TensorFlow

本项目基于TensorFlow/Keras深度学习框架，实现10类服装灰度图像智能分类，核心功能如下：数据集加载与预处理加载Fashion-MNIST标准数据集，完成像素归一化、维度适配，划分训练集、验证集、测试集；图像数据增强通过随机旋转、平移、缩放、水平翻转扩充训练样本，缓解样本量不足，提升模型

本项目实现了一个可调控生物节律LED光源分析与优化系统，主要功能包括：1）读取并清洗LED光谱功率分布SPD数据，完成波长、功率和单位的预处理；2）基于CIE色度学模型计算相关色温CCT和色偏差Duv；3）基于TM-30显色评价方法计算保真度指数Rf和色域指数Rg；4）基于CIES026/E生理节律

项目围绕轴承故障诊断构建了四个模块：数据重采样与滑窗预处理、多维物理特征提取、源域故障分类与可解释分析、以及基于DANN的跨域迁移诊断。支持从振动信号生成时频谱图、训练分类模型、输出目标域故障标签，并结合SHAP、Grad-CAM和包络谱验证模型决策依据。

设计了常量与配置模块、核心数据结构模块、工具类模块、索引与词图计算模块、核心分词逻辑模块。常量与配置模块：定义工厂的“基础规则”和“标准配件”，避免硬编码，统一管理配置。核心数据结构模块：定义分词过程中需要的“实体对象”，封装词的属性（位置、长度、权重、类型）。工具类模块：提供底层工具能力——字节流

系统主要包括设备数据采集、视频流接入、图片上传分析、AI模型推理、实时数据展示、历史数据保存、事件告警、ROI区域配置、模型参数配置、MQTT/HTTP接口上报、日志查看、服务状态监控、配置管理和远程运维等功能。设备侧支持通过Modbus、串口、MQTT或HTTP接口采集现场数据；视频侧支持接入摄像

系统主要包含数据预处理、候选图书召回、特征工程、模型训练、推荐排序和结果导出等功能模块。1.数据预处理：对用户信息、图书信息、借阅记录进行清洗、去重、缺失值处理和格式统一；2.候选召回：基于用户历史借阅行为、相似用户协同过滤、图书热度等策略生成候选图书；3.特征工程：构造用户活跃度、图书热度、类别偏

通过这一平台，安永睿赋致力于帮助企业实现大模型应用的快速落地，优化全链路运转流程，并带来真实的业务价值。包含会话、构建智能体、知识库管理、模型管理和系统管理等模块。

1、设备候选校验：自动评估候选设备规格匹配度，生成评分报告；2、预算优化：基于约束条件推荐最优设备组合方案；3、生态兼容性检查：检测设备间协议与接口兼容性；4、工程搭建路线：生成分步实验搭建指南；5、实验优化路线：基于历史数据推荐参数调优方案；6、产业化路径分析：提供从实验室到量产的迁移建议。支持S

支持仿真参数可视化配置输入、多工况自动迭代计算、计算结果图表化展示、标准化工程数据文件导出，内置智能收敛判定与误差修正逻辑，能够有效缩短仿真计算周期，降低人工调试成本，显著提升低空装备与流体力学工程领域的研发效率。

基于RAG的LLM金融AI分析师系统，支持用户上传财报、研报、新闻等金融文本资料，并结合实时新闻资讯进行公司分析。系统通过文档切分、向量化存储、相似度检索和提示词组装，将用户问题与相关资料一起输入大语言模型，生成带有来源引用的金融问答、基本面分析、风险提示和投资研究摘要。项目重点解决通用大模型在金融

前后端分离架构设计与核心开发：基于FastAPI构建高性能后端服务，使用Vue3开发响应式前端管理界面。通过RESTfulAPI实现前后端解耦，独立完成用户认证、文档管理、问答会话等10+核心接口设计与实现。结构化数据与向量数据双存储架构：使用MySQL存储用户信息、文档元数据、对话历史等结构化数据

本项目的核心创新并非单一算法的修修补补，而是在系统架构层面重新审视了无人机智能感知任务的执行范式。传统无人机视觉系统通常遵循一种固定的流水线——检测然后跟踪然后依据预设逻辑做出响应——这种模式在面对复杂多变的自然语言指令或未曾预见的边缘场景时显得僵硬而脆弱。UAVagent1.0通过引入异构多智能体

本系统实现了案件智能分析、类案推荐、罪名预测、辅助量刑、法律依据推荐、法条智能检索、高级案例查询、案件详情展示以及相似度与置信度可视化等功能，能够基于案件语义自动匹配历史相似案例并生成裁决参考结果，为司法人员提供智能化辅助办案支持。

项目建设完成后，将在以下方面实现突破：专业化知识理解：精准解析燃机领域技术规程、诊断步骤及运行数据。数据驱动决策支持：为运行调度、故障排查提供智能分析。可扩展的技术架构：支持多场景扩展与持续模型迭代，保障系统在未来业务需求变化中的适应性。本项目的实施将有效提升燃机运行管理的智能化水平，降低人工

系统可基于历史对话上下文、用户画像及实时输入，实现用户意图自动理解与复杂任务拆解，并通过自研调度中心将子任务分发至多智能体协同执行，支持自动完成机票预订、外卖点餐、行程规划等端到端复杂生活服务，实现全流程无人化执行与结果反馈。

将整个研究视为一个“感知-决策-部署”的完整系统进行顶层设计。该方法将目标检测模块、多目标跟踪模块，分析并权衡各子系统在精度、速度、资源占用等关键指标上的内在矛盾与协同关系。基于此，规划出从算法层改进、到应用层集成、再到工程层优化的阶梯式技术路线，确保最终实现的系统原型在整体性能上达到最优平衡，满足

1.基于ROS2Humble搭建机器人通信框架，实现多节点分布式开发，支持传感器数据实时采集与传输；2.集成YOLOv8目标检测算法，实现对行人、车辆、障碍物等多类目标的实时识别与跟踪，检测帧率稳定在30FPS以上；3.提供目标坐标输出、ROS话题发布功能，可直接对接机器人导航、避障等上层模块，支持

1.自选基金管理支持添加/删除自选基金，维护个人关注组合支持为每只基金录入成本价、持仓份额、持仓备注（可选）支持分组管理（如：半导体、制造、指数、债基等）2.规则配置与策略模板支持为每只基金配置个性化规则：买入区间（如2.27–2.30）止盈阈值（如≥2.47）止损阈值（如≤2.20）分批买入/分批

编程语言：PythonAI框架：PyTorch或TensorFlow（用于风格迁移模型，如CycleGAN或预训练的NeuralStyleTransfer）图像处理：OpenCV和Pillow用户界面：Gradio或Streamlit（快速构建交互界面）其他：HuggingFaceDiffusers

主要分为1.边缘计算设备，作为本地的计算核心，部署LLM，Mcp服务，语音交互工作流，深度学习的算法模型检测等。2.控制器，基于Esp32s3过uart串口与边缘计算设备通信，传输数据调用mcp服务控制机器人的休眠状态，功放开启等