关键词： 人工智能   高职艺术设计教育   课程改革   教学模式   人才培养  

摘要： 在人工智能(AI)技术快速发展的背景下,艺术设计教育迎来了深刻的变革。高职院校作为职业教育的重要组成部分,需积极应对AI时代的挑战,通过课程体系优化、教学模式创新以及人才培养策略调整,以提升学生的数字化设计能力和创新思维。本文首先分析了AI技术对高职艺术设计教育的影响,包括AI在智能绘图、自动生成设计方案等方面的应用,以及对传统教学模式的冲击。随后,从课程体系、教学模式、个性化学习、教师AI素养等方面探讨了教学改革方向,并提出了跨学科复合型人才培养、实践能力提升、校企合作深化及就业导向优化等人才培养策略,以期为高职院校艺术设计教育的智能化转型提供理论支持和实践指导。

关键词： 科技与媒介   印刷术   印象派绘画   数字艺术   人工智能   技术哲学   人机共生   集体智慧   视觉文化  

摘要： 本文探讨了科技、媒介与数据在人类文明发展历程中的协同演进,以及它们对社会、艺术与文化的深远影响.从古代的甲骨文、印刷术到现代数字技术,媒介形态的变革始终推动着知识传播方式与艺术表达手段的不断革新.印刷术促进了文艺复兴的兴起,摄影技术为印象派绘画提供了灵感,而数字技术则催生了新媒体艺术,强调互动性与多感官体验.技术不仅是工具,而且是塑造人类思维和社会结构的重要共生系统.例如,西蒙栋所提出的"人机共生"理论.人工智能的崛起引发了关于意识本质的哲学争论,如塞尔的"中文房间"思想与丹尼特的"意识解释"理论.但人工智能的发展也遵循着历史规律,在颠覆旧职业的同时创造新的机遇,集体智慧与人类社会的适应性将成为关键因素.最终,技术、媒介与数据的融合将持续重构人类认知与文化的边界.

关键词： 混凝土结构   健康状况监测   评估方法   无损检测   人工智能  

摘要： 随着基础设施建设持续发展,混凝土结构在各类工程中被广泛应用.混凝土结构的健康状况,直接关系着工程的安全性、耐久性以及正常的使用功能.本文详述了混凝土结构健康状况监测与评估的方法,详细介绍基于传统传感器的监测方法、基于无损检测技术的监测方法、基于智能材料与结构的监测方法,以及基于数据驱动的监测方法.同时,对混凝土结构健康状况的评估方法,如基于经验的评估方法、基于可靠度理论的评估方法和基于人工智能的评估方法,展开了深入分析.并结合实际工程案例,阐述了各种监测与评估方法的应用效果,并对未来的发展趋势作出展望,旨在提升混凝土结构的健康管理水平.

关键词： 冠心病   机器学习   精准医疗  

摘要： 冠心病严重危害着人类健康，如何合理利用种类繁多的信息数据使得冠心病的诊治更加精准化是临床医生面临的一大挑战。机器学习通过不断学习训练，可帮助临床医师分析解读大量多学科数据信息，还能发现数据间潜在的关联规律，在冠心病的诊治过程中有广阔的应用前景。

关键词： 机器学习   分类   遥感估测   碳储量   滇西北  

摘要： 以滇西北为研究区域，基于GEE平台，利用随机森林、支持向量机、决策树分类以及K邻近共4种机器学习算法，将滇西北区域划分为林地、耕地、建设用地、水体和其他。结合Landsat 8多光谱遥感数据和云南省森林资源调查数据，筛选23个显著相关的特征因子通过因子分析提取5个主成分因子，应用随机森林回归、支持向量机回归、ExtraTrees回归和LightGBM回归，选择最优碳储量估测模型对滇西北森林地上碳储量进行估测。结果表明：4种机器学习分类算法中，随机森林分类器的分类结果最优，总体精度达到0.88,Kappa系数为0.84，分类精度满足后续碳储量估测要求。在4种碳储量估测模型中随机森林回归模型精度高（R2=0.89,RMSE=9.22,rRMSE=15%,MAE=2.75），模型拟合性能较好。滇西北森林地上总碳储量为371.7 Tg，平均碳储量为42.64 t/hm2其中大理白族自治州、迪庆藏族自治州、丽江市和怒江傈僳族自治州的碳储量，分别为109.61、96.7、86.44、78.94 Tg。多种机器学习算法中，以随机森林算法构建的滇西北森林地上碳储量估测模型性能最优，机器学习分类与碳储量估测相结合具有一定优越性，应用前景广阔。

