关键词： 大数据   矿产资源预测   机器学习   综合信息矿产预测   智能预测  

摘要： 随着大数据时代的到来,大数据技术在矿产勘查中的应用已成为未来发展的趋势。本文系统梳理了大数据找矿和综合信息预测理论的发展历程,探讨了大数据在矿产预测中的关键技术,并结合实际案例,得出以下主要结论:首先,大数据找矿能够有效应对数据量和复杂性增加的问题,提供更准确的数据解读和预测支持;其次,大数据找矿作为一种技术手段,必须依赖于坚实的矿产找矿理论,特别是综合信息预测理论,后者不仅为大数据方法提供理论支撑,还能提高矿产资源预测的精度和效率;最后,基于综合信息预测理论,结合卷积神经网络(CNN)模型对内蒙古白音查干东山毛登地区进行成矿预测,展示了其在矿产资源预测中的应用潜力。研究成果为大数据找矿的应用和理论发展提供了重要的参考和实践经验。

关键词： 土木工程   人工智能   人才培养体系  

摘要： 生成式人工智能技术的迅猛发展给传统行业带来巨大的冲击，特别是土木工程行业，其不仅面临着如何与AI进行融合的挑战，还正处于智能设计、自动化施工、结构健康监测等技术方向转型的关键阶段。文章以新工科建设为目标，分析传统土木工程人才培养在AI融合中存在的问题，通过重构专业课程体系、搭建实践教学创新平台、深化校企协同育人机制等方法，科学设置AI融合课程体系和优化教学模式，提出“AI+土木”技术性和实践性并存的复合型人才培养体系建设路径，并结合天津大学、同济大学等高校的实践案例阐述建设成效和可行性，最后，对师资队伍的建设、教学资源保障、评价体系改革等方面提出几点建议。为高校土木工程专业培养符合未来产业需求的复合型人才提供新的路径和模式参考。

关键词： 人工智能   价值对齐   人的主体性   以人为本   科技向善  

摘要： 人工智能价值对齐对于探索人类主体性能够得到更好保护具有显著优势，是人类增进对人工智能信任的一次有益尝试，为开创以人工智能为代表的新兴科技向善发展树立了良好典范。从人工智能价值对齐的主体性有益维度看，突出体现在人类主体性内涵得以丰富，人类主体的完整性得以保障，人类的主体地位得以凸显这三个方面。然而，不容忽视的是人工智能价值对齐对主体性的“遮蔽”潜在地威胁着人类自由全面发展，主要表征为对人的情感、认知、活动这三方面造成了“遮蔽”，存在着损害人类主体性的风险。通过对以增进情感互动、促进算法透明化、强化实践参与这三方面来建构解蔽主体性的出路，更好确保人类主体性在健康轨道上得以发挥更大作用。人类主体性是推动人工智能进步的内生动力，人工智能价值对齐为人类主体性更好激发内生活力提供了保障，推动人类科技文明得到了更好的升华。

