关键词： 大数据分析   风险智能预警系统   内部控制协同   COSO框架   机器学习算法  

摘要： 文章围绕大数据分析技术与企业风险智能预警系统的协同构建展开研究,提出“数据驱动—智能预警—内控协同”三位一体的理论框架;基于多源异构数据整合与机器学习算法,构建包含数据层、模型层和应用层的智能预警系统,实现风险识别、动态监测和闭环响应功能;结合COSO框架与协同效应理论,设计了企业内部控制协同路径,通过流程嵌入、信息共享和动态适配机制,提出技术保障、组织能力与制度优化的三维实施策略,并引入可解释AI(XAI)技术解决算法黑箱问题,以推动风险预警与内控策略的深度融合,促进企业构建韧性风险管理体系。

关键词： 人工智能   作品   版权   独创性  

摘要： 我国法院通过类比摄影作品,初步构建了生成式人工智能(GenAI)生成物的版权司法保护模式,但可能引发三重转向:独创性的判断和实质性相似的比对都从最终表达转向构思,而版权直接侵权责任从执行者转向构思者。然而,GenAI与照相机在执行人类构思上存在根本差异,并非机械固定而是“自主”转化,故类推适用摄影作品构思决定论之“可视化构思+机械固定”二元要件难以支撑三重转向。为此,建议将构思决定论修正为三元要件:一是“‘可视化’构思”延续传统理论;二是“受控固定”要求作者通过合理控制保障其独创性构思是GenAI生成最终表达的有效原因,维系思想与表达二分法;三是“创作记录”作为作者证明独创性贡献的必要证据,既划定权利边界又防范滥用GenAI。

关键词： 痛风   程序性细胞死亡   免疫浸润   生物信息学分析   机器学习  

摘要： 目的通过生物信息学和机器学习筛选痛风程序性细胞死亡(PCD)关键基因以及免疫浸润分析。方法从GEO数据库中下载痛风相关数据集,其中包括人源痛风相关的GSE160170数据集及鼠源痛风相关的GSE190138数据集作为训练集。以差异倍数>2倍,P<0.05为标准,筛选出差异表达基因(DEGs)。将两个数据集的DEGs取交集,获得共同的DEGs。对共同DEGs进行基因本体功能注释(GO)和京都基因与基因组百科全书(KEGG)富集分析。将共同DEGs与PCD相关基因集取交集,获得PCD相关DEGs。在STRING数据库中构建PPI网络。在Cytoscape中的MCODE筛选关键模块基因,Cytohubba插件内置的12种算法(Degree,MCC,DMNC,MCN,EPC,BottleNeck,EcCentricity,closness,Radiality,Betweeness,Stress,Clusteringcoefficoent)筛选枢纽基因,两者的共同基因作为候选基因。采用最小绝对收缩和选择算法(LASSO)回归模型分别筛选GSE160170和GSE190138数据集中关键基因,二者取交集,获得关键基因。采用受试者工作特征(ROC)曲线评价关键基因对痛风的诊断价值。采用单样本基因集富集分析(ssGSEA)免疫浸润分析,探讨痛风相关的免疫细胞的表达差异。收集2024年2~4月西安市第五医院风湿科收治的30例痛风病人作为实验组,同时收集30例健康体检者为对照组,提取外周血单个核细胞(PBMC)RNA,采用实时荧光定量聚合酶链反应(RT-qPCR)对关键基因表达进行验证。结果获得GSE160170和GSE190138共同DEGs 53个,其中基因表达上调43个,表达下调10个。GO和KEGG表明大多数基因参与了细胞死亡、凋亡、白细胞介素(interleukin,IL)-17信号通路、肿瘤坏死因子(TNF)信号通路和核苷酸结合寡聚结构域(NOD)样受体信号通路等。获得PCD与痛风共同DEGs 12个,MCODE筛选关键模块和Cytohubba内置的12种算法共筛选7个候选基因,LASSO回归模型在两个数据集中分别筛选出5个基因和4个基因,二者取交集获得关键基因3个,分别为IL-6,纤溶酶激活物尿激酶受体(PLAUR),NOD受体热蛋白结构域相关蛋白3(NLRP3)。在训练集中进行验证,受试者工作特征(ROC)曲线结果表明这三个基因对痛风诊断的曲线下面积(AUC)均为1.00。免疫浸润分析显示活化的CD4^(+)T细胞、活化的CD8^(+)T细胞和自然杀伤(NK)细胞等的改变与痛风的发生发展密切相关。在临床样本中进行验证,与对照组比较,PLAUR,NLRP3和IL-6在痛风患者中均为高表达,差异具有统计学意义(t=18.852,9.633,8.293,均P<0.001)。结论IL-6,PLAUR,NLRP3为痛风的诊断和治疗提供了潜在的生物标志物和治疗靶点,为痛风的诊断和治疗提供了新的方向。

