MySQL

一套集行为识别、数据服务与可视化管理于一体的课堂智能分析系统，主要功能包括：课堂行为智能识别基于YOLOv8模型对课堂视频或图片进行目标检测支持识别抄袭、分享答案、东张西望、使用手机、睡觉等多种课堂行为提供单帧检测、视频检测及实时流检测能力实时与离线分析能力支持摄像头或RTSP视频流的实时行为检测支

本项目基于B/S架构构建了一套综合视觉监测系统，主要包含以下具体功能模块：1.作物病害智能检测：利用YOLO11深度学习算法对视频流进行实时推理，精准定位并分类（如早疫病、细菌性斑点）番茄叶片病害，自动统计病害分布数据。2.人员安全与行为监测：基于YOLO-Pose姿态估计技术，通过检测框几何规则（

在基于信号大数据的雷达辐射源调制研究中，利用MATLAB软件对目前已知的所有调制类型进行仿真建模。这是整个研究的基础步骤，为后续的图形处理和分类等操作提供数据支持。使用大量的图片对核心程序进行训练识别，让程序学习不同调制类型的特征。通过不断的训练，使程序能够准确地识别各种雷达信号的调制类型。

本系统围绕医护培训在线考试系统的设计和实现展开研究，通过调研国内外相关文献和分析医护培训在线考试系统的功能需求，从而进行概要设计、详细设计，最终描述开发和实现过程。同时，在基本的在线考试系统基础上，本文通过引入基于遗传算法的自动组卷，确定约束条件，来简化人工命题组卷的过程，同时提高组卷质量；通过引入

核心算法:采用最新的YOLOv11算法，兼顾检测速度与精度。一站式流程:集成环境检测、数据集配置、模型训练、结果可视化等全流程功能。多模态检测:支持图片文件、视频文件以及实时摄像头画面的目标检测。可视化交互:通过直观的GUI界面展示检测结果（边界框、置信度、类别），并支持训练过程中的参数配置与日志监

1、数据爬取。利用爬虫程序模拟人类浏览行为，遍历目标网站，收集并整理所需数据。遵守法律法规和网站规则，尊重隐私政策，避免对目标网站造成不必要的负担。同时，还注重数据的准确性和完整性，确保爬取到的信息具有实际应用价值。2、数据分析。通过数据挖掘和机器学习算法，数据分析发现隐藏的价值，推动业务创新和发展

本科专业为信息工程，曾经开发过多个微信小程序，结合各种单片机代码；精通微信小程序前后端搭建。 研究生专注于计算机视觉，尤其是医疗影像方向。深度学习方面代码熟练，使用Pytorch框架。擅长处理自然图像、CT、MRI、超声图像均有涉足。

后端使用java + spring开发rest api，移动端通过http请求后台api来传递数据，数据库使用mysql数据库。 移动端使用android，在后端定制随访内容，后台查询数据库，把表单内容格式化成json数据传递给移动端，在移动端根据后台定制json动态显示问卷内容。 获得随访数据以后，在后台运用大模型定期进行数据分析，排查出有风险的相关人群。

该项目主要分为三部分，算法、前端和后端，算法读取摄像头数据并实时处理，将处理后的结果发给后端保存，处理后的视频经流媒体发给前端显示；前端使用Vue框架，结合element-ui、Echarts实现了对人流量数据的图表分析功能。后端采用SpringBoot，实现数据的接收发送与用户权限管理。

#软件类设计#pc端#系统开发#app 接 专科/本科 软件类 论文设计、论文撰写，格式修改，降重 企业级 PC端系统开发、网页系统开发、手机app开发、小程序开发 高效完成✅ #软件类设计#pc端#系统开发#app 接 专科/本科 软件类 论文设计、论文撰写，格式修改，降重 企业级 PC端系统开发、网页系统开发、手机app开发、小程序开发 高效完成✅ #软件类设计#pc端#系统开发#app 接 专科/本科 软件类 论文设计、论文撰写，格式修改，降重 企业级 PC端系统开发、网页系统开发、手机app开发、小程序开发 高效完成✅

该软件主要帮助客户开发对AI知识库的运用，使用客户产品知识库训练大模型回答相应问题，还能根据客户的语义，生成相应的图片（文生图、图生图）。 该项目主要分三大块，智能AI对话、智能生图、群聊功能，对于客户来说，主要解决了学生在机构中了解到机构的基本背景，通过机构的课程学习，能够使用app实现图片的生成，还能通过群聊与机构老师进行沟通。 该项目主要通过本地部署大模型（langchain+通义千问）实现智能对话，stablediffusion实现智能生图，通过调用腾讯即时通讯实现群聊功能，主要特点是大部分功能都通过开源框架本地部署来实现，能够节约外部调用api的费用。

利用python从tushare，akshare，东财等抓取A股交易数据，整理后存储于mysql，作为机器学习（主要利用scikit-learn，pytorch）的数据仓库，采用多因子追涨策略，回测近三年历史数据，收益率60%左右。

