新葡京娱乐场-大陆娱乐场开户注册

在串聯(lián)回路中，當(dāng)電弧或放電現(xiàn)象發(fā)生時(shí)，對(duì)電流進(jìn)行頻譜分析，根據(jù)電流 的頻譜特征變化來(lái)確定是否有電弧發(fā)生，提供預(yù)警信息或保護(hù)動(dòng)作。為了防止在 開(kāi)關(guān)的瞬間或受到其他脈沖電流的干擾造成電弧故障檢測(cè)電路誤動(dòng)作，同時(shí)在頻譜分析的基礎(chǔ)上綜合電弧時(shí)間長(zhǎng)短等其他特性作為電弧故障的判據(jù)。系統(tǒng)的硬件 部分包含電流檢測(cè)、濾波、故障特征提取等模塊。軟件部分包含信號(hào)采集、信號(hào) 處理、故障判別等模塊，并綜合時(shí)間等其他因素降低誤報(bào)率，提高檢測(cè)系統(tǒng)的可 靠性。在算法中，采用了人工智能算法以提高系統(tǒng)的適應(yīng)性。主要成果包

為中小學(xué)校及校外教育機(jī)構(gòu)提供課程整體規(guī)劃、學(xué)習(xí)空間創(chuàng)新建設(shè)。

本成果采用最新的深度學(xué)習(xí)和分子模擬算法，結(jié)合新一代分子特征化方法，開(kāi)發(fā)了多種計(jì)算機(jī)模型，可用于藥物開(kāi)發(fā)中的多個(gè)階段，為藥物的快速設(shè)計(jì)開(kāi)發(fā)提供一個(gè)完整的基于人工智能的解決方案。成果：1.藥物毒性預(yù)測(cè)方法：傳統(tǒng)的化合物毒性檢測(cè)技術(shù)一般需要使用生化試驗(yàn)、細(xì)胞實(shí)驗(yàn)、甚至動(dòng)物模型，這些方法不僅耗費(fèi)大量時(shí)間，而且成本很高。使用計(jì)算模型進(jìn)行有機(jī)化合物的毒性預(yù)測(cè)，所需投入較少，但產(chǎn)出巨大。特別是基于化合物的物理化學(xué)和結(jié)構(gòu)特性的計(jì)算模型，甚至能夠在化合物合成之前就對(duì)其進(jìn)行預(yù)測(cè)，大大提高了效率，使其越來(lái)越受到歡迎。在進(jìn)行體外和體內(nèi)試驗(yàn)之前先使用計(jì)算機(jī)模型對(duì)化合物進(jìn)行大規(guī)模的毒性篩選，能夠更好地解決候選藥物具有毒性的問(wèn)題。我們建立了一套新的基于多種分子指紋和機(jī)器學(xué)習(xí)算法的化合物毒性預(yù)測(cè)集成學(xué)習(xí)算法，運(yùn)用此集成學(xué)習(xí)算法建立了新的有機(jī)化合物致癌性、致突變性和肝毒性預(yù)測(cè)模型。我們分別建立了名為CarcinoPred-EL (http://112.126.70.33/toxicity/CarcinoPred-EL/, 致癌性預(yù)測(cè))、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突變性預(yù)測(cè))、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性預(yù)測(cè))的預(yù)測(cè)服務(wù)器，這些服務(wù)器能夠?yàn)槭褂谜咛峁└咝Ц憬莸念A(yù)測(cè)技術(shù)服務(wù)。自2017年服務(wù)器發(fā)表起，我們已為國(guó)內(nèi)外藥物分子設(shè)計(jì)研究者提供了5000多次共計(jì)超過(guò)20多萬(wàn)個(gè)化合物的毒性預(yù)測(cè)服務(wù)。