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

数据要素流通安全白皮书（中国数谷）

本白皮书旨在分析数据要素流通安全的现状、趋势和挑战，提出相应的安全框架、保障方案及其实践案例，以促进数据要素的合规流通和安全保障。希望通过本白皮书，引导社会各界从发展的角度关注数据要素流通安全问题，为数据要素流通安全提供有益的参考，助力数据要素赋能实体经济。 在编写本白皮书的过程中，得到了众多专家、学者和业内人士的支持与帮助。在此表示衷心感谢。同时欢迎广大读者提出宝贵意见和建议，以不断优化和完善白皮书内容。

  • 2024-04-22
  • 阅读1145

图解DeepSeek-R1的创新训练和推理模型实现原理

DeepSeek-R1的发布在AI发展进程中具有里程碑式的意义，尤其对机器学习研发社区而言意义重大，主要原因有二：开源策略：提供了经过轻量化处理的蒸馏版本技术透明：公开分享了如何构建类似OpenAI O1这样对的推理模型的完整训练方法

  • 2025-02-21
  • 阅读1144

基于深度隐变量状态空间模型的轴承退化预测

滚动轴承是机械传动设备的核心部件，预测其退化趋势对于保障设备的安全稳定运行至关重要。目前，大多数基于状态空间模型（SSMs）的轴承退化预测方法都采用线性函数或简单的非线性函数（如指数函数、幂函数）来建立状态和测量方程。然而，这些方法无法适应实际应用中复杂多变的非线性退化过程。针对这一问题，论文开发了一种基于深度隐变量的状态空间退化模型，并将其应用于轴承退化预测。所提方法继承了状态空间模型的优点，能够以结构化的方式对不确定性进行建模。此外，通过引入微分预变换，进一步提高了模型的长期预测性能。为了验证提出模型在预测轴承退化方面的有效性，论文使用了PRONOSTIA平台的轴承数据集和真实的风力涡轮机轴承数据进行了实验。实验结果表明，论文所提方法在轴承退化预测精度方面优于现有方法，充分证明了模型的优越性能。

  • 2024-09-01
  • 阅读1137

南方电网数据资产管理体系构建与应用实践

第五届数据资产管理大会在线上召开。南方电网数字平台科技（广东）有限公司副总经理萧展辉先生进行了《基于“责权利、量本利”的数据资产管理体系构建与应用实践》的主题分享。

  • 2024-04-16
  • 阅读1131

AI技术赋能网络内容安全保障研究

人工智能（Artificial Intelligence，简称 AI）近年得到广泛 关注，且对于未来网络安全变得愈发重要，机器学习、深度学习等人 工智能技术在网络安全领域的应用正在引发新技术研发热潮和新安 全产业增长。本研究的主要目的是分析 AI 赋能网络内容安全保障的 关键技术及解决方案，通过 AI 技术在网络内容安全的应用场景及发 展环境，分析 AI 产生的企业价值和社会价值，研究 AI 技术保障网络 内容安全的演进趋势。

  • 2021-03-30
  • 阅读1124
  • 下载0
  • 46页
  • pdf

信捷云平台——云智造用户手册

信捷云平台依托产品多年深耕行业和广泛应用为基础，面向远程数据采集的行业应用平台，涵盖功 能包括设备接入、设备管理、数据存储、数据展示、数据分析、用户管理等部分。 平台免编程，免安装软件、无需专业技能、可快速便捷实现产品与系统的联接，打造专属物联平台。 无论何时通过 WEB、APP 实现对设备的远程数据监测、参数设置和功能控制。

  • 2021-04-16
  • 阅读1122
  • 下载2
  • 57页
  • pdf

第3代移动通信系统

第二代移动通信系统发展迅速,技术已相当成熟，但其业务主要限于话音和低速率数据（＜9.6 kb/s），远远不能满足传输高速数据、电视图像的需求于是一种能够提供全球漫游，支持多谋体业务且有足够容量的第三代移动通信系统就应运而生了，第三代移动通信系统（3G）在1996年被国际电联（ITU）正式命名为IMT-2000，意即工作在2 000 MHz频段的第三代移动通信系统。IMT-2000是一个全球无缝覆盖、全球漫游，包括卫星移动通信、陆地移动通信等蜂窝移动通信的大系统，第三代移动通信系统的组成。

  • 2021-06-30
  • 阅读1121
  • 下载0
  • 244页
  • pdf

【EAAI】使用1D-CNN和BiLSTM进行时间序列预测的教程：参见峰值需求和系统边际价格预测的示例

尽管基于深度学习的时间序列预测研究正在各个行业积极开展，但深度学习技术对于没有计算机科学专业的研究人员来说仍然有很高的进入门槛。本文介绍了使用基于深度学习的模型进行时间序列预测的教程。介绍了时间序列数据预测的全过程——从数据采集到预测结果评价。通过使用1D-CNN和BiLSTM模型预测韩国济州岛峰值电力需求和系统边际价格的实例，展示了每个步骤的细节。在济州岛，2021年可再生能源在总发电量中的比例提高到67%，需要更准确的电力需求预测。因此，使用2018年2月808天的培训数据，预测了未来21天的电力需求和SMP。为了让读者更容易理解，该示例仅使用开放的公共数据，整个Python源代码通过GitHub存储库共享。WRMSSE计算的预测误差为0.42的电力需求和0.63的SMP最大值。WRMSSE值小于1意味着预测相对较好，即优于天真的预测。本教程不仅限于能源行业，还可用于任何需要时间序列数据预测的应用程序。这篇文章有望对需要了解使用深度学习进行时间序列预测的过程并将其应用于行业的研究人员有很大帮助。

  • 2024-05-11
  • 阅读1120