与传统图片级分类标注方法相比，Visionome技术可多产生12倍标签，而这些标签训练出来的算法显示了更好的诊断性能。基于此技术，团队训练出可准确识别多种眼前段病变的裂隙灯图像智能评估系统，可应用于大规模筛查、综合分诊、专家级评估、多路径诊疗建议等多个临床场景。不仅在回顾性数据集中表现出眼科专家级别的诊断水平，在前瞻性数据集中也表现出色。使用者通过在Visionome诊断系统中上传眼前段图像，即能一次获得多个部位的全方位诊断，与传统的人工智能算法相比，Visionome系统可生成更加全面、精细、具体的报告，真正让医学人工智能应用揭开神秘的面纱，成为一个接地气的“医生”。

本软件的主要用途是针对玻璃切割的场景提出求解多约束的矩形切割问题的分层智能搜索算法，为玻璃切割方案提供全局优化，实现原料利用率的最大化，在节约资源的同时提高产量。 一、项目分类 关键核心技术突破 二、成果简介 切割问题和装填问题在学术界属于一类经典的NP 难问题，它们有着众多的变种，例如：一维的背包问题，二维的矩形切割问题，三维的装箱问题等。其中以二维的场景应用最为广泛，相关求解算法可以作为玻璃、板材、管材、服装切割套料智能制造的算法内核。 本软件的主要用途是针对玻璃切割的场景提出求解多约束的矩形切割问题的分层智能搜索算法，为玻璃切割方案提供全局优化，实现原料利用率的最大化，在节约资源的同时提高产量。 对于玻璃切割问题约束复杂的特点，本软件有针对性的提出了一种局部解的表示方法，它使算法的分布式部署成为可能，并且大大减少了程序运行时的内存开销。为了提高算法的效率，软件采用了贪心随机的基本搜索框架，并结合问题特点，将搜索过程分为多层嵌套进行，以提高搜索的灵活性和精确性。

技术成熟度：技术突破 本成套设备，以电供暖的各个电暖气为控制对象，以建筑内不同房间不同区域的取暖温度为控制参数，自下而上，组成了由单片机现场控制器（控制室单独使用PLC控制器）、PLC中间层算法控制器、工控机为上位机构成监控界面的DCS控制系统，从而实现分散控制集中管理的控制系统。此系统的目的在于替换传统水暖系统，利用合理科学的软件算法，实现节能、环保、减排的效果。设备兼具教学、实验、科研及实用的功能。 成果技术特点：本套装置由四个单片机组成现场控制器，一个PLC组成的控制室控制器，与中间层面的S7-300PLC控制系统，以及顶层监控层的工控机装置，统一安装到了一个整体的平台上。此平台便于实地集中实验、研究，也有利于集中编程与项目演示。 图1 设备实物图 图2 为智能控制系统电脑操作界面

第四范式成立于2014年底，是国际领先的人工智能平台与技术服务提供商，公司以“Empower AI Transformation and Advance AI For Everyone”为企业愿景，旨在让AI成为驱动社会进步、企业增长的引擎。依托于领先的机器学习技术与丰富的行业实践经验，第四范式打造了企业智能化转型战略产品“天枢”，通过构建以消费者为中心的全链路客户流量运营，帮助企业实现以创造业务价值为目标的智能化转型。此外，第四范式为企业树立了正确的转型目标和方法，通过自动化AI应用构建平台第四范式HyperCycle ML，提升AI建模效率，降低AI应用门槛，将AI技术快速、规模化落地到企业众多业务场景中，提升业务场景价值。同时，第四范式采用软件定义算力的先进理念为企业提供软硬一体AI集成系统SageOne，降低企业AI部署总体拥有成本，推动企业全面智能化转型进程。目前，第四范式已为金融、零售、能源、医疗、制造、互联网、媒体等行业成功落地上万个AI应用，助力各行业企业的AI创新变革。点击上方按钮联系科转云平台进行沟通对接！

切割问题和装填问题在学术界属于一类经典的NP 难问题，它们有着众多的变种，例如：一维的背包问题，二维的矩形切割问题，三维的装箱问题等。其中以二维的场景应用最为广泛，相关求解算法可以作为玻璃、板材、管材、服装切割套料智能制造的算法内核。 本软件的主要用途是针对玻璃切割的场景提出求解多约束的矩形切割问题的分层智能搜索算法，为玻璃切割方案提供全局优化，实现原料利用率的最大化，在节约资源的同时提高产量。

我校理学院大数据研究团队在人工智能与大数据处理技术研究方面取得系列进展，研究成果分别发表在IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Cybernetics和Information Sciences三大人工智能顶级期刊。神经网络是人工智能领域中目前最为火热的研究方向——深度学习的架构基础。虽然深度学习在近几年发展迅速，但是关于如何设计最优神经网络架构的问题仍处于探索阶段。该团队分别针对人工智能中神经网络结构复杂、高维大规模数据存在无效和冗余特征、难以获取长时序信息等问题与缺陷，设计出了一系列网络结构优化、大数据特征选择和时序循环神经网络模型，有效改善了上述不足，提高了人工智能模型的学习性能。 题目为《带Group Lasso惩罚与控制冗余的神经网络特征选择》（Feature Selection using a Neural Network With Group Lasso Regularization and Controlled Redundancy）的研究论文发表在人工智能领域权威国际期刊IEEE Transactions on Neural Networks and Learning Systems。王健副教授和博士生张华清为该论文共同第一作者， 我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项工作得到国家自然科学基金、国家科技重大专项、山东自然科学基金、中央高校基本科研业务费、中国石油天然气集团公司重大科技项目以及山东省高校青年创新科技支撑计划的资助。 特征选择技术也称属性选择，是指从原始特征或属性中选择出最有效的特征或属性以降低数据维度的过程，它是人工智能数据预处理环节的重要步骤，也是大数据处理技术的重要环节。该项工作在神经网络中嵌入Group Lasso惩罚项并实现特征冗余控制，在选出对解决问题最有帮助、蕴含信息量最大的特征或属性的同时，控制所选特征子集的冗余程度，以达到降维的最优效果，从而使模型的泛化能力更强，降低神经网络模型产生过拟合的风险。 题目为《基于L1正则化的神经网络结构优化模型设计与分析》（Learning Optimized Structure of Neural Networks by Hidden Node Pruning With L1Regularization）的研究论文发表在国际人工智能领域权威期刊IEEE Transactions on Cybernetics。硕士生谢雪涛和博士生张华清为论文共同第一作者，王健副教授为通讯作者，我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项研究成果得到了国家自然科学基金、山东省自然科学基金和中央高校基本科研业务费的资助。 该项工作借助L1正则子具有的稀疏表达能力，提出两种神经网络结构优化学习模型；本项工作另外一个突出贡献就是提出了一种简单且具有通用性的收敛性证明方法，同时保证了模型设计的合理性。实验结果表明所提出模型具有强大的鲁棒性、广泛的适用性、理想的剪枝能力和良好的泛化能力，适用处理高维大数据。该研究成果在人工智能与深度学习构造最简网络结构方面具有很强的指导作用和应用推广价值。