关键词： 自移机尾   MTL   TCN   时序预测   状态预测   人工智能  

摘要： 传统的时间卷积预测模型多依赖单一任务和线性模型,难以全面捕捉到自移机尾运行过程中复杂的非线性关系及多任务间的关联性。基于此,提出了一种基于多任务学习-时间卷积网络(MTL-TCN)的自移机尾状态预测方法。该方法首先通过特征融合技术将多维信息统一到共享输入空间;随后设计了一个MTL-TCN,并对其膨胀卷积进行优化。在层叠优化的时间卷积层中提取输入数据的时序特征,并且通过MTL策略在共享表示的基础上进行任务特定的特征解耦和预测;最后通过TCN多分类器将预测数据分类至不同的量化状态,从而完成对自移机尾的智能状态感知。实验结果表明,该模型能够准确预测和感知自移机尾的运行状态。

关键词： 智能制造   复杂装配   机器视觉   机器人   PLC   模块化设计   参数化设计  

摘要： 传统的大型复杂装配过程主要依赖人工操作,不仅效率较低,还存在较高的安全风险。同时,物联网技术的发展和《“十四五”智能制造发展规划》的推进,也对大型复杂装配过程提出了高要求。鉴于此,基于机器视觉技术,将工业相机、工业机器人、PLC搭建成自动化装配系统,并进行三者之间的通信设置、系统组态,实现多品种复杂工件的自动装配;同时优化机器人和PLC程序,进行模块化和参数化编程设计,从而提高工业机器人的编程效率。在实际应用中,当更换新产品后,编程修改只需30 min,能够显著提升装配精度,对提升大型复杂装配作业的效率具有重要的实际意义。

关键词： 人工智能   高职院校   网络思政教育  

摘要： 将人工智能技术融入教育领域,能够实现教育资源的精准推送,提高思政教学的互动性、评价的科学性,显著改善网络思政教育的质量。将人工智能技术融入高职院校网络思政教育应坚持个性化、精准化和有效性三大基本原则,构建智能化思政教育资源库,打造多维交互的智慧思政教学模式,构建全过程多维度的教学评价体系,从而拓展教育资源和服务,创建泛在化教学场域,持续优化和改进教学方案,打造人工智能驱动的网络思政教育新生态,培养出高素质技术技能人才,推动职业教育的内涵式发展。

关键词： 人工智能   信息通信技术   动态路由优化   6G  

摘要： 针对5G/6G通信网络动态性复杂化与安全防护效能不足的突出问题,提出“算法-知识-协同”三位一体智能框架,通过融合人工智能求解技术、专家知识库与AI Agent技术实现网络赋能。人工神经网络与数据融合技术可增强入侵检测的畸变信息辨识能力,动态路由优化实现网络能耗主动调控;知识库系统通过逻辑化资源分配提升网络评价效率,AI Agent技术借助端云协同机制强化响应实时性。结果表明,人工智能技术可突破传统架构在数据处理与安全防护方面的局限,推动通信网络向自主决策驱动的智能化架构演进,为6G网络建设提供理论支撑与关键技术路径。