在有機(jī)化合物毒性預(yù)測(cè)研究方向，我們主要完成了化合物的細(xì)胞毒性、心臟毒性、生殖毒性、血腦屏障透過(guò)性、水生生物毒性預(yù)測(cè)模型，以及糖尿病早期篩查模型的開(kāi)發(fā)，正在進(jìn)行P450酶阻滯劑性預(yù)測(cè)模型、基于圖神經(jīng)網(wǎng)絡(luò)的毒性預(yù)測(cè)算法研究、基于分子對(duì)接的化合物毒性預(yù)測(cè)研究等。相關(guān)研究成果已發(fā)表多篇學(xué)術(shù)論文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次數(shù)80，ESI 1%高被引論文；Ai H., et al. Toxicological Sciences, 2018, 165: 100-107；Yin Z., et al. Journal of Applied Toxicology. 2019, 39(10): 1366-1377；Ai H., et al. Ecotoxicology and Environmental Safety. 2019, 179: 71-78；Liu M., et al. Toxicology Letters. 2020, 332: 88-96；Feng H., et al. Toxicology Letters. 2021, 340: 4-14；Li S. et al. Interdisciplinary Sciences: Computational Life Sciences. 2021, 13: 25-33.）致癌性預(yù)測(cè)服務(wù)器首頁(yè)致癌性預(yù)測(cè)結(jié)果頁(yè)相關(guān)綜述對(duì)本服務(wù)器的介紹RF-hERG-Score預(yù)測(cè)藥物引起的hERG相關(guān)心臟毒性2.藥物設(shè)計(jì)方法：在計(jì)算機(jī)上對(duì)藥物靶點(diǎn)和藥物分子的結(jié)構(gòu)和活性建模，計(jì)算藥物與靶點(diǎn)之間的相互作用關(guān)系，從而設(shè)計(jì)出具有治療作用的藥物。計(jì)算機(jī)輔助藥物設(shè)計(jì)可以為藥物設(shè)計(jì)各階段的實(shí)驗(yàn)方案提供有意義的指導(dǎo)，減少需要通過(guò)實(shí)驗(yàn)評(píng)估的候選藥物的數(shù)量，從而加快新藥研發(fā)速度。我們應(yīng)用分子對(duì)接、分子動(dòng)力學(xué)模擬、自由能計(jì)算、機(jī)器學(xué)習(xí)等方法研究流感病毒等重要疾病的計(jì)算機(jī)輔助藥物設(shè)計(jì)、并開(kāi)發(fā)更有效的計(jì)算機(jī)輔助藥物設(shè)計(jì)方法。在計(jì)算機(jī)輔助藥物設(shè)計(jì)研究我們主要完成了流感病毒M2質(zhì)子通道蛋白抑制劑虛擬篩選方法研究，正在進(jìn)行先導(dǎo)化合物生成模型研究、基于機(jī)器學(xué)習(xí)的虛擬篩選打分函數(shù)算法開(kāi)發(fā)、SARS-CoV-2病毒S蛋白與受體相互作用及藥物設(shè)計(jì)研究。特異性重打分函數(shù)顯著虛擬篩選性能顯著較高篩選出兩個(gè)候選抑制劑3.藥物靶點(diǎn)識(shí)別方法：長(zhǎng)非編碼RNA（lncRNA）是一種長(zhǎng)度在200nt至100,000nt之間的非編碼RNA，是轉(zhuǎn)錄物的主要成分。研究表明lncRNA在許多生物學(xué)和病理學(xué)過(guò)程中起著重要作用。lncRNA起作用的重要途徑是與其靶蛋白結(jié)合。