关键词： 水声信号处理   机器学习   水声通信   水声被动定位   水声探测  

摘要： 随着我国海洋事业的不断发展,水声信号处理技术在海洋资源开发、海洋环境监测和海洋安全等领域发挥着越来越重要的作用。近年来,机器学习方法在水声信号处理的应用中取得了一定突破。该文全面综述了机器学习方法在水声通信、水声被动定位、水声探测中的研究进展,典型应用包括基于机器学习的水声信道估计、被动声呐定位以及水声目标识别等。海洋声学问题通常具有高度非线性、高度复杂的典型特点,机器学习方法凭借出色的自动化特征提取和模式识别能力,可在这类问题的处理过程中实现优秀的拟合及分类效果。同时需要指出,机器学习方法在水声信号处理中的应用还存在一些挑战和问题,如数据量不足、数据质量低、算法复杂度高等,为此该文提供了进一步研究和探索的思路。

关键词： 人工智能   科学素养   人工智能素养   科学素养  

摘要： 人工智能(artificial intelligence,AI)正深刻影响科学研究范式,催生出AI赋能的科学(AI4Science)。人工智能能够增强科学素养所涵盖的各项科学实践能力,因此,AI4Science已成为一种新兴的科学实践范式,显著提升了科学素养视角Ⅰ——科学知识与实践的内涵。此外,人工智能可作为科学解决问题的协同伙伴,增强科学素养视角Ⅱ——问题解决的科学素养。而科学素养视角Ⅲ——伦理赋能的集体行动所强调的参与和行动能力,也可以通过在科学活动中有道德、负责任地使用人工智能得到增强。这种由人工智能增强的科学素养即“科学素养+”,正逐渐成为未来社会成员必备的核心能力。

关键词： 主体   思维主体   实践哲学   价值主体   人工智能  

摘要： 当代哲学的核心问题可归结为“主体中心困境”,指向对主体形而上学的否定,以存在主义、现象学等为代表的哲学流派尝试彻底抛弃思维主体,重建人与自然的同构。培根“科学-技术”范畴的实践哲学界定,支撑了笛卡尔以来我思主体的认识论根基;康德实践哲学关于“认知主体”与“价值主体”的划分,揭示了认知主体的局限性,但其价值主体归根结底依赖于先验观念论的形而上学预设。在当代哲学的实践哲学转向背景中,萨特、梅洛-庞蒂、胡塞尔、海德格尔等人提出的存在、时间的绵延、生活世界、此在等概念,表征实践哲学对人的自我价值和生成性特征的肯定,以及对传统思维主体独断性的扬弃,其根本在于以不同概念重构价值主体。马克思的实践主体在当代依然具有生命力。中国传统哲学以实现理想人格为目的的主体思维方式凸显实践哲学特质,在实践哲学当代转向中,体现出中西哲学对话的理论价值。

关键词： 产前超声   人工智能   机器学习   深度学习  

摘要： 产前超声是孕期最重要的检查,受孕周、声强、检查者经验等因素的影响,超声图像质量并不稳定。精准医疗是时下的一个热点,如何将人工智能与产前超声相结合,数据模型的建立是目前研究的热点和难点。文献复习结果表明,面临着数据来源各异、数量庞大、处理技术壁垒等问题,深度学习(DL)与产前超声相结合,可帮助优化图像质量,缩短检查时间,减轻临床负担,为产前超声自动化识别与测量方面提供便利。

关键词： 人工智能   能源工程基础   教学创新   智慧课堂   个性化学习  

摘要： 探讨了如何融合人工智能技术创新应用于“能源工程基础”课程,构建了一种全新的教学体系。通过引入人工智能,显著提升教师备课效率,并实现智慧课堂替代传统教学模式。多媒体技术的应用丰富了课程内容,推动教学方式的深刻变革。同时,人工智能在学生自主学习中的应用提高了个性化学习和课后复习的效率。论文展望了未来课程优化方向,强调持续应用人工智能技术对课程体系的重塑,以培养适应时代需求的高素质人才。

