关键词： 人工智能   思想政治教育   融合   创新  

摘要： 人工智能与思想政治教育融合是顺应时代和实践发展的必由之路。在理念思维层面,坚持跨界思维、互动思维和系统思维,着力推进人工智能与思想政治教育的深度融合。在方法手段层面,人工智能在融入中助力思想政治教育方法的效力提升、守正创新与合力汇聚。在平台场景方面,人工智能在与思想政治教育融合中既着力创建人机协同的智能化教学场景,也助力优化创新日常生活教育场景。

关键词： 人工智能   医学教育   政策文本   政策制定  

摘要： 从政策工具视角出发，梳理中国人工智能赋能医学教育有关政策文本，分析政策发展方向，为今后政策的制定和完善提供参考和建议。本研究以154份人工智能赋能医学教育的政策文本为样本进行分析，采取政策语义特征研究、政策工具研究等方法，得出政策的趋势以及政策工具的具体使用情况。分析发现，“人工智能”“医学”“教育”等词占比突出。对所纳入的154份政策文本内容进行编码，统计结果显示政策工具主要以供给型为主，占比为51.15%；需求型政策工具次于之，占比为27.18%；环境型政策工具占比最少，占比为21.65%。研究结果显示，不同类型政策工具的使用存在失衡，应该增加供给型政策工具的实施，同时提高环境型政策工具中激励性工具的使用以及增加需求型政策工具的需求。

关键词： 航空发动机   篦齿封严   机器学习   径向基函数神经网络   泄漏系数  

摘要： 以光滑衬套直通式篦齿为研究对象，基于机器学习方法实现了篦齿封严流动传热性能的精细化和快速化预测。遴选篦齿封严间隙、齿距、篦齿前倾角、入口总压和转速为机器学习模型输入，基于拉丁超立方抽样和CFD仿真方法建立机器学习所需的学习样本；针对计算域划分独立的机器学习网格节点（其数量远小于CFD网格），把径向基函数神经网络独立建立在每个节点上并直接预测对应位置的总压、总温及速度。将径向基函数神经网络与CFD计算结果对比发现，对于总压、总温及速度，径向基函数神经网络预测的平均绝对百分比误差分别为0.07%、0.17%和0.14%，均方根误差分别为1.18kPa、1.8K和6.45m/s。并对机器学习模型输入和输出参数之间的数值关联进行了详细分析。研究成果为篦齿封严流动传热高效低成本建模提供新的技术途径。

关键词： 模型设定检验   变量显著性检验   维数灾难   机器学习  

摘要： 本文对回归分析中的两类假设检验问题,即模型设定检验和变量显著性检验,进行简要介绍,并描述针对这两类检验问题的经典的和近期所发展的检验方法.进而介绍相关统计量的构造原理,并对不同方法可能存在的问题进行评述.经典的方法主要针对低维数据,往往受自变量维数的影响较大.近期所发展的方法主要适用于高维数据,旨在有效克服这两类检验问题中的维数灾难难题.机器学习算法的使用是近期所发展的检验方法的重要特征.最后对一些可能的议题进行简单讨论.

关键词： 大模型   人工智能   Transformer   GPT  

摘要： 近年来，随着以ChatGPT为代表的大语言模型（Large Language Models，LLMs）在通用人工智能方向上取得的突破性进展，国内外掀起了大模型应用的研究热潮。相比于单一的语言模态，多模态信息更贴近于人对外界理解和交互的媒介。据此，研究者将LLMs的架构进一步扩展到多种模态的任务（如文本、图像、音频、视频、传感器等），通过不同模态信息的对齐和统一，形成了多模态大模型。得益于大模型参数规模和数据量级的显著增加，在各个模态的相关任务中相比传统主流算法取得了显著的性能提升，从而向通用人工智能迈进了重要的一步。概述了多模态大模型的技术架构、发展历程以及代表性的算法模型。

关键词： 环式土工管袋   模型试验   充填方式   充填高度   充填机制   机器学习  

摘要： 中国每年从江河湖库等水域疏浚淤泥量达数亿方，通常进行陆地自然堆存，长期占用大范围土地。本文提出一种新型环式管袋堆场蓄淤排水技术，能有效解决疏浚淤泥堆放场地有限的问题，其中环式土工管袋的充填对环式管袋堆场蓄淤排水技术的实施至关重要。为研究环式土工管袋充填过程中形状、高度、充填机制、压力等特性，开展不同工况下环式土管袋充填室内模型试验，研究逆时针、径向、竖直3种充填方式条件下，充填速度分别为2.43、2.55、2.66和2.77 m/s时，土工管袋充填后高度以及充填机制。逆时针充填时，挟沙水流首先向逆时针方向流动，泥沙淤积至一定程度后，挟沙水流运动受阻，开始向顺时针方向流动；径向充填时，挟沙水流以一定角度向两侧进行充填。竖直充填时，挟沙水流撞击靠近地面管袋一侧后向两侧进行充填。试验结果表明：当充填方式为逆时针、充填速度为2.77 m/s时，管袋充填后平均高度最高；当充填方式为径向、充填速度为2.43 m/s时，管袋整体充填后平均高度最高；当充填方式为竖直时，4种充填速度条件下充填后管袋内泥沙分布极不均匀，管袋充填后高度与充填速度无关。12种工况下，逆时针充填且充填速度为2.77 m/s时，管袋充填后平均高度最高（0.09 m），袋体内泥沙颗粒分布较为均匀。基于试验测得的管袋充填后高度，应用机器学习原理，使用随机森林算法对逆时针、径向、竖直3种充填方式条件下的管袋高度进行模拟预测，结果较为准确，其中均方误差值分别为5×10-5、3×10-4、2×10-5。