lncRNA-蛋白質(zhì)相互作用的實(shí)驗(yàn)研究需要大量資源。累積的實(shí)驗(yàn)數(shù)據(jù)使得通過(guò)計(jì)算方法預(yù)測(cè)lncRNA-蛋白質(zhì)相互作用成為可能。我們使用各種數(shù)學(xué)建模和機(jī)器學(xué)習(xí)方法開(kāi)發(fā)了幾種用于預(yù)測(cè)lncRNA-蛋白質(zhì)相互作用的新模型。這些模型命名為：RWLPAP（隨機(jī)游走），LPI-NRLMF（鄰域正則化邏輯矩陣分解），IRWNRLPI（集成隨機(jī)游走和鄰域規(guī)則化Logistic矩陣分解），LPI-BNPRA（雙向網(wǎng)絡(luò)投影推薦算法），LPI-ETSLP（基于特征值變換的半監(jiān)督鏈路預(yù)測(cè)），HLPI-Ensemble（集成學(xué)習(xí)）。在交叉驗(yàn)證中，我們的模型獲得了較好的預(yù)測(cè)性能。lncRNA-蛋白質(zhì)相互作用預(yù)測(cè)模型的性能比較lncRNA-蛋白質(zhì)相互作用預(yù)測(cè)服務(wù)器相關(guān)軟件著作權(quán)：

本成果采用最新的深度學(xué)習(xí)和分子模擬算法，結(jié)合新一代分子特征化方法，開(kāi)發(fā)了多種計(jì)算機(jī)模型，可用于藥物開(kāi)發(fā)中的多個(gè)階段，為藥物的快速設(shè)計(jì)開(kāi)發(fā)提供一個(gè)完整的基于人工智能的解決方案。 成果：1.藥物毒性預(yù)測(cè)方法：傳統(tǒng)的化合物毒性檢測(cè)技術(shù)一般需要使用生化試驗(yàn)、細(xì)胞實(shí)驗(yàn)、甚至動(dòng)物模型，這些方法不僅耗費(fèi)大量時(shí)間，而且成本很高。使用計(jì)算模型進(jìn)行有機(jī)化合物的毒性預(yù)測(cè)，所需投入較少，但產(chǎn)出巨大。特別是基于化合物的物理化學(xué)和結(jié)構(gòu)特性的計(jì)算模型，甚至能夠在化合物合成之前就對(duì)其進(jìn)行預(yù)測(cè)，大大提高了效率，使其越來(lái)越受到歡迎。在進(jìn)行體外和體內(nèi)試驗(yàn)之前先使用計(jì)算機(jī)模型對(duì)化合物進(jìn)行大規(guī)模的毒性篩選，能夠更好地解決候選藥物具有毒性的問(wèn)題。我們建立了一套新的基于多種分子指紋和機(jī)器學(xué)習(xí)算法的化合物毒性預(yù)測(cè)集成學(xué)習(xí)算法，運(yùn)用此集成學(xué)習(xí)算法建立了新的有機(jī)化合物致癌性、致突變性和肝毒性預(yù)測(cè)模型。我們分別建立了名為CarcinoPred-EL (http://112.126.70.33/toxicity/CarcinoPred-EL/, 致癌性預(yù)測(cè))、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突變性預(yù)測(cè))、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性預(yù)測(cè))的預(yù)測(cè)服務(wù)器，這些服務(wù)器能夠?yàn)槭褂谜咛峁└咝Ц憬莸念A(yù)測(cè)技術(shù)服務(wù)。自2017年服務(wù)器發(fā)表起，我們已為國(guó)內(nèi)外藥物分子設(shè)計(jì)研究者提供了5000多次共計(jì)超過(guò)20多萬(wàn)個(gè)化合物的毒性預(yù)測(cè)服務(wù)。