关键词： 智能制造   绿色制造   “产学研”合作   新乡制造业   数字化转型  

摘要： 为推动区域制造业绿色化与智能化协同发展，助力“双碳”目标实现，文章采用理论分析与实地调研相结合的研究方法，对新乡市装备制造业转型升级需求进行分析，探讨构建绿色化转型技术矩阵、实施智能化升级策略制定、加强人才引进等转型路径，并以新乡市为例，基于此转型路径构建“校企”协同创新机制。文章旨在为同类型工业城市的制造业转型提供参考思路。

关键词： 华北克拉通   地热梯度   机器学习   地质与地球物理特征   分层建模  

摘要： 地温梯度作为表征岩石圈热状态的关键参数,其空间分布研究对于理解克拉通热结构演化机制和指导地热资源勘探具有重要意义。传统华北克拉通地温梯度研究多限于一维平面分布特征,未能充分揭示其垂向分异规律,导致预测模型精度受限。本研究创新性地构建了华北克拉通地温梯度深度分层预测模型,系统地阐明其深度依赖模式和热构造控制因素。基于全球热流数据库及前人研究成果,本研究整合了573个具有实测深度信息的地温梯度数据点,将其划分为6个深度段:<500 m,500～1 000 m,1 000～2 000 m,2 000～3 000 m,3 000～4 000 m,>4 000 m。选取居里面深度、大地热流值等13项地质-地球物理特征参数用来训练不同深度段的机器学习回归模型。研究显示:（1）模型预测性能具有显著深度依赖性,中浅部（0～3 000 m）R2>0.45,而深部因样本量减少精度下降;（2）特征重要性分析表明居里面深度与大地热流值对深部预测贡献显著（权重>40%）,而磁异常和地质年代等影响较弱（<10%）;（3）地温梯度三维分布呈现规律性垂向变化,即浅层高值区（>35℃/km）沿活动断裂带分布,中深层（500～3 000 m）高值带自西向东迁移,与太平洋板块俯冲引起的地壳减薄区具有空间耦合性。本研究首次尝试了华北克拉通地温梯度的三维建模,其成果不仅为区域地热资源评估提供了数据支撑,更为理解克拉通破坏过程中的热-构造耦合机制提供了新的观测约束。提出的深度分层建模方法为类似构造单元的热状态研究提供了范式参考。

关键词： 隐私保护   机器学习   同态加密   决策树   阈值对比  

摘要： 针对外包隐私决策树分类协议普遍存在用户通信开销大、评估效率低，以及对模型结构参数隐私保护不足等问题，提出一种次线性成本的隐私决策树外包分类协议。该协议中模型所有者利用不经意索引，通过树结构重排隐藏决策树拓扑信息完成模型隐私性的保护，并将秘密份额发送至云服务器，用户则根据属性索引随机选择特征向量份额并分发给云服务器。云服务器利用基于PaillierTD同态加密设计的无需二进制分解的阈值比较算法协同完成节点阈值对比，并沿指向包含正确分类标签叶节点的路径完成评估。实验结果表明，所提协议在保护模型结构隐私的前提下，相较于同类协议通信开销降低约46.49%，评估时间减少约19.72%；相较于未保护模型隐私的同类协议，评估时间减少约50.12%，同时维持较低通信开销，适用于深度较高的决策树或高维度特征向量的场景。

关键词： 临近空间   温度预报   机器学习   深度学习  

摘要： 临近空间是指地球大气层与太空之间的复杂过渡区域，其高度介于20～100 km，包括平流层、中间层和低热层，是地球大气系统的重要组成部分.临近空间不仅受对流层小尺度扰动影响并且受到中高层大气行星波等影响，另外在该区域中存在大气动力学过程以及各层大气之间的物理化学作用，这使得对临近空间的研究变得困难.国内外学者应用机器学习与深度学习算法在空间物理领域进行了大量的研究，并取得了较好的成果.但由于大气环境的复杂多变，在临近空间中利用深度学习算法对环境温度进行预报的工作研究较少.研究临近空间的温度预报对理解大气动力学过程、大气跨圈层耦合以及分析大气波动有重要的科学意义.基于MERRA-2再分析数据集，本文采用卷积神经网络-长短期记忆网络（CNN-LSTM）算法对临近空间温度进行窗口为7天的预报，其CNN部分能够有效提取空间特征，LSTM部分能够捕捉时间依赖关系.预报结果与原始数据相比，相对误差控制在2%以内.在此基础上，对该算法在季节、高度和纬度上的敏感性展开研究.分析结果显示北半球夏季和秋季的预报效果更好，且在低纬度区域预报模型的准确性也较为可靠.

关键词： 工业4.0   工业互联网   智能制造   扰动   制造系统配置   运作管控  

摘要： 工业互联网环境下，订单驱动广域多企业制造单元形成的分布式柔性智能制造系统中，存在“外部随机需求与内部多源扰动并发下异质制造单元间动态协同管控”的共性科学问题。围绕系统的“智能化集成管控、自组织结构优化、自适应运作控制”三大核心难题，学者们展开了广泛而深入的研究，本文系统性地总结和梳理了近年来面向工业4.0分布式柔性智能制造系统的联动管控架构与方法研究进展。首先，从信息架构、资源架构、管控架构三个层面梳理了面向制造系统联动的架构体系；其次，分析了分布式柔性智能制造系统配置方法研究现状，包含跨主体多级联动结构优化配置、不确定性扰动下系统重构/重配置、资源能力评估/系统结构评估等；随后，从多环节多单元联动运作管控决策、系统运作状态感知与扰动分析评估、多源扰动环境下的自适应联动决策三个方面分别阐述了分布式柔性智能制造系统联动运作决策方法的研究现状；最后，探讨了未来进一步拓展与深化工业互联分布式柔性智能制造系统联动管控的理论、架构与方法的重要方向，为智能制造系统科学与协同管控提供新的思路。

