电子信息工程专业 《电子信息工程导论》 《数据结构与算法》 《微处理器与接口技术》 《信号与系统》 《嵌入式信息系统》 《Linux 操作系统》 《虚拟仪器》 《FPGA 设计与应用》 《专业英语》 《电磁场与电磁波》 《高频电子线路》 《信息论与编码》 《数字信号处理》 《Linux 操作系统课程设计》 《电子电路系统综合实践》 《智能硬件系统开发综合实践》 《信号处理综合实践》 《计算机通信网络》 《计算机通信网络实训》 《通信原理》 《数字图像处理》 《专业实习》 《数字图像处理综合实践》 《片上电子信息系统》 《智能语音识别与处理》 《移动互联网开发与应用》 《短距无线通信与异构组网》 《云计算与虚拟化技术》 《数据挖掘与分析》 《智能语音识别与处理实践》 《WEB 应用开发》 《片上电子信息系统课程设计》 《专业自主实践课-开放实验类》 《专业自主实践课-创新创业类》 《专业自主实践课-科研项目类》 《光纤通信实训》 《专业自主实践课-学科竞赛类》 《毕业设计》 通信工程专业(卓越计划） 《通信工程专业导论》 《MATLAB 及其应用》 《软件设计基础》 《通信工程专业认识实习》 《软件设计基础课程设计》 《云数据管理技术》 《单片机应用技术》 《网络编程技术》 《嵌入式系统及应用》 《微波技术》 《云平台搭建与设计》 《移动通信系统原理与网络优化》 《移动互联网游戏创意设计》 《移动应用开发实践》 《通信行业规范与职业规划》 《现代传输系统调测实践》 《移动互联网产品测试实践》 《集成电路基础》 《搜索引擎技术》 《软件定义网络》 《移动互联网应用开发实训》 《融合通信应用实训》 《企业工程实习》 《天线与电波传播》 《光纤通信》 《智能工业及其应用技术》 物联网工程专业 《物联网工程导论》 《计算机硬件基础》 《传感器原理及应用》 《物联网工程专业认识与实践》 《操作系统》 《RFID 原理及应用》 《物联网感知综合实践》 《信号与系统课程设计》 《JAVA 程序设计》 《数据库系统基础》 《自动控制基础》 《传感网原理及应用》 《嵌入式系统开发实训》 《网络系统集成》 《数据处理与智能决策》 《物联网数据处理综合实践》 《大数据与云计算》 《M2M 技术》 《位置信息处理技术》 《虚拟仪器测控应用技术》 《物联网工程设计与实施》 《物联网安全技术》

1、什么是智能材料 2、智能材料的特征 3、智能材料的构成 4、智能材料的分类

13.1关于人工智能的争论 13.2人工智能对人类的影响 13.3对人工智能的畏望

5.1新业务的传统实现方法 5.2智能网的基本概念 5.3几种典型的智能业务 5.4智能网的结构 5.5智能网应用部分

第一节智能建筑产生的背景 第二节智能建筑定义与构成 第三节智能建筑特征与发展 第四节智能建筑技术的发展与趋势

一 基础概念的理解 二 人工智能的历史与发展 三 中国人工智能的发展 四 人工智能与金融的结合：智能金融场景与价值 五 课程实践环境

将人工生命与人工智能相结合,并应用于计算机动画的研究.在用人工生命方法生成的计算机动画中,智能生命在虚拟环境中的行为有程序员事先设定好的预定义行为,同时也有随机出现的随意性行为.以人工鱼为例,建立了智能生命随意性行为的认知模型,并利用子集搜索等技术提高搜索效率.仿真结果表明,利用认知模型,智能生命可以较好地处理某些随机事件

风能、太阳能等间歇式能源的引入和工业生产中大功率动态负载的增加，使得智能电网电力负荷越来越多呈现出大范围随机频繁波动的特点.动态负荷的增加对智能电能表的有功电能测量带来新挑战.传统的测量算法是针对稳态负荷而提出，因此无法解决智能电能表动态计量性能的改善问题.本文在传统MA （moving average）算法的基础上提出一种SDPA （segmented dot product accumulation）动态有功电能测量算法，该算法可在一定程度上减小动态功率条件下的测量误差.首先，分别讨论了传统MA和ⅡR （infinite impulse response）滤波器算法的动态响应速度和动态电能误差特性，指出两种算法对动态输入信号测量的局限性，并理论分析了影响各自动态计量性能的因素.以此为基础，提出智能电能表有功电能动态测量的SDPA算法，通过将待测的动态功率信号按周期截短、分段执行点积运算、并累加求和的方式实现动态测量.另外，通过按周期抽取的算法实现方式可以大大减少存储空间、提高运行速度.理论和仿真结果表明，与传统MA和ⅡR滤波器相比，SDPA算法在动态响应时间为一个基波周期的前提下，动态电能测量可达到较低误差水平

2.1 人工智能的基本概念 2.2 人工智能的发展简史 2.3 人工智能研究的基本内容

油气资源大数据智能平台的总体框架应以数据资源为基础、大数据平台算力为支撑、人工智能算法为核心，面向油气行业生产需求，构建集勘探、开发、生产数据于一体的油气数据资源池，通过数据清洗与融合提升数据质量，整合物理模拟与数据挖掘等手段，实现服务功能模块化，并在PC端、管控大屏、手机移动APP等多维平台实现智能监测、预警与展示。通过对深度学习等人工智能方法在油气工业领域的应用案例分析，表明其具有较好的应用前景。未来石油公司应与科研院所通力合作，挖掘石油工业数据的巨大潜能，实现降本增效，建设全新的智能油气工业生态圈，完成产业升级