在有機(jī)化合物毒性預(yù)測(cè)研究方向，我們主要完成了化合物的細(xì)胞毒性、心臟毒性、生殖毒性、血腦屏障透過(guò)性、水生生物毒性預(yù)測(cè)模型，以及糖尿病早期篩查模型的開(kāi)發(fā)，正在進(jìn)行P450酶阻滯劑性預(yù)測(cè)模型、基于圖神經(jīng)網(wǎng)絡(luò)的毒性預(yù)測(cè)算法研究、基于分子對(duì)接的化合物毒性預(yù)測(cè)研究等。相關(guān)研究成果已發(fā)表多篇學(xué)術(shù)論文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次數(shù)80，ESI 1%高被引論文；Ai H., et al. Toxicological Sciences, 2018, 165: 100-107；Yin Z., et al. Journal of Applied Toxicology. 2019, 39(10): 1366-1377；Ai H., et al. Ecotoxicology and Environmental Safety. 2019, 179: 71-78；Liu M., et al. Toxicology Letters. 2020, 332: 88-96；Feng H., et al. Toxicology Letters. 2021, 340: 4-14；Li S. et al. Interdisciplinary Sciences: Computational Life Sciences. 2021, 13: 25-33.） 致癌性預(yù)測(cè)服務(wù)器首頁(yè) 致癌性預(yù)測(cè)結(jié)果頁(yè) 相關(guān)綜述對(duì)本服務(wù)器的介紹 RF-hERG-Score預(yù)測(cè)藥物引起的hERG相關(guān)心臟毒性 2.藥物設(shè)計(jì)方法：在計(jì)算機(jī)上對(duì)藥物靶點(diǎn)和藥物分子的結(jié)構(gòu)和活性建模，計(jì)算藥物與靶點(diǎn)之間的相互作用關(guān)系，從而設(shè)計(jì)出具有治療作用的藥物。計(jì)算機(jī)輔助藥物設(shè)計(jì)可以為藥物設(shè)計(jì)各階段的實(shí)驗(yàn)方案提供有意義的指導(dǎo)，減少需要通過(guò)實(shí)驗(yàn)評(píng)估的候選藥物的數(shù)量，從而加快新藥研發(fā)速度。我們應(yīng)用分子對(duì)接、分子動(dòng)力學(xué)模擬、自由能計(jì)算、機(jī)器學(xué)習(xí)等方法研究流感病毒等重要疾病的計(jì)算機(jī)輔助藥物設(shè)計(jì)、并開(kāi)發(fā)更有效的計(jì)算機(jī)輔助藥物設(shè)計(jì)方法。在計(jì)算機(jī)輔助藥物設(shè)計(jì)研究我們主要完成了流感病毒M2質(zhì)子通道蛋白抑制劑虛擬篩選方法研究，正在進(jìn)行先導(dǎo)化合物生成模型研究、基于機(jī)器學(xué)習(xí)的虛擬篩選打分函數(shù)算法開(kāi)發(fā)、SARS-CoV-2病毒S蛋白與受體相互作用及藥物設(shè)計(jì)研究。 特異性重打分函數(shù)顯著虛擬篩選性能顯著較高 篩選出兩個(gè)候選抑制劑 3.藥物靶點(diǎn)識(shí)別方法：長(zhǎng)非編碼RNA（lncRNA）是一種長(zhǎng)度在200nt至100,000nt之間的非編碼RNA，是轉(zhuǎn)錄物的主要成分。研究表明lncRNA在許多生物學(xué)和病理學(xué)過(guò)程中起著重要作用。