《工程科学学报》：基于树突神经网络的低轨卫星智能感知路由算法（北京科技大学）

《工程科学学报》：综合智能模型的碳钢大气腐蚀重要变量提取和依赖关系挖掘（北京科技大学）

《工程科学学报》：基于GPR反射波信号多维分析的隧道病害智能辨识

《工程科学学报》：基于数据融合的智能医疗辅助诊断方法

《工程科学学报》：炼钢合金减量化智能控制模型及其应用

油箱壳外形复杂,拉深成形过程中容易出现侧壁起皱和圆角处破裂的缺陷,成形工艺参数的确定非常重要.结合分类与回归决策树(classification and regression tree,CART)的人工智能技术和模型交叉验证方法,通过调用Python平台开源库Scikit-Learn对油箱壳拉深成形数值模拟结果进行知识挖掘,筛选出对油箱壳拉深成形影响大的工艺参数;以基尼指数(Gini index)最小化作为最优特征值及最优切分点选择的依据,构建了工艺参数与性能指标关系的CART决策树,提取出了可靠的工艺设计规则.油箱壳拉深实例表明,CART决策树理论的知识发现技术是实现板料成形过程数值模拟结果潜在知识挖掘的可行途径

为了给数控机床故障的精准诊断提供保障，延长数控机床使用周期，以数控机床历史维修记录为研究对象，对数控机床设备故障领域的命名实体识别进行了研究。在分析历史维修记录中的故障描述特点后，提出了一种基于双向长短期记忆网络（Bidirectional long short-term memory, BLSTM）与具有回路的条件随机场（Conditional random field with loop, L-CRF）相结合的命名实体识别方法。首先，对输入语句进行分词和标注，使用Word2vec中的Skip-gram模型对标注语料进行预训练，将其生成的字向量通过词嵌入层转化为字向量序列；然后，将字向量序列输入BLSTM学习长期依赖信息；最后将句子表达输入L-CRF获取全局最优序列。实验结果表明，该方法明显优于其他命名实体识别方法，为数控机床设备的智能检修与实时诊断任务打下了坚实的基础

上海交通大学：《创新思维与现代设计》教学资源_2013需求发现与创新方案-PPT展示_李帮俊_图书馆智能照明

上海交通大学：《创新思维与现代设计》教学资源_2016年秋季班_个人案例分析_智能手机

上海交通大学：《创新思维与现代设计》教学资源_2016年秋季班_往届优秀作品_作业范例-电子文档智能转换笔x