关键词： 旋转机械   故障诊断   机器学习   数字特征   图像特征  

摘要： 机器学习理论的不断应用，推动了故障诊断深入发展。基于机器学习的旋转机械故障诊断算法种类繁多，输入特征形式多样，为深入理解各种特征形式的作用效果，结合该领域的研究现状，对机器学习算法的输入特征形式现有研究进行综述。将其分为数字特征形式和图像特征形式两大类别，分别论述了统计特征、信息熵、时频图特征参数和灰度图、格拉姆角场图像、谱峭度图、小波系数矩阵、时频图特征形式的基本生成原理、应用现状以及优缺点，最后对基于机器学习的旋转机械故障诊断所面临的挑战和发展前景进行了总结与展望。

关键词： 人工智能   自然语言处理   司法领域关系抽取   深度学习   信息增强  

摘要： 中文司法领域的实体关系抽取技术在提高办案效率方面具有重要作用，但现有模型缺乏领域知识且难以处理重叠实体，造成难以准确区分和提取实体关系等困难．通过引入领域知识，提出一种法律信息增强模块，增强了文中提出法律潜在关系与全局对应（legalpotentialrelationshipandglobal correspondence, LPRGC）模型理解法律文本中的术语、规则和上下文信息的能力，从而提高了实体和关系的识别准确性，进而提升了实体关系抽取算法的性能．为解决重叠实体问题，设计了一种基于潜在关系和实体对齐的关系抽取方法．通过精确标注实体位置，筛选潜在关系，并利用全局矩阵对齐实体，解决重叠实体的关系抽取问题，能够更准确地捕捉到重叠实体之间的关系，并有效地将其映射到正确的实体对上，从而提高抽取结果的准确性．在中国法律智能技术评测数据集上进行实体关系抽取实验，结果表明，LPRGC模型的准确率、召回率和F1值分别为85.21%、81.19%和83.15%，均优于对比模型，特别是在处理实体重叠问题时，LPRGC模型在单实体重叠类型的抽取中，F1值达到了81.45%，比CasRel模型提升了1.71%；在多实体重叠类型的抽取中，F1值达80.67%，比CasRel模型提升了2.16%.LPRGC模型在实体和关系抽取的准确性上较现有方法有明显改进，证明其有效提升了模型性能，并在处理复杂法律文本中的实体重叠问题上取得了显著效果．

关键词： RDX-CMDB推进剂   摩擦感度   撞击感度   机器学习   数据增强  

摘要： 为了满足对于固体推进剂安全性能预测的迫切需求，本研究提出了一种基于机器学习的推进剂安全性能预测方法 .针对现有推进剂的安全性能数据量不足的问题，本研究引入主动学习混合插值（AL-Mixup）方法对数据进行了增强.综合考虑推进剂原料的组分种类、含量和颗粒粒度对安全性能的影响，本研究构建了含RDX改性双基（RDX-CMDB）推进剂的摩擦感度与撞击感度预测模型.以28组实验测定获得的RDX-CMDB样本为初始数据集，本研究获得了不同数量的增强样本.经Z-score特征标准化处理后，本研究用10种不同的机器学习算法构建了多种预测模型.以R2、RMSE和MAE作为评价指标，本研究利用十折交叉验证法对比分析了不同数量增强样本及不同机器学习算法的组合的预测能力，最终得到两个性能优异的预测模型，一个是基于支持向量回归算法的摩擦感度预测模型（R2=0.7950），另一个是基于人工神经网络算法的撞击感度预测模型（R2=0.8932）.对外部样本的测试结果显示，两个模型的预测精度均超过88%，同样令人满意.本研究首次实现了RDX-CMDB推进剂安全性能的快速预测，可望为此类推进剂的安全使用和配方优化提供理论依据.

关键词： 隧道变形   预测   机器学习   支持向量机   优化算法  

摘要： 本文深入探讨了围岩大变形等级预测问题，特别是利用支持向量机（SVM，support vector machine）及其优化算法在大变形等级预测中的应用。通过收集以往大变形案例，选取合理的预测指标，采用不同的SVM优化算法及大变形分级方案，研究了不同优化算法在隧道（洞）大变形等级预测中的性能。研究发现，SVM以其强大的泛化能力和非线性建模能力，在解决隧道（洞）大变形等级预测问题上具有显著优势。通过14种优化算法可以进一步提升SVM的预测精度，大部分测试准确度能达到90%以上，不同分级方案下的预测性能也表现出一定的差异性，结果表明PIO＿SVM、SCSO＿SVM、SOA＿SVM及SSA＿SVM对五种大变形分级方案下的变形等级预测性能表现最好。此外，预测模型的事后解释分析采用SHAP法以提高模型的可解释性和可信度。