lncRNA起作用的重要途徑是與其靶蛋白結(jié)合。lncRNA-蛋白質(zhì)相互作用的實(shí)驗(yàn)研究需要大量資源。累積的實(shí)驗(yàn)數(shù)據(jù)使得通過(guò)計(jì)算方法預(yù)測(cè)lncRNA-蛋白質(zhì)相互作用成為可能。我們使用各種數(shù)學(xué)建模和機(jī)器學(xué)習(xí)方法開(kāi)發(fā)了幾種用于預(yù)測(cè)lncRNA-蛋白質(zhì)相互作用的新模型。這些模型命名為：RWLPAP（隨機(jī)游走），LPI-NRLMF（鄰域正則化邏輯矩陣分解），IRWNRLPI（集成隨機(jī)游走和鄰域規(guī)則化Logistic矩陣分解），LPI-BNPRA（雙向網(wǎng)絡(luò)投影推薦算法），LPI-ETSLP（基于特征值變換的半監(jiān)督鏈路預(yù)測(cè)），HLPI-Ensemble（集成學(xué)習(xí)）。在交叉驗(yàn)證中，我們的模型獲得了較好的預(yù)測(cè)性能。 lncRNA-蛋白質(zhì)相互作用預(yù)測(cè)模型的性能比較 lncRNA-蛋白質(zhì)相互作用預(yù)測(cè)服務(wù)器相關(guān)軟件著作權(quán)：

在清華大學(xué)基礎(chǔ)研究基金，教育部科技重點(diǎn)項(xiàng)目，教育部清華大學(xué)自主研究項(xiàng)目等項(xiàng)目的資助下，掌握了多種傳感器的制備工藝，創(chuàng)新性開(kāi)發(fā)出石墨烯人工智能喉，利用多孔石墨烯的優(yōu)勢(shì)，制造出一種收發(fā)同體，適合穿戴的集成聲學(xué)器件，有望在未來(lái)解決聾啞人的說(shuō)話難題。 這種集成聲學(xué)器件，利用石墨烯的熱聲效應(yīng)來(lái)發(fā)射聲音，利用石墨烯的壓阻效應(yīng)來(lái)接收聲音，實(shí)現(xiàn)了單器件的聲音收發(fā)同體。器件使用的多孔石墨烯材料具有高熱導(dǎo)率和低熱容率的特點(diǎn)，能夠通過(guò)熱聲效應(yīng)發(fā)出 100 Hz-40 kHz 的寬頻譜聲音。其多孔結(jié)構(gòu)對(duì)壓力也極為敏感，能夠感知發(fā)聲時(shí)喉嚨處的微弱振動(dòng)，可以通過(guò)壓阻效應(yīng)接收聲音信號(hào)。因此，這種器件能夠準(zhǔn)確感知聾啞人低吟、尖叫等特殊聲音，并將這種“無(wú)含義聲音”轉(zhuǎn)換為頻率、強(qiáng)度可控的聲音，有望在將來(lái)轉(zhuǎn)換為預(yù)先錄制的語(yǔ)言。

人工智能技術(shù)飛速發(fā)展,我國(guó)大體上能夠與世界先進(jìn)國(guó)家發(fā)展同步。我國(guó)擁有自主知識(shí)產(chǎn)權(quán)的文字識(shí)別、語(yǔ)音識(shí)別、中文信息處理、智能監(jiān)控、生物特征識(shí)別、工業(yè)機(jī)器人、服務(wù)機(jī)器人、無(wú)人駕駛汽車等很多智能科技成果已進(jìn)入市場(chǎng),但是9%以上是軟件、算法產(chǎn)品，在人工智能神經(jīng)網(wǎng)絡(luò)芯片研發(fā)方向上,我國(guó)又是落后于美國(guó)5-10年左右，可以預(yù)見(jiàn)的是,將來(lái)我國(guó)的人工智能神經(jīng)網(wǎng)絡(luò)硬件又將進(jìn)口大量的IBM、Google、NVIDA、Braodcom等公司的產(chǎn)品,遵循的標(biāo)準(zhǔn)又將按美國(guó)的標(biāo)準(zhǔn),在市場(chǎng)上處于弱勢(shì)地位。