关键词： 工业5.0   教师教育   数字化转型   人工智能  

摘要： 技术的持续迭代推动了工业5.0时代的到来,这为教师教育发展带来了新的机遇,也使数字化转型成为教师教育不可回避的发展方向。就其价值而言,面向工业5.0的教师教育数字化转型将引导教师进入不可逆的数字化进程,为教师角色的锚定与修正提供方向指引,并通过平台支撑和数字赋能推动教师专业成长。与此同时,教师教育数字化转型亦面临复杂挑战,如区域发展差异导致的教育数字鸿沟、教师数字技术运用能力欠缺以及教师教育数字化转型评价体系落后等。面向未来,教师教育数字化转型应采取三大举措,即以人本导向配置支持教师专业发展的数字化资源,持续提升人机协同智慧强化教师专业能力,构建灵活的教师数字素养评价体系,进而为建设教育强国和推进教育现代化培养高素质教师队伍。

关键词： 人工智能   精准医学   脑小血管疾病   影像组学  

摘要： 脑小血管病(cerebral small vessel disease,CSVD)是主要累及脑小动脉、微动脉、小静脉及毛细血管的脑血管病变[1]。随着全球人口老龄化进程加速,CSVD发病率呈现显著上升趋势,对公共卫生系统构成重大负担。现有研究数据显示,CSVD约占全部脑血管病的20%,是导致血管性痴呆(40%)和腔隙性卒中(25%)的主要病因[2]。该疾病临床表现复杂多样,包括:步态异常、自主神经功能障碍以及认知情感行为障碍等症状[3]。2023年发表的CSVD国际影像标准-2对CSVD的影像表现进行了统一术语定义,包括7项影像学表现:(1)近期皮质下小梗死;(2)腔隙;(3)脑白质高信号;(4)血管周围间隙;(5)脑微出血;(6)皮质表面铁沉积;(7)皮质微梗死[4]。

关键词： 人工智能   审计人才队伍   人才培养  

摘要： 在人工智能时代,审计行业正经历深刻变革,审计人才队伍培养面临新挑战与新机遇。本文剖析人工智能对审计工作的多方面影响,进而探讨当前审计人才队伍现状及问题。基于此,从完善人才培养体系、创新培养模式、加强校企合作、建立科学考核评价机制等方面提出策略,旨在打造适应人工智能时代需求的高素质审计人才队伍,提升审计工作质量与效率,推动审计行业现代化发展。

关键词： 致密油储层   机器学习   LightGBM算法   SHAP算法   孔隙度预测  

摘要： 为了准确高效地表征致密油储层孔隙度的空间分布特征,同时对机器学习模型的可解释性进行评价,采用Z-Score方法对特征属性进行归一化处理,并应用Optuna超参数优化框架对模型的超参数进行调优,建立了一种基于LightGBM算法的孔隙度预测模型,与GBDT和XGBoost算法模型进行了预测效果的综合对比,并利用SHAP算法对LightGBM模型的输出结果进行了可视化解释分析。研究结果表明:LightGBM模型在训练数据集和测试数据集上的预测决定系数分别为0.984和0.855,模型预测准确度高、泛化能力强,综合预测效果好于GBDT和XGBoost模型。应用SHAP算法对LightGBM模型结果的可解释性进行分析,结果表明,影响LightGBM孔隙度预测模型最重要的5项测井参数为密度、阵列感应电阻率、自然伽马、声波时差和光电吸收截面指数。在研究区某单井X致密层段孔隙度的预测实例中,LightGBM模型预测准确度达93.9%,分别高于GBDT和XGBoost模型的预测准确度86.53%和89.08%;训练时长为0.016 s,分别为GBDT和XGBoost模型训练时长的0.096倍和0.025倍;预测时长为0.01 s,分别为GBDT和XGBoost模型预测时长的0.42倍和0.19倍;LightGBM模型的预测效率相对GBDT和XGBoost模型具有明显优势,其在取心井段上对孔隙度的预测误差更小,预测能力更强,且能更好地拟合低值孔隙度。该方法的应用不仅解决了单井致密层段获取完整准确孔隙度分布的难题,而且提高了孔隙度预测的精度和效率,对致密油储层的评价及高效勘探开发具有一定的参考价值。

关键词： 等保2.0   网络安全   数据安全   主动防御   人工智能   综合治理体系  

摘要： 在高校数字化转型和人工智能背景下,高校网络安全面临严峻挑战。依据网络安全等级保护制度,坚持技术和管理相结合的原则,提出以高校网络安全态势感知平台为依托,以“四位一体”网络安全意识培养和管理体系建设为主线,以数据中心云网安融合安全服务链、蜜罐和云端引流主动防御、数据安全综合防护为技术支撑体系,建立高校网络安全综合治理体系,以此增强高校网络安全防御能力,提高网络安全治理水平,筑牢高校网络安全屏障。