关键词： 大语言模型   财务会计   数据处理   报表分析  

摘要： 随着大语言模型技术的快速发展，其在企业财务会计领域展现出广阔的应用前景，本文通过对大语言模型在财务会计各个环节的深入研究，分析了财务数据处理、报表分析、成本核算、纳税申报等方面的内容。并针对现有财务会计工作存在的效率低、准确率不高等问题，提出基于大语言模型的智能化解决方案。研究表明大语言模型能够有效提升财务数据处理效率，实现报表自动生成与分析，优化成本核算流程，提高纳税申报准确性，同时在票据识别、凭证处理、预算管理等方面也取得显著成效。

关键词： 智能感知   特征识别   电力工程   数据处理技术  

摘要： 本研究专注于利用智能感知和特征识别技术进行电力工程数据的高效处理，以提升电力系统的运行效率和可靠性。我们通过深入研究传感器、数据传输协议和技术，以及特征提取与选择方法，结合机器学习和深度学习技术，构建了一套全面而高效的数据处理框架。此框架能够实时监测电力系统的关键参数，从而为电力系统的稳定运行提供有力保障。这一研究成果不仅有助于优化电力系统的运行管理，也为相关领域的研究提供了新的思路和方法。

关键词： 大数据   公立医院   财务数据   处理与分析  

摘要： 大数据时代，公立医院如何对海量的财务数据予以处理和分析，对于实现资源优化配置、提升医院财务管理水平以及医疗服务质量具有重要意义。从大数据时代公立医院财务数据处理与分析面临的挑战出发，分析大数据时代公立医院财务数据处理与分析存在的问题，探讨大数据时代公立医院加强财务数据处理与分析的重要意义，提出大数据时代公立医院财务数据处理与分析的优化路径，包括打造智慧化信息数据平台交互系统，“业财融合”助力数据分析、运用具体的数据处理和分析方法等。

关键词： 铣削加工   小波降噪   特征分析   多传感器融合   表面粗糙度预测  

摘要： 智能制造是当前制造业发展的主要趋势,被加工零件的表面粗糙度预测是实现智能制造的核心内容之一。传统方法中多以切削力信号或切削振动信号这类单一信号结合切削三要素进行表面粗糙度预测,而这会带来表面粗糙度预测精度不准确的问题。 为了进一步提高表面粗糙度预测精度,本文提出采用多传感器信号融合技术,采集了铣削TC4钛合金过程中的切削力、切削振动信号,在选择了小波阈值降噪方法的基础上,融合了切削力、切削振动信号的时域、频域以及时频域特征,并作为构建的BP神经网络表面粗糙度预测模型的输入项,结果表明本文多传感器信号融合的方法提高了表面粗糙度的预测精度,对机械加工智能化发展奠定了基础。主要研究内容如下: (1)铣削实验与信号采集。通过分析铣削加工过程的特点,搭建了TC4钛合金铣削实验平台,确定了铣削稳定域以及完成工艺参数方案的设计,采集了切削力、切削振动和相应的表面粗糙度值,为多传感器信号的处理提供了数据基础。 (2)铣削信号降噪处理。基于TC4钛合金铣削实验采集的切削力和切削振动信号,对比分析了不同阈值、小波基函数和分解层数的降噪处理结果,提出了采用小波软硬阈值改良折中法,确定了切削力信号采用db5小波,切削振动信号采用coif5小波,在分解层数为1时可实现有效降噪,为后续的多传感器信号特征提取工作提供了良好的数据样本。 (3)多传感器信号特征提取及融合。通过时域、频域以及小波包分析相结合的方法对降噪后的切削力和切削振动信号进行特征提取,从而提取与加工状态紧密相关的特征参数。通过计算提取的特征量与表面粗糙度之间的相关系数值,分析两者之间的相关性,将相关性高的时域、频域以及时频域特征进行融合,进而构建融合特征向量。最终选取每组实验共18个信号能量组成融合特征量,为表面粗糙度预测提供了输入项。 (4)表面粗糙度预测。基于BP神经网络,建立了TC4钛合金铣削表面粗糙度的预测模型,通过将上述多传感器融合特征作为模型输入获得的预测结果与将铣削实验原始振动信号作为模型输入获得的预测结果作对比,表明多传感器信号通过降噪和特征提取及融合后能够获得更高的预测精度。

关键词： 物理化学   Python   燃烧热   实验数据处理  

摘要： 通过仪器测定所得大量实验数据来揭示客观规律是物理化学实验的特色，而对数据进行处理分析是这门课的难点。鉴于此，以燃烧热测定为例，讨论了如何运用Python处理物理化学实验数据。将Python程序直接用于实验数据处理，能够快速、准确、高效地得到雷诺曲线、蔗糖燃烧热及相对误差等，并通过对关键代码的修改，能将程序扩展到其他实验应用中，进一步通过第三方库将其转化成脱离语言环境、且能够在操作系统使用的软件。Python程序应用于物理化学数据处理中能为实验的高效进行提供切实的保障，具有较好的普适性和应用性，同时能够激发学生的创新能力和培养学生理论与实践相结合的应用能力。

关键词： 云计算   图像数据处理   弹性伸缩   负载动态调整  

摘要： 图像数据处理系统资源构建在专有云上，针对系统任务负载非周期变化、任务计划强关联等特点，利用图像数据处理计划可预测业务负载的优点，设计了基于计划的任务量预测自定义指标，提出了基于计划驱动的弹性伸缩策略和系统设计。通过实验环境测试，实现了计算资源根据业务负载动态调整，进一步提高了资源利用率。同时增加了基于CPU负载的伸缩保底策略，提高了系统可靠性。