神獸們一批批“歸籠”，對(duì)于家長(zhǎng)們來(lái)說(shuō)，真是大舒一口氣。不過(guò)為了孩子們的安全，各個(gè)學(xué)校可都費(fèi)盡了心思。為了迎接學(xué)生返校，溫州大學(xué)的南北校區(qū)大門(mén)口，都裝上了人工智能防疫的神器。這套由學(xué)校大數(shù)據(jù)與信息技術(shù)研究院自主研發(fā)的“人工智能防疫系統(tǒng)”，是學(xué)校教師自己的研究成果，為學(xué)校即將到來(lái)的復(fù)學(xué)工作奠定基礎(chǔ)，做好充分的安全準(zhǔn)備。“人工智能防疫系統(tǒng)”是溫州大學(xué)大數(shù)據(jù)與信息技術(shù)研究院基于數(shù)據(jù)挖掘技術(shù)自主創(chuàng)新研發(fā)的智能系統(tǒng)，在傳統(tǒng)“亮碼+人工核驗(yàn)登記”的通行方式上進(jìn)行改進(jìn)升級(jí)，與校園大數(shù)據(jù)、市民卡健康碼等數(shù)據(jù)平臺(tái)共享，通過(guò)人臉識(shí)別打造非接觸式體征識(shí)別與統(tǒng)計(jì)管理方式。除此以外，這套系統(tǒng)還結(jié)合人流高峰與日常人行、車行、訪客管理等多重場(chǎng)景模式，為師生數(shù)字化信息后端服務(wù)提供有效防疫應(yīng)用保障，可實(shí)現(xiàn)無(wú)接觸高精度體溫檢測(cè)，精準(zhǔn)掌握風(fēng)險(xiǎn)點(diǎn)，降低防控成本、減少感染風(fēng)險(xiǎn)，大大提升防疫管理水平，提前阻斷疫情蔓延渠道。此外，這套智能防疫系統(tǒng)可在學(xué)校數(shù)據(jù)庫(kù)中搜集比對(duì)師生基本屬性及假期行為數(shù)據(jù)，通過(guò)后臺(tái)分析算法挖掘和模擬用戶畫(huà)像，自動(dòng)摸排并動(dòng)態(tài)監(jiān)測(cè)師生異常，為學(xué)校相關(guān)管理部門(mén)提供管理和決策依據(jù)，提前做好疫情防護(hù)及應(yīng)急預(yù)案工作。溫州大學(xué)大數(shù)據(jù)與信息技術(shù)研究院成立于2019年10月23日，位于溫州市龍灣區(qū)浙南云谷，是依托溫州市人民政府與中國(guó)交通通信信息中心戰(zhàn)略合作協(xié)議，由交通安全應(yīng)急信息技術(shù)國(guó)家工程實(shí)驗(yàn)室、溫州高新區(qū)（浙南科技城）管委會(huì)和溫州大學(xué)共同建設(shè)、共同組織管理的研究開(kāi)發(fā)機(jī)構(gòu)。研究院科研主力多為溫州大學(xué)計(jì)算機(jī)與人工智能學(xué)院博士教師。為保障開(kāi)學(xué)，研究院向溫州大學(xué)捐贈(zèng)了兩套系統(tǒng)，學(xué)校各部門(mén)對(duì)即將到來(lái)的開(kāi)學(xué)潮充分調(diào)研，做好了充足準(zhǔn)備。