关键词： 肺腺癌   腺体前驱病变   微浸润腺癌   人工智能   影像组学   定量分析  

摘要： 目的：基于人工智能建立鉴别CT表现为混合磨玻璃结节（mGGN）的腺体前驱病变(PGL)与微浸润腺癌（MIA）的有效模型。方法：收集我院2017年1月-2023年6月经手术病理证实且CT表现为mGGN的180例肺腺癌患者的临床和CT影像资料，包括PGL66例和MIA 114例。采用完全随机法以8:2的比例将患者分为训练组（n=144）和测试组（n=36）。使用AI软件（联影科研平台uRP，United Imaging Intelligence，China）全自动提取CT图像中病灶的定量参数及影像组学特征；通过降维纳入组学的最显著相关特征，随后建立5种机器学习分类器，包括逻辑回归（LR）、支持向量机（SVM）、随机森林（RF）、高斯过程（GP）及决策树（DT），以训练组曲线下面积（AUC）最高的分类器作为最佳影像组学模型，并将其结果输出为影像组学评分（Rad-score）。将两组病例的临床信息、CT形态特征及定量数据纳入到多因素Logistic回归分析筛选有效鉴别PGL和MIA的独立危险因素，并建立临床模型。最终，基于Rad-score和临床危险因素构建综合预测模型。采用受试者工作特征（ROC）曲线的AUC、灵敏度、特异度和准确度评价三种模型的诊断性能。结果：影像组学特征通过LASSO降维得到11个与鉴别PGL和MIA显著相关的影像组学特征。在5种机器学习分类器种，GP具有最佳的诊断效能，其在训练组和测试组的AUC分别为0.865、0.762。单因素多因素Logistic回归分析进行临床特征筛选，mGGN的平均CT值、长短径平均值和实性部分长径用来构建的临床模型，得到训练组和测试组的AUC分别为0.870、0.794。综合预测模型表现出更为良好的诊断效能，在训练组中的AUC、灵敏度、特异度、准确度分别为0.948、81.1%、91.2%、87.5%；在测试组中的AUC、灵敏度、特异度、准确度分别为0.883、76.9%、91.3%、86.1%。结论：基于人工智能对肺结节定量及组学特征分析建立的综合预测模型能够较好地鉴别CT表现为mGGN的PGL与MIA，可用于指导临床制定治疗决策。

关键词： 人工智能系统   人工智能   狡黠的智慧   数字伦理   智能系统  

摘要： “展现出行为似乎受到智能指引”的人工智能系统可以与人类和动物的自然智能进行互动,但它们之间仍然具有实质性的区别。智能系统时代的伦理针对狡黠的智慧(Cunning Intelligence)以及被亚里士多德称为实践智慧(phronesis)的道德智能之间的关系提出疑问。智能系统行为好像是被一个“谁(who)”指引的一样,而事实上那只是一个具体化的(物化的)对象,或者说是一个“什么(what)”。在智能系统时代,区别“谁”和“什么”是伦理思考的基点。

关键词： 机器学习   深度学习   非凸优化   收敛速度分析   LION优化器  

摘要： LION（evoLved sIgn mOmeNtum）是Google公司通过启发式程序搜索的方式发现的优化器，是一种独特的基于学习的优化算法。LION算法通过在上步动量和本步梯度之间维持两个不同的插值，并有效结合了解耦的权重衰减技术，实现了超越传统符号梯度下降类算法的性能。LION算法在许多大规模深度学习问题中展现了较强的优势，得到了广泛的应用。然而，尽管已有工作已经证明了LION的收敛性，但尚未有研究给出一个全面的收敛速度分析。已有研究证明，LION能够解决一类特定的盒约束优化问题，本文着重证明了，在l1范数度量下，LION收敛到这类问题的Karush-Kuhn-Tucker（KKT）点的速度为O(d1/2K-1/4)，其中d为问题维度，K为算法的迭代步数。更进一步，我们移除了约束条件，证明LION在一般无约束问题上以相同的速度收敛至目标函数的驻点。与已有研究工作相比，本文证明的收敛速度达到了关于问题维度d的最优依赖关系；关于迭代步数K，这一速度还达到了非凸优化问题中随机梯度类算法能实现的最优理论下界。此外，这一理论下界以梯度的l2范数度量，而LION所属的符号梯度下降类算法通常度量的是更大的l1范数。由于在不同的梯度范数度量下关于问题维度d得到的收敛速度结果会有所差异，为了验证本文证明的收敛速度关于维度d同样是最优的，我们在多种深度学习任务上设计了全面的实验，不仅证明了LION与同样匹配理论下界的随机梯度下降法相比具有更低的训练损失和更强的性能，而且还验证了LION算法在迭代过程中梯度的l1/l2范数比始终处于θ(d1/2)的量级，从而在经验上说明了本文证明的收敛速度同样匹配关于d的最优下界。

关键词： 风电叶片   主梁应变   有限元计算   机器学习   逆向优化  

摘要： 对风电叶片的主梁结构性能进行分析，结合FOCUS和Python语言开发了一套基于机器学习模型的风电叶片关键部件逆向结构优化方法。以某1.5MW风电叶片设计为例，建立了叶片有限元分析模型。以主梁铺层厚度为设计变量，以主梁应变峰值为优化目标，通过建立机器学习模型来反映主梁铺层参数和应变及质量的底层映射关系，并基于此机器学习模型开发了一种基于机器学习的自学习循环优化方法。实现同一型号叶片的关键部位在不同风场，不同工况载荷下的快速迭代。优化后的主梁在保持成本不变的情况下性能提升约11.44%。该方法以其高度可移植性的特点有望成为叶片各关键部位设计与优化的有效工具。

关键词： 机器学习   人工湿地   水质净化   数据收集   模型构建  

摘要： 随着环境科学与计算机技术的快速发展，机器学习在人工湿地水质净化研究中的应用日益广泛。综述了近年来机器学习在人工湿地水质净化领域的主要研究进展，对机器学习算法在人工湿地应用方向和人工湿地数据特点进行了全面详细分析；进一步从机器学习解析人工湿地的水质净化关键过程（微生物代谢与污染物降解、植物吸收与转化过程、基质吸附与过滤机制和水力条件），多维度数据融合与水净化机制重构和机器学习在优化人工湿地设计与运行中的应用这3个方面展开了分析，并对未来的研究方向从模型改进与创新、数据融合与共享、实时监测与智能控制、与其他技术集成和环境影响评估与生态修复这5个方面进行了展望。结果表明，机器学习为人工湿地水质净化研究提供了新的视角和方法，有助于提高水质净化效率和管理水平，但仍需进一步优化算法和解决实际应用中的问题。