,获取塌陷风险最大值,根据监控风险报警实施流程完成系统设计。由实验对比结果可知,该系统风险报警预测与实际报警误差保持在-0.01～0.03范围内,具有精准监测与报警效果,为煤矿区人们生命安全提供保障。