《人工智能导论》为计算机科学技术专业和软件工程专业的一门选修课，其目的是使学生初步了解人工智能的基本原理，初步学习和掌握人工智能的基本技术，以便拓宽知识面，并为进一步学习和应用奠定基础。本课程的具体要求为： 1. 了解人工智能的基本概念、分支领域及其发展概况； 2. 理解知识表示及其推理的基本原理，掌握其基本技术； 3. 理解基于搜索的问题求解基本原理，掌握其基本技术； 4. 理解机器学习、知识发现的基本原理；初步掌握其基本方法； 5. 学会一种人工智能程序语言，掌握简单的智能程序设计方法； 6. 能综合运用所学知识，设计实现一个小型专家系统。 教学重点、难点： 1. 搜索与问题求解； 2. 知识表示及其推理； 3. 机器学习与知识发现； 4. 专家系统原理与设计

螺纹插装式溢流阀阀套精加工采用碳氮共渗后磨削的制造工艺，内锥面的形位误差会影响溢流阀的使用寿命和静动态特性，制造过程需要精准控制内锥面的误差。通过对工艺分析建立制造误差模型并应用研究，由此获得内锥面自身角度的合理误差范围，以及内锥角误差与磨削量之间的变化关系。根据阀套结构特点设计专用的检测装置，并对检测原理和测量误差进行分析，通过误差校对提高检测精度。对热处理后的阀套进行轴向尺寸分组，并采用基准统一原则，保证磨削制造精度的稳定性。根据检测原理和误差模型对试磨件进行误差计算，并据此调整磨削参数，使制造误差合格；后续制造时采用检测装置快速测量阀套的密封圆轴向尺寸，使制造误差均落在控制范围内，保证批量生产的可控性。研究表明，基于某型溢流阀的设计及工艺参数，内锥面自身角度的实际制造误差控制以±0.8°为宜，对应的密封圆轴向最大磨削公差为0.186 mm、修正后的最小磨削公差为0.075 mm；实验验证了误差模型的准确性，所述检测方法的角度测量误差为0.06°、密封圆轴向尺寸测量误差为2 μm，因角度测量误差带来的最大、最小磨削量范围偏差可通过内锥角实际制造误差的收缩进行补偿；所研究的理论与方法也为其他内锥面的制造控制及逆向工程提供了系统的方法

麦克斯韦最先注意到(也可以从十分简单的计算得出), 当两个点A,B一起移动而不带动附近的以太时,光线从点 A走到点B再返回点A所需的时间一定会不同.当然,这个 差值是个二阶量,但是用灵敏的干涉方法已经足以检测出来。 迈克尔逊于1881年做了这样的实验他的仪器是一种 干涉仪,有两个长度相等并互相垂直的水平臂P和Q.两東 互相干涉的光线,一束沿P臂往返,另一束沿Q臂往返。整个 仪器包括光源和观察装置,可以绕竖直轴转动.当P臂或Q 臂尽可能与地球运动方向相同时的两个位置值得特别考虑 根据菲涅尔理论可以预言,当仪器从一个主位置转到另一个 主位置时,千涉条纹应发生位移 但是,取决于光传播时间改变的这种位移(为简单起见

在输电场景中，吊车等大型机械的运作会威胁到输电线路的安全。针对此问题，从训练数据、网络结构和算法超参数的角度进行研究，设计了一种新的端到端的输电线路威胁检测网络结构TATLNet，其中包括可疑区域生成网络VRGNet和威胁判别网络VTCNet，VRGNet与VTCNet共享部分卷积网络以实现特征共享，并利用模型压缩的方式压缩模型体积，提升检测效率，从计算机视觉和系统工程的角度对入侵输电场景的大型机械进行精确预警。针对训练数据偏少的问题，利用多种数据增强技术相结合的方式对数据集进行扩充。通过充分的试验对本方法的多个超参数进行探究，综合检测准确率和推理速度来研究其最优配置。研究结果表明，随着网格数目的增加，准确率也随之增加，而召回率有先增加后降低的趋势，检测效率则随着网格的增加迅速降低。综合检测准确率与推理速度，确定9×9为最优网格划分方案；随着输入图像尺寸的增加，检测准确率稳步上升而检测效率逐渐下降，综合检测准确率和效率，选择480×480像素作为最终的图像输入尺寸。输入实验以及现场部署表明，相对于其他的轻量级目标检测算法，该方法对输电现场入侵的吊车等大型机械的检测具有更优秀的准确性和效率，满足实际应用的需要