关键词： 传感器   物联网   人工智能   支持向量机   故障预警  

摘要： 针对危化品储罐安全监测领域存在的多源异构数据融合效率低、预警模型泛化能力不足等问题,本研究设计了一套融合物联网(IoT)与人工智能(AI)技术的危险化学品储罐感知与预警系统,以提升储罐的安全管理水平,系统架构的感知层需要部署多类型传感器以实时采集环境温度、环境气体浓度、罐体压力、罐体液位和罐体温度等关键参数,通过处理层的特征工程提取时间序列特征来构建特征向量,并采用支持向量机(SVM)建立预警模型。本研究构建的系统具有数据采集的实时采集、边缘计算的高效性、异常情况的高效识别等特征,能够有效提升危险化学品储罐的安全管理水平。

关键词： MES系统   智能制造   生产组织   模式优化  

摘要： 党的十八大以来,我国高度重视数字经济发展,将其上升为国家战略。在此大背景下,中国航天科技集团积极响应,于第七次工作会议上对数字化建设进行了全面规划,旨在打造世界一流的航天企业集团。该集团提出了“构建数字航天体系,促进航天产品数字化、研制过程数字化、管理手段数字化及产业协同数字化的发展”的战略方针。在此形势下,某航天制造企业紧跟步伐,通过搭建MES系统,实现了生产能力与生产管理方式的数字化变革。不仅有效降低了产品成本,提高了生产效率,提升了产品质量,还促使管理模式不断迭代升级,进一步增强了企业综合竞争力。

关键词： 宫颈肿瘤   单细胞分析   光谱分析,拉曼   机器学习   算法   癌症早期检测  

摘要： 目的构建基于单细胞拉曼光谱(SCRS)结合机器学习算法的宫颈癌早期筛查模型,并对该模型的效能进行评估。方法收集我院2023年9月—2024年6月128例患者的宫颈脱落细胞样本,其中65例液基薄层细胞学检测(TCT)结果为正常,35例结果为异常,其余28例样本未行TCT。采用R语言将100例具有TCT结果的宫颈脱落细胞样本,按照8∶2的比例随机分为训练集和测试集,并进行SCRS检测;基于训练集的SCRS数据,通过KNN、PLS、LDA、RF、SVM、SVMRBF和Stack七种机器学习算法构建宫颈癌早期筛查模型,并将模型应用于测试集,以筛选最优模型。采用最优模型预测训练集和测试集中100例宫颈脱落细胞样本的TCT结果,并与实际TCT结果对比。将28例未经TCT检测的宫颈脱落细胞样本作为验证集并对其进行TCT,采用最优模型预测其TCT结果,将预测结果与实际TCT结果对比。结果在训练集与测试集样本的TCT结果中,未见上皮内病变或恶性病变(NILM)、无明确诊断意义的非典型鳞状细胞(ASC-US)、低度鳞状上皮内病变(LSIL)的宫颈脱落细胞在拉曼光谱的874、935、1024、1119、1250、1328、1569、1642 cm^(-1)处特征峰的相对强度存在差异。七种算法中Stack生成的模型为最优模型,其曲线下面积(AUC)、准确率、灵敏度及特异度分别为0.987、99.2%、98.9%和99.3%。Stack模型在训练集和测试集中的预测结果与实际TCT结果一致性较高,其准确率、灵敏度、特异度、F1分数分别为91.0%、91.0%、87.4%、90.3%。Stack模型在验证集中预测TCT结果的准确率、灵敏度、特异度、F1分数分别为96.4%、100.0%、95.5%、92.3%。结论基于SCRS结合机器学习算法构建的宫颈癌早期筛查模型效能较好,可作为一种无创、高效、快速的筛查工具辅助临床宫颈癌的早期筛查。