技术架构 后端技术 Hadoop & Hive：用于存储和处理大规模的旅游数据。Hadoop分布式文件系统（HDFS）提供高效的数据存储，Hive用于数据分析和查询。 Pandas：用于数据清洗和预处理，确保数据的质量和一致性。 Flask：轻量级Web框架，用于构建Web应用的后端服务，处理用户请求和响应。 前端技术 ECharts：用于数据可视化，展示旅游景点的评分分布、用户评论情感分析结果等，为用户提供直观的决策支持。 HTML/CSS/JavaScript：用于构建用户友好的界面，确保系统的易用性和交互性。 算法 推荐算法：结合协同过滤和内容推荐的混合推荐算法，通过分析用户的浏览历史、评分和评论等数据，生成个性化的旅游推荐列表。 情感分析：利用自然语言处理技术分析用户评论的情感倾向，进一步优化推荐结果。 系统特色 1. 大数据技术支持 本系统采用Hadoop技术处理大规模数据，确保在高并发条件下依旧能够快速响应用户需求。通过对用户行为数据的深度分析，系统能够挖掘用户的隐性需求，从而提供更加符合用户兴趣的推荐内容。 2. 多维度个性化推荐 系统整合了景点、美食、购物和活动等多方面的旅游资源，结合用户的历史浏览记录、评分和评论等数据，利用先进的推荐算法为用户生成个性化的旅行推荐列表。同时，情感分析技术的引入，使得系统能够进一步理解用户对不同旅游资源的情感倾向，优化推荐结果。 3. 直观的数据可视化 通过ECharts进行数据可视化展示，系统不仅为用户提供了直观的推荐结果，还展示了热门景点的评分分布、用户评论情感分析结果等，帮助用户更好地做出旅行决策。 4. 完善的用户交互界面 系统采用Flask框架开发Web应用，提供用户友好的界面设计。用户可以轻松地浏览推荐内容、进行个性化搜索、查看详情以及发表评论。同时，系统还提供了登录和注册功能，保障用户数据的安全性和隐私性。 系统功能 1. 景点推荐 根据用户的浏览历史和其他用户的评价数据，通过算法模型分析出用户可能感兴趣的景点，并提供推荐列表。 2. 智能搜索 用户可以通过输入关键词搜索景点、酒店、美食等旅游相关信息。搜索系统能够根据用户的输入提供相关的搜索建议和自动完成功能。 3. 评论与评分 用户可以对访问过的景点或体验过的服务进行评分和评论，这些数据将反馈给推荐系统，用于优化未来的推荐结果。 4. 个性化旅游路线规划 系统能够根据用户的时间、预算和兴趣爱好自动规划个性化旅游路线，用户还可以手动调整路线并即时看到调整后的效果。

大数据处理：每日处理上亿级别的日志，为后续机器学习或数据分析提供数据资料，保证后续分析平台的稳定正常运行。 大数据自动化业务流程 在指定的时间自动启动任务，确保按正确的顺序执行，提供一个图形化界面，实时监控每个任务的进展情况。

气体检测模型搭建前后端平台。后端采用python+flask架构完成，前端使用vue3+vuetify完成。借助websocket实现前后端数据日志记录更新展示。借助基础组件对视频流效果进行封装，实现播放器功能。后端完成对yolo模型的导入和调用 本人主要负责前后端搭建编码和模型导入使用

城市监控AI模型是一个高度复杂且技术先进的系统，旨在提高城市安全和监管效率。这个项目通过集成多种机器学习技术和大数据分析，为公安部门提供实时监控和事件预警功能。以下是对这个项目的详细介绍： 项目名称：城市监控AI系统 项目概述： 目的：利用人工智能技术，增强城市监控系统的自动化和智能化水平，提升事件响应速度和准确性。 技术栈：采用深度学习、模式识别和图像处理技术，结合Python和TensorFlow等开发工具。 核心功能： 实时视频分析： 系统能够处理和分析来自城市各个角落的实时视频数据。 应用图像识别技术自动检测并标识异常行为或潜在风险事件。 行为识别与预警： 通过行为分析模块，系统可以识别各种特定行为模式，如聚众、异常行走路线等。 一旦检测到潜在威胁，系统会自动触发警报并通知相关部门。 数据分析与报告： 系统集成了高级数据分析工具，可对收集到的数据进行深入分析，生成安全报告。 支持数据可视化，帮助决策者快速理解情况并采取行动。 个人贡献： 负责主要的算法设计和优化，确保系统能够高效准确地处理大规模数据。 在系统集成和测试阶段发挥了关键作用，确保所有组件的无缝协作。

使用神经网络(LSTM)对样本存取频率进行预测，预测出未来哪些样本的存取频率高，并将其存放在离机械臂近的地方。 算法：长短期记忆网络（LSTM） 使用Pyside2来开发界面，使用Python语言编写 采用mysql数据库

1.整个项目分为数据爬取存储:使用python编写爬虫程序从某二手房网站爬取相关数据并存储至本地mysql;数据处理，对不规则化数据进行编码，特殊数据进行数值转化，归一化等处理；特征工程，根据实际预测场景结合外部数据（如地图API提供的POI信息等）分析构建有效特征，保留有效特征；模型构建，尝试多个匹配当前任务数据类型和预测目的的基础模型进行测试；优化调参，通过spark高效完成模型自动化调参，自动选择最优参数；模型集成，通过投票、得分等方式对较优模型进行集成学习等几个方面。 2.该项目最终可对二手房房价进行预测，最终预测结果偏差在500元/平方米上下。

1、项目分为三个部分：数据源获取和数据处理、人效模型构建、模型应用上线。 2、难点和解决方案：（1）数据源选取：用实际达成效率结合线下抽查压测数据做数据打标、结合主客观特征做特征加工；（2）特征工程：区分静态特征和动态特征，对非结构化特征做结构化处理，对信息稀疏型特征提炼多维度描述和统计特征进而做降维处理，通过线性、非线性特征评估方法评估特征重要程度做特征选取。

在线采集各硬件数据，进行分类存储，通过数据设置设置报警预警提示，并对设备进行智能健康诊断和生命周期预测，并对故障原因进行真能诊断分析。