主要研究自然語(yǔ)言處理研究領(lǐng)域的算法和應(yīng)用實(shí)踐。涉及語(yǔ)義解析、意圖識(shí)別、FAQ 問(wèn)答、多輪對(duì)話、知識(shí)圖譜等關(guān)鍵技術(shù)，研究?jī)?nèi)容包括分詞、向量表示、分類等文本預(yù)處理技術(shù)，以及將自然語(yǔ)言處理核心算法應(yīng)用落實(shí)到智能客服、NLP 引擎、航天空管交互等實(shí)際場(chǎng)景中，團(tuán)隊(duì)研發(fā)的 AI 產(chǎn)品已經(jīng)跟國(guó)內(nèi)企業(yè)、研究所開(kāi)展了長(zhǎng)期合作并動(dòng)態(tài)跟蹤，獲得了廣泛的一致好評(píng)。 人工智能 NLP 引擎項(xiàng)目是基于多語(yǔ)種分詞、多語(yǔ)種情緒識(shí)別、詞句關(guān)系分析、意圖識(shí)別、文本聚類等自然語(yǔ)言處理技術(shù)實(shí)現(xiàn)對(duì)海量錄音文本的知識(shí)挖掘，識(shí)別重要信息。為錄音服務(wù)行業(yè)下游業(yè)務(wù)的分析人員提供分析思路，以便得到多維度、多形式分析結(jié)果，將發(fā)現(xiàn)轉(zhuǎn)換為可落地的業(yè)務(wù)決策，這些數(shù)據(jù)驅(qū)動(dòng)的業(yè)務(wù)決策，包括客戶體驗(yàn)、座席行為、產(chǎn)品改進(jìn)、風(fēng)險(xiǎn)監(jiān)測(cè)等多個(gè)方面，幫助企業(yè)改善用戶體驗(yàn)、降低成本、提升效率、提升業(yè)績(jī)、降低風(fēng)險(xiǎn)等。 1.多語(yǔ)種分詞。分詞指的是將一個(gè)字序列切分成一個(gè)一個(gè)單獨(dú)的詞，是將連續(xù)的字序列按照一定的規(guī)范重新組合成詞序列的過(guò)程。文本在入庫(kù)時(shí)調(diào)用接口進(jìn)行了分詞，分詞可用于模型的匹配和熱詞的統(tǒng)計(jì)。 2.詞句關(guān)系分析。根據(jù)詞句關(guān)系接口識(shí)別的中心詞，然后用中心詞進(jìn)行詞頻的統(tǒng)計(jì)，對(duì)于目標(biāo)樣本，統(tǒng)計(jì)出高頻中心詞用來(lái)概括目標(biāo)樣本中主要描述的對(duì)話內(nèi)容。 3.意圖識(shí)別。識(shí)別出客戶語(yǔ)句的意圖，以便進(jìn)行相應(yīng)的功能操作、信息推薦等。 4.多語(yǔ)種情緒識(shí)別。情緒識(shí)別是對(duì)包含主觀信息的文本進(jìn)行情感傾向性判斷，正向或者負(fù)向（如果能提供訓(xùn)練數(shù)據(jù)集，可以識(shí)別更多種類的情緒）。為客戶之聲下游任務(wù)的口碑分析、話題監(jiān)控、輿情分析等應(yīng)用提供幫助。目前支持中文、粵語(yǔ)的情緒識(shí)別。根據(jù)情緒標(biāo)識(shí)，用情緒進(jìn)行搜索和統(tǒng)計(jì)分析。 5.文本聚類。文本聚類將一大段文本中心詞和中心詞的關(guān)聯(lián)詞、近義詞生成一個(gè)圖，用于可視化文本的內(nèi)容。 6.自定義分詞、意圖。對(duì)分詞分詞、意圖種類進(jìn)行增刪、擴(kuò)展、微調(diào)等。

湍流-噪聲-振動(dòng)耦合與控制研究所作為人工智能控制湍流的先驅(qū)，結(jié)合機(jī)器學(xué)習(xí)方法，開(kāi)創(chuàng)性地提出并研發(fā)具備“思維、創(chuàng)新”能力的人工智能控制湍流平臺(tái)，并用于湍流射流控制，研究發(fā)現(xiàn)文獻(xiàn)中從未報(bào)道過(guò)的湍流結(jié)構(gòu)，其混合速率遠(yuǎn)超傳統(tǒng)方法，主要成果即將在流體力學(xué)頂級(jí)期刊Journal of fluid mechanics上發(fā)表。鑒于該項(xiàng)成果在工程應(yīng)用的重要前景，獲國(guó)家自然科學(xué)基金“湍流結(jié)構(gòu)的生成演化及作用機(jī)理”重大研究計(jì)劃重點(diǎn)支持項(xiàng)目，亦作