关键词： 监测指标   趋势预测   机器学习   长短期记忆神经网络   Web开发  

摘要： 基于结构监测指标的时序数据，推演其未来发展变化规律，预警潜在危险部位，进而诊断结构安全状况，是建筑结构智能监测领域的重要问题。基于机器学习算法的预测评估技术，为结构性态时变指标的演化分析提供了可能。然而，由于参数设置不灵活、数据降噪不全面、操作步骤不便捷，使得上述方法在实际监测项目中的推广应用仍然受限。鉴于此，针对工程领域中的常见监测指标，通过Hampel数据滤波算法与长短期记忆神经网络，构建数据趋势预测算法模型，并结合Flask轻量化Web应用框架，搭建“集成数据趋势预测模块的结构监测与性能评估算法系统V1.0”（简称“SMPE-DTP”）。在阐述算法系统搭建流程与关键技术的基础上，通过某铁路客站工程的实际沉降监测数据，对系统进测试。结果表明：模型训练的拟合优度为0.9，满足精度要求，可实现数据演化趋势的预测分析；SMPE-DTP算法系统可实现神经网络模型从构建、训练、预测的全过程参数化可交互操作，显著提升模型参数设置及分析的便捷性，直观反映参数变化对模型预测精度及效率的影响，提升了复杂算法在工程中推广的可行性。

关键词： 人工智能   标准化病人   智能标准化病人   问诊模型  

摘要： 目的 开发并应用基于人工智能（AI）的中医标准化病人（SP）模型，以提高中医学生的问诊技能。方法 在现有Command-R-Plus模型基础上，通过自然语言处理（NLP）和深度学习算法调优，并集成语音识别技术，实现学生与智能标准化病人（AISP）的实时语音互动。通过与天津中医药大学医考基地合作，收集教学临床数据，建立语料库并训练模型。试验采用“单组前后测设计”，对天津中医药大学50名大学二年级学生进行AISP模型问诊技能训练，通过前测和后测对比及学生满意度调查评估问诊系统的准确性和有效性。结果 使用AISP模型训练后，学生的问诊技能得分显著提升，且对系统的满意度较高，验证了AISP模型的有效性和易用性。结论 基于AI的中医SP模型有效提升了学生的问诊技能，具有效率高、可重复使用和互动性强等优势，未来可继续优化模型并扩大应用范围。

关键词： 人工智能   纺织类高校档案   利用途径   提升策略  

摘要： 文章从档案法律政策、理论研究和实践意义层面，阐述了人工智能赋能高校档案利用服务工作的重大意义和势在必行。以纺织类高校为研究观测点，对人工智能在高校档案利用服务实践中存在的不足及原因进行了剖析。探讨了人工智能融入档案利用的新技术路径，描述了具体应用场景和利用效能。最后从发展战略角度，提出大数据环境下提升档案利用效能的策略与建议。研究显示：“人工智能+档案利用”是档案部门主动提升档案利用效能的不二选择，是推进高校档案事业发展驶向现代化航程的强力引擎，是充分释放纺织档案价值能量，助力纺织高校和纺织行业发展的强劲推手。

关键词： 植被物候   遥感技术   物候反演   机器学习   多尺度监测  

摘要： 植被物候是指植物在生长季节中各个生理阶段的时间变化，其研究对揭示生态系统碳水循环机制、评估气候变化的生态效应具有重要意义。随着全球气候变化的加剧，高精度、多尺度的植被物候监测已成为生态学、气候学和环境科学研究中的重要课题。植被物候遥感反演独特的宏观视角不仅能通过长时序数据追溯物候变化的累积效应，而且能为全球变暖背景下植被动态监测提供核心的技术支撑。文章综述了地面观测、近地面传感与卫星遥感技术在植被物候监测中的应用基础，并探讨了不同遥感数据源在植被物候参数提取中的最新研究进展；阐述了面向植被物候监测的遥感时间序列观测数据处理方法的基本原理、优势以及可能存在的不确定性来源，并深入探讨了植被物候信息提取的技术方法；文章进一步给出了植被物候提取的常用软件包，详细讨论了它们的功能和优劣；最后展望了植被物候监测技术的发展方向，强调了多源数据融合在提升物候监测空间覆盖与精度方面的重要性，指出新型观测手段与社交媒体等多元数据源的应用潜力，同时分析了机器学习方法在物候反演、模型构建及复杂生态过程建模中的应用前景。

关键词： S-A多重分形模型   局部奇异性分析   随机森林   矿产预测   机器学习   哈巴河金矿  

摘要： 大数据时代,基于机器学习的矿产智能预测方法得到了广泛的应用。基于分形与多重分形的非线性理论技术与矿产资源智能预测研究相结合,可以为矿产预测提供新思路与技术支撑。本文以新疆哈巴河金矿基地为研究对象,建立了以区域构造-矿化蚀变-磁异常-激电异常为基础的四要素信息找矿模型,实现了一种基于多重分形与随机森林算法的智能预测流程。运用S-A多重分形滤波技术和局部奇异性分析方法,分离区域物化数据变化背景与叠加异常,提取隐蔽的深部致矿弱信息;通过C-Nsum多重分形模型揭示钻孔Au指标含量隐藏的非线性特征,标定异常下限;使用随机森林与SHAP方法进行综合信息集成与特征贡献评价,实现了金矿产资源定量预测,圈定了3个成矿靶区且得到钻探验证,证明了多重分形理论在哈巴河金矿区矿产定量预测中的有效性,为后续的矿产勘查提供一定的依据。