算法设计

项目使用DDPG算法和Keras对TORCS赛车模拟平台进行训练，以达到最优路径和最短时间的训练效果。 DDPG：其主要结合改进了以下三种算法或框架： · DPG（Deterministic Policy Gradient）确定性策略梯度算法 · DQN（Deep Q-Network）深度Q网络 · AC（Actor-Critic）随机离线策略 Actor−Critic框架 DDPG可以看成是DQN的扩展版 ，不同的是，以往的DQN在最终输出的是一个动作向量，对于DDPG是最终确定地只输出一个动作。而且，DDPG让DQN可以扩展到连续的动作空间。 可以用来作为强化学习、机器学习、深度学习课设。

在当今数字化交互蓬勃发展的浪潮下，我们推出了一项极具创新性的智能对话解决方案。它旨在精准引导用户完成特定任务，无论是产品销售，还是精准留资，均可依需求自由配置任务流程。同时，借助 RAG 知识注入技术，让对话知识储备深厚且精准。在交流进程中，还能巧妙收集指定的用户信息，为后续业务拓展、客户关系维护筑牢根基，全方位赋能业务腾飞。

项目简介：旨在解决传统物理隔离传输系统中外部网络到内部私有网络的单向信息传输面临速度慢、效率低、误码率高等问题。具体为通过对文件进行特殊的编码算法处理，使传输数据以伪二维码图像矩阵的形式呈现，单张图像承载信息容量25KB；通过设计多通道编码展示和拍摄解码方式，实现多进程异步编解码，实现传输速度峰值达700KB/s，是当前国内同类竞品的7倍。 项目业绩：1.攻克传统物理隔离传输系统中单向信息传输速度慢、效率低及误码率高的难题，开发出创新性的物理隔离文件单向传输系统，提升企业与外部网络文件交互的效率与可靠性。 2.运用比特流加密、比特流图像转换编码算法将文件转化为伪二维码矩阵图像，实现高效信息承载与传输，有效减少传输过程中的数据错误与丢失，误码率较传统方式降低70%。3.基于现代计算机视觉和图像处理技术构建多通道展示与拍摄机制，实现多进程异步编解码，使系统传输速度峰值达 700KB/s，远超同类竞品。4.设计并实现系统与上层应用的交互接口，达成实时数据传输管控功能。通过此接口，上层应用能够对传输文件数据进行实时监控、调度与管理，提升数据传输的灵活性与可控性。

1.本软件面向使用AI绘画的用户，解决了用户在本地电脑使用AI工具进行绘画的问题。 2.相比于同类型的AI绘画产品，使用本软件的用户无需联网使用第三方提供的API即可在本地机器进行AI绘画，且出图质量高能够达到商用或者准商用水准。 3.本软件使用了目前较先进的绘画模型，可以由AI生成单张图片也可以批量生成图片。

1. 本方案面向谁，解决了什么问题 本方案主要面向以下几类用户： 科研人员：帮助科研人员快速生成论文综述，节省大量文献阅读和整理时间。 学生：辅助学生撰写学术论文，特别是文献综述部分，提高写作效率和质量。 学术机构：为学术机构提供自动化工具，提升论文撰写和评审的效率。 解决的问题： 文献处理效率低：传统文献阅读和整理耗时耗力，本方案通过自动化处理，显著提升效率。 综述撰写难度大：撰写高质量的论文综述需要深厚的学术功底，本方案通过智能生成，降低撰写难度。 引用关系复杂：手动管理文献引用关系容易出错，本方案自动建立和维护引用关系，确保准确性。 论文评估主观性强：传统论文评估依赖评审人员的主观判断，本方案引入评定角色，提供客观评估标准。 2. 相比于市场常规方案，本方案有哪些特点 市场常规方案： 文献管理工具：如EndNote、Zotero，主要用于文献的存储和引用管理，缺乏自动生成综述的功能。 文本生成工具：如Grammarly、Hemingway，主要用于文本的语法和风格检查，无法生成学术性强的综述。 学术搜索引擎：如Google Scholar、PubMed，主要用于文献检索，无法自动生成综述和引用关系。 本方案的特点： 自动化文献处理：自动精读文献，提取关键信息，生成综述大纲和初稿。 智能生成综述：基于深度学习模型，生成符合学术规范的论文综述，内容准确且逻辑清晰。 引用关系自动建立：自动识别文献之间的引用关系，生成规范的引用列表。 论文评定角色：引入AI评定角色，提供客观的论文评估，减少主观偏差。 多语言支持：支持多种语言的文献处理和综述生成，满足国际化需求。 用户定制化：用户可根据需求定制综述的风格、长度和重点，生成个性化的论文综述。 3. 方案的产品组成或技术选型 产品组成： 文献处理模块：负责文献的自动下载、解析和关键信息提取。 综述生成模块：基于提取的信息，生成综述大纲和初稿。 引用管理模块：自动建立和维护文献之间的引用关系，生成引用列表。 论文评定模块：引入AI评定角色，对生成的论文进行客观评估。 用户界面：提供友好的用户界面，方便用户操作和定制化设置。 技术选型： 自然语言处理（NLP）：使用BERT、GPT等预训练模型，进行文献的精读和关键信息提取。 深度学习：采用Transformer架构，生成高质量的论文综述。 知识图谱：构建文献之间的引用关系，实现引用管理的自动化。 机器学习：训练AI评定角色，提供客观的论文评估。 云计算：基于云平台，提供高效的计算和存储资源，支持大规模文献处理。 通过以上技术选型，本方案能够高效、准确地生成论文综述，满足用户的多样化需求。