关键词： 人工智能   深度学习   超声生物显微镜   有晶状体眼后房型人工晶状体  

摘要： 目的 构建一种基于深度学习的超声生物显微镜(UBM)全景图像自动测量的模型并对其进行评估。 方法 采用诊断试验研究方法，收集2021年2月至2023年3月在武汉大学人民医院眼科中心接受有晶状体眼后房型人工晶状体(ICL)植入术的372例684眼患者术前UBM检查结果，共获得1 368张UBM全景图像，建立图像数据库。并将数据集分为训练集760张、验证集86张和内部测试集522张。由3位眼科医师组成的专家小组对图像进行标记。利用UNet＋＋网络对图像中角膜、晶状体和虹膜等组织进行自动分割，并开发一种图像处理技术和几何定位算法，该算法可自动定位瞳孔直径(PD)、前房深度(ACD)、角-角距离(ATA)和沟-沟距离(STS)的解剖标志点并完成上述参数的测量。另选取来自武汉大学附属爱尔眼科医院135例240眼的480张UBM全景图像作为外部测试集，进一步评估该模型在其他中心的性能。对模型测量结果与专家小组和Pentacam测量结果的一致性进行评估。最后从外部测试集中随机选择150张图像用于人机对比，进一步评估模型性能。 结果 在内部和外部测试集中，以人工标注为参考标准，模型的平均Dice系数均不小于0.882；解剖标志点定位欧氏距离差异在250 μm内的占比不小于95.65%；PD、ACD、ATA和STS的组内相关系数(ICC)均不小于0.958，平均相对误差均不大于2.407%。以Pentacam测量结果为参考标注，在内部测试集和外部测试集中，PD测量结果的ICC分别为0.540和0.466，ACD测量结果的ICC分别为0.946和0.908。人机对比中，该模型测量结果与资深专家测量结果之间的ICC均不低于0.969。 结论 基于深度学习的模型可通过ICL植入术患者术前的UBM全景图像自动测量眼前节参数，一致性与资深专家类似，效率高于资深专家。在ACD的测量上，模型测量结果与Pentacam测量结果具有良好的一致性。

关键词： 光整机   轧制力   机器学习   NGO优化算法   自学习模型  

摘要： 镀锌线光整机轧制力预设定值的准确性直接关系着产品性能与表面质量是否满足客户需求。基于冷轧镀锌线实际生产数据，采用机器学习算法，对轧制力预设定值进行了预测，通过对比多个机器学习模型，得到预测效果最优的轻度提升向量机算法（LightGBM）。针对LightGBM算法待优化超参数维度多、参数之间存在相互耦合等问题，采用北方苍鹰优化算法（NGO）对其进行超参数优化，得到预测效果更优的NGO-LGBM算法，预测效果为决定系数R2=0.826、平均绝对百分比误差 EMAP=9.47%、均方根误差ERMS=452 kN。采用自学习模型对轧制力预测模型进行修正，弥补数据模型对小样本数据预测能力不足，以及贴合轧制设备及实时工况变化的特点。试验结果表明，经自学习修正后，轧制力预测EMAP从9.47%减小到6.65%，R2增大到0.913，效果显著，尤其是对预测误差较大的小样本数据有了明显的拟合优化，大大缩减了模型预测的平均误差值。

关键词： 6G网络安全   人工智能   分布式机器学习   大模型   轻量级认证授权与访问控制   数字孪生   无线物理层安全  

摘要： 针对6G网络架构中的需求与挑战，提出了“主动免疫-孪生互驱-弹性自治-分布协同”的智慧内生安全架构。该架构通过预训练威胁表征模型实现攻击前预判，利用数字孪生构建虚实结合防御体系，借助联邦学习与区块链技术建立跨域协同机制，形成“感知-决策-验证-优化”的安全闭环。介绍了5项6G网络安全中的关键技术：分布式机器学习、AI大模型、轻量级认证授权与访问控制、数字孪生、无线物理层安全技术，为6G网络的高效可信运行提供理论支撑与技术路径分析。

关键词： 低空经济   人工智能   公共安全治理   新质生产力   新兴产业  

摘要： 随着低空经济的快速发展，一系列公共安全问题也随之凸显。人工智能凭借实时监测与预警、智能决策与应急响应、资源优化配置等方面的优势，为低空经济公共安全治理带来了新的机遇。目前，人工智能在技术层面、法律法规与伦理道德、人才队伍建设等方面仍面临诸多挑战，因此应从技术创新与升级、政策法规与标准的制定、人才培养与引进等方面采取措施，促进低空经济的健康可持续发展。