（一）項(xiàng)目背景 針對(duì)現(xiàn)實(shí)場(chǎng)景中，存在需要對(duì)服務(wù)行業(yè)錄音文件內(nèi)容進(jìn)行詳細(xì)分析， 但是面對(duì)海量錄音文件無(wú)法僅通過(guò)人力資源去逐一分析的弊端，本項(xiàng)目旨 在通過(guò)實(shí)際應(yīng)用場(chǎng)景結(jié)合計(jì)算機(jī)和人工智能技術(shù)開(kāi)發(fā)一個(gè)人工智能 NLP 引 擎，用以解決海量錄音文件經(jīng)過(guò) ASR 轉(zhuǎn)文本后，對(duì)錄音內(nèi)容進(jìn)一步按需分 析，最終得到較為完整的分析結(jié)果，以便于企業(yè)進(jìn)一步采取商業(yè)策略。 （二）項(xiàng)目簡(jiǎn)介 人工智能 NLP 引擎項(xiàng)目是基于多語(yǔ)種分詞、多語(yǔ)種情緒識(shí)別、詞句關(guān) 系分析、意圖識(shí)別、文本聚類等自然語(yǔ)言處理技術(shù)實(shí)現(xiàn)對(duì)海量錄音文本的 知識(shí)挖掘，識(shí)別重要信息。為錄音服務(wù)行業(yè)下游業(yè)務(wù)的分析人員提供分析 思路，以便得到多維度、多形式分析結(jié)果，將發(fā)現(xiàn)轉(zhuǎn)換為可落地的業(yè)務(wù)決策，這些數(shù)據(jù)驅(qū)動(dòng)的業(yè)務(wù)決策，包括客戶體驗(yàn)、座席行為、產(chǎn)品改進(jìn)、風(fēng) 險(xiǎn)監(jiān)測(cè)等多個(gè)方面，幫助企業(yè)改善用戶體驗(yàn)、降低成本、提升效率、提升 業(yè)績(jī)、降低風(fēng)險(xiǎn)等。 （三）關(guān)鍵技術(shù) 1.多語(yǔ)種分詞。分詞指的是將一個(gè)字序列切分成一個(gè)一個(gè)單獨(dú)的詞，是 將連續(xù)的字序列按照一定的規(guī)范重新組合成詞序列的過(guò)程。文本在入庫(kù)時(shí) 調(diào)用接口進(jìn)行了分詞，分詞可用于模型的匹配和熱詞的統(tǒng)計(jì)。 2.詞句關(guān)系分析。根據(jù)詞句關(guān)系接口識(shí)別的中心詞，然后用中心詞進(jìn)行 詞頻的統(tǒng)計(jì)，對(duì)于目標(biāo)樣本，統(tǒng)計(jì)出高頻中心詞用來(lái)概括目標(biāo)樣本中主要 描述的對(duì)話內(nèi)容。 3.意圖識(shí)別。識(shí)別出客戶語(yǔ)句的意圖，以便進(jìn)行相應(yīng)的功能操作、信息 推薦等。 4.多語(yǔ)種情緒識(shí)別。情緒識(shí)別是對(duì)包含主觀信息的文本進(jìn)行情感傾向性 判斷，正向或者負(fù)向（如果能提供訓(xùn)練數(shù)據(jù)集，可以識(shí)別更多種類的情緒）。為客戶之聲下游任務(wù)的口碑分析、話題監(jiān)控、輿情分析等應(yīng)用提供幫助。目前支持中文、粵語(yǔ)的情緒識(shí)別。根據(jù)情緒標(biāo)識(shí)，用情緒進(jìn)行搜索和統(tǒng)計(jì) 分析。 5.文本聚類。文本聚類將一大段文本中心詞和中心詞的關(guān)聯(lián)詞、近義詞 生成一個(gè)圖，用于可視化文本的內(nèi)容。 6.自定義分詞、意圖。對(duì)分詞分詞、意圖種類進(jìn)行增刪、擴(kuò)展、微調(diào)等。