 店铺搜索效果优化，包括粗排，精排，样本，特征优化，店铺内UCVR累计提升10%  券搜策略优化：对于高价item/个性化item进行提权，UV价值提升20%  垂搜流量调控：从0到1开发垂站等流量调控：包括EE/特定品置顶/穿插的策略

1、项目应用于无人车在行进过程中对道路进行正确的识别，便于有效避障 2、功能主要是提取图像信息中的有效特征，实现道路与周围环境的分割，并将道路与环境通过二值图标注出来 3、主要框架为图像增强、特征提取、特征分析、特征降维、贝叶斯多线索融合机制、图像降噪

本项目基于先进的深度学习算法，结合图像处理和生成对抗网络（GAN）技术，致力于打造能够生成高质量虚拟场景和角色形象的AI程序。通过简单的图片输入，用户可以轻松生成逼真的虚拟形象，无需复杂的操作和专业的图像处理技能。这使得该程序不仅适用于普通用户，也为影视制作公司、广告创意团队以及其他需要定制化图像内容的领域提供了极大的便利。 该AI程序的核心优势在于其多功能性和强大的适应性。用户可以生成各种风格的虚拟场景，从逼真的现实场景到未来主义的科幻世界，从二次元的卡通风格到虚拟人类的超写实形象，均可轻松实现。同时，程序支持对生成图像的精细化控制，包括但不限于角色的表情、姿态、服装风格、场景灯光以及背景环境等。这使得用户能够根据个人或项目需求，对生成内容进行高度定制化调整，从而最大化满足创意和商业需求。 该作品的应用领域十分广泛，尤其在以下几个方面具有显著优势： 影视娱乐行业：虚拟角色生成技术可以帮助影视制作公司在减少制作成本的同时，加快后期处理的效率。虚拟偶像和虚拟演员可以大规模应用于广告、电影和电视节目中，提升视觉效果的同时，灵活应对演员时间或场景限制。 AI虚拟偶像和数字形象：通过AI生成技术，可以创造出逼真的虚拟人物，这些虚拟偶像能够被用于社交媒体、商业代言、直播互动等场景，具有极大的商业潜力。该项目生成的虚拟形象不仅在外观上非常逼真，还可以通过AI语音和动作捕捉技术，实现与真人相似的互动。 AI换装和虚拟时装：用户可以选择不同的服装风格和配饰，将生成的虚拟人物应用于时尚行业或电子商务平台，展示不同的服装搭配效果，为消费者提供个性化的购物体验。 AI换脸和特效制作：该程序能够通过换脸技术，将用户的面部特征无缝融入到虚拟角色中，并生成多样化的表情、动作。它不仅可以应用于个人娱乐，还可以为视频制作和广告宣传提供强大的技术支持。 通过对这些先进AI技术的灵活应用，本项目为用户提供了丰富的创作工具和无限的想象空间，极大地提升了虚拟形象生成的效率和精度。无论是影视娱乐行业的从业者、时尚设计师，还是普通用户，都能够从中获得创新的图像生成体验。

