会员中心
搜索
登录
注册

解决方案

数字化转型通用方案行业方案安全方案大数据人工智能物联网行业展望自动控制其他

产品|技术

白皮书产品介绍技术介绍技术创新模型算法

政策|规范

政策规范行动计划

电子书

电子书课件

报告|论文

报告模板论文

基于webgis的山师智慧校园

本系统是基于 WebGIS 的开放式全景智慧校园平台，致力于打造一个立足于大学校园，面向全社会的多功能一体化智慧校园平台。平台依托ArcGIS Server 和ArcGIS API for JavaScript进行二次开发，实现精细化地图、360 实景重建、二三维地图联动等创新功能，实现校园景观与建筑详细信息展示、校园内部二三维地图浏览、校园 360 度实景漫游、查询课程与教室关系、查看建筑物室内详细地图发布和评论教学生活相关信息、校园分类信息发布和周边服务等功能，解决目前校园内师生呼声最高的相关问题，全面提升校园底蕴和文化形象，促进校园信息化、科技化建设提速，增强学校的知名度和影响力。

  • 2024-09-12
  • 阅读401
  • 下载0
  • 10页
  • doc

【Knowledge-BasedSystems】考虑不确定性的电力负荷智能混合预测新方法

准确的负荷预测在促进低碳能源和高质量用电以及能源和电力系统的碳减排和安全方面发挥着重要作用。电力系统趋势的复杂性导致负荷预测存在广泛的不确定性。本文在多维不确定性水平上分析了壤土气象因素的内在机制，并提出了一种基于新的智能优化方法的双向记忆特征混合模型。灰狼优化的VMD将电力负荷数据分解为不同的信息模态分量，用多维不确定性分析对分解的分量进行统计分析，提取统计模式。GTO部分根据适应度值进行优化，以更新总体和全局最优解。此外，卷积神经网络（CNN）用于从负荷和气象数据中提取潜在特征，并增强输入和输出数据之间的相关性。然后，利用双向短期记忆神经网络（BiLSTM）实现了短期负荷预测。结果表明，所提出的模型比几种常用的模型误差更小，预测精度更高。它可以为相关部门开展低碳模式的电力经济调度工作提供一些新思路。

  • 2024-09-12
  • 阅读277

智慧医疗卫生领域建设方案网络平台采购项目内容及需求

支持网站自学习建模功能，能通过自学习形成网站URL树，并发现参数的名称、类型、匹配频率； 通过自学习能生成安全防护策略，可配置匹配不到自学习特征直接阻断请求。

  • 2024-09-12
  • 阅读258
  • 下载0
  • 23页
  • docx

大学智慧校园安防系统技术方案

系统总体架构从纵向的角度看可分为四个部分，分别是前端支撑层，主要负责现场图像的采集，前端录像的存储，各种报警设备、音频设备的接入；网络传输层，负责前端支撑层采集数据的传输；平台服务层，负责前端设备接入及管理，账号管理，认证鉴权，图像资源调度，平台录像存储，存储等；展示层，负责将平台调度到的图像通过解码器输出到总控室或分控室的电视墙显示，或通过PC客户端查看。

  • 2024-09-12
  • 阅读393
  • 下载0
  • 74页
  • doc

基于叶尖定时（BTT）技术的叶片振动监测-1

叶片作为旋转机械的关键部件，其运行状态直接影响设备的安全可靠运行。大型汽轮发电机组末级叶片所处环境比较恶劣，容易造成叶片安全事故，近些年火电机组深度调峰进一步加剧了这一趋势，因此开展叶片振动的在线实时监测和分析对于大型汽轮发电机组安全运行具有重大意义。

  • 2024-09-12
  • 阅读251

代码开源!|变工况下的域对抗图卷积网络故障诊断

大家都知道在咱们故障诊断领域中好的论文很多，但是代码开源的却很少，代码开源必是精品！继上一期分享的图神经网络在智能诊断与预测中的应用

  • 2024-09-12
  • 阅读271

某大学学院中心机房建设工程设计方案

本项目为农业科技学院中心机房建设工程。总面积约100平方米，包括房间有配电室、网络机房、服务器机房1、服务器机房2及集中监控室 在查阅了大量机房工程的技术要求及现在机房建设要求规范的基础上，结合我们项目的功能、场地及设备安全运输的特殊要求，机房应考虑如下功能系统： ？ 装饰装修工程 ？ 供配电系统 ？ 空调及新排风系统 ？ 防雷接地系统 ？ 监控及门禁系统 ？ 气体消防系统 ？ UPS系统 ？ 环境监控系统 ？ 综合布线系统 ？ KVM系统

  • 2024-09-12
  • 阅读256
  • 下载0
  • 44页
  • doc

小样本学习登上Nature！【小样本学习+多模态】

- AMFAR框架基于元学习范式，包含元训练和元测试两个阶段。 - 在元训练阶段，首先使用特定于模态的背骨网络提取查询样本和支持样本的动作原型的多模态表示。 - 利用查询到原型的距离计算模态特定的后验分布，并采用Active Sample Selection (ASS) 模块，根据模态的可靠性将查询样本分组。 - 设计了Active Mutual Distillation (AMD) 机制，通过双向知识引导流在模态间传输查询到原型的关系知识，从而提高不可靠模态的表示学习能力。 - 在元测试阶段，采用Adaptive Multimodal Inference (AMI) 进行小样本推理，通过自适应地融合不同模态的后验分布，更多地关注可靠的模态。

  • 2024-09-12
  • 阅读543