全球工业4.0革命不断深化推动了智慧钢铁等计算密集型工业应用场景的发展。钢铁生产具备工艺繁多、工序复杂、高温高压设备集中等特征，这需要对生产状态进行实时监测与分析以优化生产流程。由于各工序均为“黑箱”,导致实时状态难以精准获取等难题。数字孪生(digital twin, DT)技术通过创建物理世界的虚拟映射，已广泛应用于辅助钢铁生产过程实现实时模拟、分析和透明化，进而促进生产效率和质量的提升。首先提出了基于DT的云边端工业网络的多层协作调度框架，为实现资源的高效管理和网络安全，从网络层深入分析DT赋能下的工业互联网(industrial Internet of things, IIoT)新型资源调度与网络安全关键技术难点并探讨现有技术方案；然后聚焦物理层与数据链路层讨论孪生数据使能的跨层资源调度策略研究现状。最后指出现有工作不足并展望DT赋能的智慧钢铁的资源管理发展趋势，为钢铁行业的数字化转型提供参考。
人工智能技术的快速发展对机器学习人才的需求不断扩大,机器学习课程也成为高校人工智能类专业的核心课程且具有高度实践性,因此将实际项目与理论教学融为一体,才能更好的使学生得到实践锻炼。本文设计了一个基于迁移学习算法的供应商违约预测的实践案例,通过改进基于间隔核密度估算的虚拟样本生成技术,本研究将其他相似供应商预测模型转换成辅助数据的形式。通过基于权重的迁移学习算法(Tr Ada Boost),将生成的辅助数据中的知识迁移至源数据中来。最后通过对比没有使用迁移学习的模型,使用本研究技术架构训练得到的违约预测模型准确率更高、泛化能力更强。学生可通过该案例实践使用机器学习方法解决实际问题的完整过程。
暂无评论