塔吊自动驾驶系统简介 一、面向对象与解决问题 塔吊自动驾驶系统主要服务于建筑施工行业，旨在解决高空作业风险、人工成本上升等问题。 二、东土科技系统特点 高度集成：集成智能控制器、实时控制等，实现自动驾驶。 精准规划：RTK定位，路径规划与AI算法进行检测避障，确保安全精准。 实时监控：监控塔吊状态与环境变化，预警并停机避免事故。 高效传输：先进通信技术保障数据传输与处理的高效性。 三、产品组成与技术选型 UI软件监测：3D仿真显示和2D的UI展示和提示，实时视频监控。 控制器：稳定的工业控制器。 操作系统：实时操作系统，稳定运行环境。 传感器：激光雷达与摄像头，地图构建和环境感知。 操作界面：手持器与移动端控制，发送指令并显示状态。

面向群体：全年龄段 主要功能：主要提供优质资料供于学习，缓解教育资源差距带来的问题 项目获奖：该项目在2024 CCF CAT全国智能体开发大赛获得全国三等 作品图片：提交的是获奖证明 详细看提交的文档(我是第一完成人，队友是长春理工大学硕士，目前在我团队） 商业价值：目前开发阶段，前途无量

将船舶的经纬度数据AR投影到摄像机的画面之中，实现在河道的摄像头画面中可以查询到船只的AIS信息。 相比较于市面上的其他算法，本算法不需要严格的要求摄像头的品牌和尺寸。 摄像头投影的准确率达到99%，同时支持动态监控，缩放监控。

大模型通常指的是指基于大规模数据训练的深度学习模型，如GPT-3、BERT等。这些模型通常具有数十亿到数百亿个参数，能够对自然语言进行更深入的理解，并在多个自然语言处理任务上取得出色的表现。 RAG代表Retrieval-Augmented Generation，是一种结合了检索和生成的自然语言处理模型。RAG模型结合了检索式问答和生成式问答的优点，能够在生成答案时从大规模的知识库中检索相关信息。这种模型结构使得它在问答任务中能够更好地处理需要深入推理和大规模知识的问题。 总的来说，大模型通常指的是参数规模庞大的深度学习模型，而RAG是一种结合了检索和生成的自然语言处理模型，能够在问答等任务中发挥作用。

1.数据收集与清理： 收集历史空气质量数据，识别并处理缺失值和异常值，确保数据质量。 2.特征工程： 提取和构建与空气质量相关的特征，包括气象条件、污染物浓度等，并进行特征选择和降维，以优化模型性能。 3.相关性分析： 探讨空气质量指标之间的相关性，识别主要影响因素，为模型提供科学依据。 4.模型开发与训练： 选择并训练适合的机器学习模型，使用交叉验证等方法调整参数，以提高预测准确性。 5.模型评估与优化： 对模型进行评估，使用指标如均方误差（MSE）和平均绝对误差（MAE）衡量模型性能，并根据结果进行优化。 6.预测与应用： 利用训练好的模型，对未来6小时的空气质量进行预测，并提供应用场景的建议，如污染预警系统等。

本系统面向HR和求职者，解决了用人单位通过职位快速匹配候选人的问题，根据求职者简历和求职职位，快速匹配岗位 本方案相对于常规方式，对简历解析，形成结构化信息，对候选人画像，综合匹配岗位要求和职责，实现快速和准确的匹配 技术：常见简历文档读取和解析（深度学习+行业知识图谱），人才画像，职位描述读取和解析，匹配

面向国内亿级短视频用户构建推荐系统，提升主站精排和海外APP的用户消费时长。 在特征工程的基础上，采用时长互动目标mmoe+长短期期兴趣序列sim架构，相比传统的DNN结构，提升效果明显。 搜推联动项目，结合搜索和推荐两大展位用户数据，优化不同场景下的时长。

Bigo Likee，Imo Feed 信息流推荐：面向海外短视频消费用户，基于千万级月活构建短视频，图片，帖子资源推荐系统，提升用户观看vv，时长和互动行为。 技术方案：在用户，视频，上下文特征的基础上，构建多目标MMOE网络，并通过多目标自动调参优化多目标权重。 Likee Push 推荐：面向海外短视频消费用户，构建亿级用户批量推送Push推荐系统，提升用户点击率。采用汤普森采样+UCB筛选优质Push内容。 Hello 交友匹配：面向国内聊天交友用户，构建在线实时交友匹配系统，综合异性，兴趣，新老用户，等待时长等因素，提升新老用户留存，增加好友率和消费时长。采用二分图匹配算法，最大化匹配权重。

本人主要负责算法设计，创新点代入，代码测试以及图像生成，还可以指导latex写作，主要专注于优化领域算法，多目标优化和单目标优化均有涉及，对于多种群，多约束，带约束和无约束多目标算法均有研究，欢迎前来咨询