基于虚拟教研室的高校人工智能专业(AI+X方向)建设——以浙江大学为例

随着人工智能技术的快速发展和新兴职业的不断涌现,社会对复合型人工智能人才的需求日益迫切。高等院校亟需创新教学组织形式,促进教学资源共享与学科交叉融合。为此,各级教育部门积极推进虚拟教研室建设,探索人工智能专业建设新模式,产生了一系列优秀案例。基于此,文章以浙江大学人工智能专业(AI+X方向)虚拟教研室为例,深入剖析其建设经验与启示。研究发现,浙江大学以知识点为核心组织教学资源,通过创新微专业与微认证、研发特色教材与课程资源、搭建科教实训平台、组织开展师资培训等方式,有效促进了人工智能与多学科交叉融合,实现了优质教学资源的整合与共享,为复合型人工智能人才培养提供了有力支撑。文章的研究对于推动虚拟教研室建设具有重要意义,并可为高校人工智能专业建设和人才培养提供参考。

浅议高校校务信息资源的管理与利用——以浙江大学校务信息资源建设为例

文章从数字化校园视角出发,分析当前高校信息资源管理与利用的制约因素,提出充分挖掘高校信息资源价值的思路与对策,并在浙江大学校务管理中得到实践。

计算机辅助的国画真伪鉴别研究

中国画的真伪鉴别一直是困扰书画界的难题。传统的完全依赖专家的经验性鉴定方式主要缺点是主观性太强,对于争议的作品难以有令人信服的客观证据。近年来,随着模式识别与计算机视觉技术的快速发展,基于视觉的计算机辅助中国画真伪鉴别正成为学术界的研究热点,它将为专家的经验性鉴定寻找科学的、客观的量化指标进行有益的探索。首先对中国画真伪鉴别的现状进行阐述,然后根据中国画中的三类不同的鉴别对象,分别对相关的视觉鉴别技术进行了综述。

基于Agent计算金融的计算机仿真研究综述

传统的金融学研究方法为“由上及下”,此类方法倚重于总体把握,而忽视个体行为,特别是缺乏个体以及个体与环境之间的互动。基于Agent的计算金融是一种新的研究金融市场行为的工具。首先阐述了金融市场本身的复杂性和传统金融学存在的一些困惑。在这基础上提出了基于Agent的计算金融方法。其次,概要介绍了目前基于Agent的人工金融市场的主要设计方法,并且提出了在设计过程中要注意的一些问题。最后,分析了这种方法相对于传统金融学研究方法的优点和存在的问题,并进一步提出了该领域的未来研究方向。

计算机辅助的艺术体操运动员初中级选材系统研究

通过文献资料、问卷调查、访谈和数理统计等研究方法,对我国艺术体操初中级运动员的身体形态和身体素质选材指标进行了鉴定,并通过计算机软件工具建立多层次模糊综合评价体系模型,其结果更有利于我国艺术体操运动员的科学选材。

基于CAPE-OPEN的计算机工业建模

以下一代过程工程辅助计算的开放模拟环境CAPE-OPEN(Computer-AidedProcessEngineeringOpenSimula-tionEnvironment)为重点,首先阐述当前计算机工业建模发展的局限性以及CAPE-OPEN解决方案的优势所在,接着详细分析其应用框架与设计实现细节,最后以方程建模工具ASCEND为背景,继承CAPE-OPEN的接口定义思想与规范,设计ASCEND通用方程建模单元操作模块接口集,实现广义的跨平台协作计算与建模。

信息化时代大学校友育人工作的思考与探索——基于Z大学R学院的实践

大学需要重视发挥校友资源在育人过程中的作用与价值,校友应该成为引领学生成长、助推学生成才的重要育人力量。本文基于信息化时代的特点,提出了大学校友育人工作模式的构想,并以Z大学R学院为例,探讨了基于生涯规划与职业发展的校友育人工作模式的实践。