关键词： 食品安全   智慧监管   数据收集   数据处理  

摘要： 在食品安全智慧监管优化路径方式方面,智能化和信息化技术的高速发展提供了相应契机,借助智能化和信息化技术,提高食品安全相关数据收集处理能力以及及时监管能力,并利用智能化技术对大量有关食品安全信息进行分析,及时寻找到食品安全隐患。在此背景下,食品安全监管作业中智慧监督作业模式被提出并加以运用,为食品安全监管优化提供契机。但是现阶段我国食品安全智慧监管中智能技术应用存在相应不足,无法充分发挥智慧监管带来的积极作用。郫都区食品违法行为呈现出动态化、多变化、隐蔽化的趋势,例如学校周边小吃脏乱差现象、郫都区查获越南走私冻品事件等。郫都区食品安全监管工作要破解当下监管困局,需要实现食品生产、流通过程的全链条溯源智慧监管。 本文首先梳理了食品安全、食品安全智慧监管和智慧治理的相关概念及新公共服务、数字治理、协同监管的理论基础;然后分析了成都市郫都区食品安全智慧监管现状,并利用模糊层次分析法对成都市郫都区食品安全智慧监管效果进行了评价;进而发现了成都市郫都区食品安全智慧监管目前存在数据感知较为困难、数据处理不够全面、数据传输时效较低、数据应用效果不足等问题,而问题产生原因为系统整合不足导致数据感知困难、技术支撑较弱导致数据处理不全、职责约束不清导致数据传输较慢、主体协同较差导致数据应用不足等;最后提出了完善系统整合提高数据感知、增强技术支撑优化数据处理、明确部门职责加快数据传输、提高主体协同深化数据应用等基于智慧治理视角成都市郫都区食品安全监管的完善对策。希望能够促进郫都区食品安全智慧监管不断优化,并为食品安全智慧监管整体建设和后续完善提供经验借鉴。

关键词： 微震监测   到时拾取   初至走时计算   微震定位   震源搜索  

摘要： 随着煤矿开采向深部进发,煤矿安全面临着巨大威胁,冲击地压、岩爆、矿震等灾害日益严重。微震监测技术能够实时监测震源位置、震级和震源机制等,已广泛应用于煤矿的安全监测。微震数据处理与微震震源定位是微震监测的关键技术,本文结合深度学习、智能优化算法和时频分析等技术,开展了煤矿微震数据智能化处理和微震定位技术研究,主要围绕微震信号识别与到时拾取、初至走时计算、微震精确定位方法以及微震震源快速搜索方法四个方面展开研究。本文的研究内容如下: 1.将微震信号识别与到时拾取任务转化为深度学习语义分割任务,构建基于Conv-LSTM-Unet的微震信号识别与到时拾取模型。以Unet网络为基础,将卷积操作与长短期记忆(Long Short-Term Memory,LSTM)网络结合;通过卷积与LSTM操作,端到端的获取微震信号的时空特征,以Unet模型为基础,构建语义分割模型。设计了适用于到时拾取的评价指标—长度交并比(IOU),并采用多个数据集进行训练和验证,探究了不同输入数据形式、不同模型以及不同拾取任务下的性能。实验结果表明,三分量时序信号包含的微震信息更加丰富,ConvLSTM-Unet模型拥有最佳的拾取性能,且发现对P波和S波进行单独拾取的效果要优于同时拾取。 2.构建了基于物理信息神经网络的初至走时求解模型。本文将Eikonal方程的物理信息带入到神经网络的学习当中,提出了自适应Fourier-Res PINN模型。该模型基于物理信息神经网络(PINN)模型,使用自适应权重技术改进PINN的损失函数,并使用残差网络替换PINN的基础网络,改善网络退化问题;将傅里叶映射做特征映射,减少频谱偏差问题。数值实验结果显示,自适应FourierRes PINN模型与PINN、FSM和FMM相比,更加准确快速。 3.优化了基于波形的微震定位方法,提出了基于改进特征函数的多主事件波形叠加微地震精确定位方法。基于波形叠加定位方法,将双对双差法拓展到波形叠加方法当中,结合数值与合成数据实验,论证了双对双差法可以通过在近源区与近台站区的相似路径减少速度误差的影响。同时,提出了基于时频和梯度的特征函数,以减少低信噪比环境的影响。最后,提出使用多个主事件来改善相对定位中主事件选择不当造成的定位偏差。数值、合成数据以及现场实验验证了本文方法的定位效果最优。 4.提出了自适应反向学习策略的开普勒算法(称之为IKOA),用于微震定位中的快速震源搜索。本文将智能优化算法用于微震定位中的震源搜索问题,通过引入混沌初始化与自适应反向学习策略改进开普勒优化算法,并在23个基准函数上验证了IKOA的优势,其收敛速度快、搜索能力强且不易陷入局部最优。最后,通过微震定位实验论证了:在基于走时定位方法和基于波形定位方法中,综合定位精度与定位速度来看,IKOA算法优于网格搜索算法与传统的智能优化算法。 5.在现场工程应用验证了本文提出算法在实际煤矿微震数据处理和定位中的可行性。在山东某煤矿分别开展了微震到时拾取、走时计算、精确定位和快速定位实验。应用结果显示:实际矿震数据下的平均拾取误差为4ms,而实际微震数据下的拾取误差为6ms;Fourier-Res PINN的平均走时误差为2.87ms,优于FSM的平均走时误差5.7ms;实际矿震数据下多主事件的定位误差可以达到20m左右的误差,总体误差在30m以下;从定位速度来看,IKOA在定位速度上远优于网格搜索算法,单个事件的定位速度是网格搜索算法的22.46倍,当微震事件数量增加为100个,IKOA算法的定位速度是网格搜索算法的26.09倍。 图[116]表[25]参[188]