关键词： 散打动作   人工智能   动作识别   智能评分  

摘要： 目的：针对散打技术动作复杂，评分难度高的特点，提出了一种基于人工智能的散打动作智能评分方法，以提高比赛中动作识别与评分的准确性。方法：收集2015至2024年间抖音、快手等网络平台上的全国武术散打锦标赛、全国武术散打冠军赛和全运会武术散打比赛视频，构建并标注了散打动作数据集。在此基础上，结合图卷积网络（Graph Convolutional Network， GCN）PoseSAGE模型，加入残差连接，构建了改进模型PoseSAGERES，并开展了与PoseGNN、PoseSAGE模型的对比实验。实验结果表明，PoseSAGERES模型在小规模数据集上实现了73.76%的分类准确率，显著优于其他模型。一致性分析显示，该方法与人工评判结果具有良好一致性，体现出在散打动作智能评分中的应用潜力。研究证实了基于人工智能的散打智能评分方法的有效性，以及残差链接机制在提升复杂动作识别准确率方面的促进作用，为散打动作的自动化分析与智能评分提供了创新性解决方案。未来的研究将着力于扩展数据集规模，丰富动作类别，进一步优化模型性能与泛化能力。

关键词： 战略情报   预警预测概念   预警预测流程   智能化方法  

摘要： 本文系统性探讨了国内外战略情报预警预测相关概念内涵及其演变过程，给出了契合新时期我国情与军情的战略情报预警预测定义。针对预警预测要求与活动特点，提出了战略情报预警预测的基本环节与流程框架，归纳总结了实施战略情报预警预测的认知驱动类和数据驱动类智能化方法的基本思想和主要算法模型，能为战略情报分析领域研究人员开展研究提供工具选择、方法途径等方面的指导与参考。认知驱动类方法有可解释性和交互性方面的优势，数据驱动类方法在大规模数据处理效率方面更佳，两者结合在人机协同式的复杂战略情报预警预测分析任务中能发挥更好的效能。未来上述智能化方法将重点解决人机认知差异性度量、异构知识关联融合、弱隐微线索挖掘、证据链印证闭环等方面的问题，以满足预警预测领域的全面性、准确性、可信度等要求。

关键词： GRACE时变重力场   长江流域   陆地水储量变化   机器学习   降尺度分析  

摘要： GRACE时变重力场反演陆地水储量变化（TerrestrialWaterStorageAnomaly，TWSA）的空间分辨率有限（300-500km），制约了其在中小尺度区域水循环和气候变化研究中的应用潜力。当前机器学习降尺度方法已有效应用于提高GRACE TWSA的空间分辨率，但合理选取预测因子及其对机器学习模型性能的影响、以及降尺度结果的准确评估等问题仍需深入探讨。为此，以长江流域陆地水储量变化的降尺度处理为例，对比传统的水文模型降尺度方法和三种机器学习降尺度方法，即随机森林（RandomForest，RF）、极端梯度提升（eXtremeGradientBoosting，XGBoost）、人工神经网络（ArtificialNeuralNetwork，ANN），将GRACE反演的长江流域空间分辨率为1°×1°的TWSA数据降尺度到0.25°×0.25°和0.1°×0.1°空间分辨率。为了对不同降尺度方法进行评价，首先使用GLDAS水文模型的TWSA数据进行闭合模拟实验，以评估不同降尺度方法的性能；其后对GRACE获取的TWSA数据降尺度处理，并采用水文站水位数据全面评估不同降尺度方法性能和结果。研究结果表明：机器学习降尺度方法的性能受到预测因子数量的影响，随着预测因子数量的增加降尺度性能也会持续增强，但三种机器学习模型之间的降尺度性能优劣也会发生改变，并且采用偏最小二乘回归分析模型得到的重要性较高的前6个预测因子（NDVI、土壤湿度、降水、气温、径流和U形风）已经在机器学习降尺度中取得较好的效果，增加更多的预测因子对降尺度性能的提升相对较小；RF和 XGBoost降尺度方法的性能表现较好且非常接近，而ANN和水文模型降尺度方法的效果略差。此外，传统水文模型降尺度的结果依赖于水文模型与TWSA数据的相关性，而机器学习降尺度方法能够更好地融合多种水文、气象和植被等辅助数据（尤其是重要性较高的预测因子）的变化特征，因而可以更好地恢复中小尺度精细的TWSA信号。