教育研究中的计算驱动手段探究

近年来,人工智能和网络通讯等技术的发展使高效分析和理解教育教学过程中涌现的海量数据成为可能。由此,研究数据驱动机器学习模式下有效的计算模型和手段,从数据中洞悉教育教学中客观规律和模式,成为教育研究的热点之一。为此,文章首先回顾了教育研究所属范畴的历史变化过程;然后,文章围绕教育作为自然科学研究对象所具有的以实证经验为基础、以量化计算为手段的特点,介绍了教育过程复杂性建模、教育效果由果溯因评测以及教育实验随机对照分析三个问题中的若干计算手段;最后,文章根据现有人工智能模型解释性不强这一局限性难以更好促进教育研究进展现状,指出数据和知识双轮驱动、闭环反馈回路、随机对照实验前提假设等是教育研究技术手段今后发展的趋势,以期建立解释性更强教育研究理论和方法。

一种支持自治计算的基于可废止逻辑的柔性Agent

以自治计算的研究为背景,利用可废止逻辑理论的非单调知识表征和推理机制,提出一种能够动态接受规则变更、灵活处理实时发生的规则冲突,并进行高效的非单调推理的柔性Agent模型.这种Agent既是自主的,又是可控的,而且可以在开放、动态的环境中通过合同与其他Agent进行协同工作.

一种使用深度联合学习的ICS自适应异常检测方法

为了提高工业控制系统异常检测方法的准确性、及时性以及可部署性,提出了一种使用深度联合学习的ICS自适应异常检测方法。具体来说,首先提出了一种轻量级局部学习模型,以提高学习速度,合理利用硬件资源,保证了部署在分布式边缘设备中的可行性。其次提出了一种只基于正常数据的无监督学习模型,并结合核分位数估计对检测机制进行自适应动态调整。最后将上述方法整合到联合学习框架下,使其能有效地在边缘段攻击源附近进行分布式异常检测,以最大化减少系统对异常攻击的响应时间。

二级光线跟踪的并行计算

基于图形处理器(GPU)体系架构研究二级光线跟踪技术,使其交互式地绘制出真实感极强的图像.基于二级光线的特性和GPU体系结构的特点,提出以下技术:具有高并行度的加速结构快速构造方法;二级光线包的自适应生成方法;自适应的并行光线跟踪算法;面向优化带宽使用的数据动态管理方法等.实验表明,该方法可以最大限度地发挥图形处理器强大的并行计算能力,有效地使用硬件计算资源和存储资源,从而大大地加快二级光线跟踪的并行计算.

基于不规则性的并行计算方法

为了有效使用异构多核架构强大的并行计算能力,根据硬件架构的特点重新组织数据并合理调度任务的执行是非常有必要的.提出一个基于不规则性的并行计算方法,是一个融合数据并行、任务并行、管道并行的多重并行计算方法,特别适合具有动态特征执行行为和不规则数据结构的复杂算法,能够在程序运行时根据存储局部性原则和单指令多数据流(SIMD)操作机制对任务执行进行基于优先级的动态调度和数据管理,能够最大限度地有效使用CPU和GPU的硬件计算资源和存储资源.实验结果表明,该方法能够提高图形并行绘制算法关于动态执行过程和不规则数据结构构造和维护的性能.

基于校园网格的多学科计算及协同可视化

针对浙江大学各高性能计算资源过于分散、无法充分利用的问题,提出一种校园网格的架构.通过使用Globus Toolkit和Sun Grid Engine两种网格中间件,部署层次化结构的校园网格,并在此基础上提供科学计算、生物信息、流体力学等服务.通过在不同节点数的网格中的应用程序运行情况的测试,表明校园网格能够提供高效、稳定的计算能力.提供了在校园网格环境下本地绘制和服务器绘制两种可视化服务,用户可以针对不同的数据和计算环境,选择不同的可视化方法;用户可对可视化结果进行协同操作,便于联合研究和分析.

基于高频规则发现的大学生个性分析研究

高频规则发现作为关联规则发现的子问题,在许多重要的数据挖掘领域中起着关键的作用。经典的高频规则发现算法是一个多次遍历的算法,计算的复杂度较高。对高频规则算法的关键思想以及性能进行了研究,给出了高频规则发现算法Apriori的改进算法,并应用于大学生个性分析。该算法有效地提高了原算法的性能,对Apriori算法的各种变形同样适用。

数据科学的可视化恶意软件分析技术在档案数字化安全管理系统中的应用

数据科学的可视化恶意软件分析技术是当前信息安全领域中的重要的创新技术,旨在提高对档案数字化系统中潜在威胁的检测和应对能力。系统论述了基于数据科学的可视化恶意软件分析技术在档案数字化安全管理系统中的应用,并结合可视化数据集构建了基于神经网络的恶意检测模型。使用可视化绘图对恶意软件的检出效果和迭代趋势进行分析,其优点对比传统的数据剥离手段更加高效并更具可读性,且在分析的过程中能够迅速、准确地应对不断演进的威胁,为数字化档案的安全提供了有力的支持。

基于网格的神经网络计算平台

人工神经网络特有的非线性适应性信息处理能力,在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用。本文首先简单介绍了神经网络计算平台的现状,随后描述了计算平台架构的设计实现思想及计算平台前后台架构,提出了一个神经网络模拟算法,并且就此算法在平台上进行事例编程。最后对神经网络计算平台的发展展开展望。

以Artifact为中心的业务流程相似度计算方法

为了在计算流程模型相似度时考虑到业务流程数据,解决以Artifact为中心的业务流程模型相似性度量问题,分析了业务流程执行过程中对数据的操作,提出了一种面向以Artifact为中心的业务流程相似度计算方法。对以Artifact为中心的流程模型的定义进行了扩展,增加了数据属性操作的描述;抽取Artifact数据属性的操作序列,将业务流程模型分解为Artifact数据属性操作序列集合;对数据属性操作序列进行分类,计算不同业务流程模型间数据属性操作序列相似度,进而得到以Artifact为中心的业务流程模型间的相似度。实验结果表明,该方法不仅体现了业务流程模型的数据操作特性,也体现了业务流程模型的行为,为以Artifact为中心的流程模型相似度计算提供了一种可行的方法。

基于深度强化学习的文本相似语义计算模型

语义相似计算是自然语言处理领域一个常见问题,现有的基于深度学习的语义相似计算模型大多数是通过卷积网络或者长短时记忆模型来提取语义特征,但是这种语义特征的提取方式存在语义信息丢失的问题。提出两点改进传统深度学习模型在提取语义特征时的语义丢失现象。首先是改进注意力相互加权模型。基于相互加权方式做出改进,使用多个加权权重矩阵加权语义,同时提出新的正则项计算方法。其次在语义相似计算模型中引入强化学习的方法对文本进行自动分组处理,在语义相似计算领域最常用的Siamese Network模型上使用强化学习算法,改善长短时记忆模型在提取句子的语义时所面临的语义丢失现象。通过实验验证,改进的方法处理中文句子有不错的效果。

分布式超级计算在神经计算平台上的应用

介绍了神经计算平台的整体架构,阐述了网格分布式超级计算理论在神经计算平台中的应用,并详述了具体的设计与实现,最后分析了该方法的优势。

人机协同下可信内容合成

ChatGPT在工程上创新性地整合了大数据、大模型和大算力,按照“共生则关联”的原理,挖掘出自然语言中单词和单词共生概率知识,辅以人类反馈信息,以机器智能实现了统计关联下的语言快速合成。ChatGPT推动人工智能由识人辨物和预测决策等技术赋能向内容合成这一新领域跃升,即人工智能内容合成(Artificial intelligence generated content, AIGC)。AIGC会塑造内容生产的新范式,成为智能数字交往的有力手段,并悄然引发一种文明范式的转型。ChatGPT进行内容合成的计算机理及其所引发的伦理道德潜在风险,将使人机协同下可信内容合成更具有价值。