本发明涉及一种虚拟对象的展示方法、装置、电子设备及计算机存储介质，该方法包括:获取目标终端和目标终端的终端参数；根据目标终端的终端参数，确定目标终端对应的目标应用程序；获取与终端参数对应的待展示对象的配置资源，配置资源中包括待展示对象对应的数字化信息资源和展示参数资源；将配置资源和目标应用程序发送至目标终端，以使目标终端通过目标应用程序，根据配置资源，展示待展示对象。通过本发明的方法，将待展陈对象的配置资源与目标应用程序一同传递给目标终端，使得展示的灵活性强，部署更简单，展陈形式更多样。

本发明公开了一种基于人工智能平台的煤矿开采智能调度方法，包括如下步骤:S1、构建数据集；S2、对数据集进行预处理；S3、对预处理后的数据集进行分析，生成分析结果；S4、基于分析结果，采用变分自编码器和图神经网络，构建并训练预测模型；S5、采用多智能体深度强化学习，结合混合专家模型和分布式深度确定性策略梯度，构建并训练优化模型；S6、利用预测模型对设备的故障进行预测，生成预测结果，提前预警并采取措施；S7、利用优化模型，根据预测结果和实时数据，动态调整生产计划，进行资源调度，优化资源分配；S8、建立反馈机制，采集反馈信息，优化改进资源调度策略。本发明利用大数据分析、深度学习和多智能体系统，实现了高效智能调度。

 本发明属于通用软件模糊测试领域，公开了一种基于高效字节探索的动态聚类模糊测试方法和系统。该方法通过使用基于密度的空间聚类算法对模糊测试种子字节进行聚类分析，识别关键字节位置并记录其有效变异次数。接着，依据聚类结果及其有效变异次数对字节分配相应的权重，并结合路径覆盖率和路径新颖性信息动态调整能量分配策略，提升对新路径的探索效率。对变异高权重字节以生成新路径的有效种子，锁定其关键字节位置，并对其他位置进行归一化处理，继续进行变异操作。上述步骤的重复执行不断优化测试策略，有效提高了模糊测试的效率和漏洞发现能力。

 本发明公开了一种针对新能源发电出力预测的深度学习模型解析方法及系统。所述方法包括:构建基于深度学习的新能源发电出力预测模型，并训练预测模型；对训练后的预测模型进行输入特征精简，提取出关键影响因子；对关键影响因子进行贡献度计算，解析出关键影响因子对预测结果的影响程度；基于晴空指数指标对出力数据样本进行气象类型划分；将预测模型的回归层改造为逻辑推理层；基于气象类型划分的出力数据样本对预测模型的逻辑推理层进行参数微调，解析出预测模型的输出逻辑。本发明方法能够改善新能源发电出力预测深度学习模型的可信度水平，辅助电力运营人员理解深度学习模型的预测推理逻辑，提升电力系统消纳新能源发电的安全稳定性。

 本发明公开了一种流场预测方法，具体是涉及到一种基于卷积神经网络的井下流场预测方法、装置及电子设备。该方法包括:待预测流场的巷道进行网格划分，基于网格划分结果得到初始矩阵，初始矩阵每一个元素对应一个网格；基于初始矩阵构建流场初始边界条件矩阵，以及基于初始矩阵构建几何边界矩阵；将流场初始边界条件矩阵和几何边界矩阵输入流场预测模型进行流场预测，得到预测结果；其中，流场预测模型包括卷积模块和反卷积模块，卷积模块用于对流场初始边界条件矩阵和几何边界矩阵进行特征提取，得到提取结果，反卷积模块用于对提取结果进行数据处理，得到预测结果。本方法提高了井下流场预测的效率，具有较强的泛化能力。

 本发明涉及一种交流充电桩碳足迹核算方法和系统，方法包括:步骤S1，根据评价目标确定评价单元，划分产品的生命周期阶段，确定交流充电桩的系统边界；步骤S2，获取交流充电桩产品各个生命周期阶段的原始数据以及温室气体排放因子；步骤S3，计算交流充电桩产品的生命周期碳排放量；步骤S4，当确定系统边界或收集数据时，若至少有一个过程的输入或输出包含多个产品，则在交流充电桩产品的生命周期内，对碳排放量进行分配；步骤S5，基于所述评价单元、系统边界和碳排放总量，生成碳足迹报告。本发明建立了明确、科学的交流充电桩碳足迹核算方法，以获得准确的交流充电桩生命周期碳足迹数据，可以客观评估各交流充电桩产品对环境的影响。

 本发明属于计算机应用领域，公开了一种有向路网上误差受限的希尔伯特树学习索引构建方法，该方法将时空样本投影到位置‑时间网格中，基于希尔伯特曲线对网格的单元格进行排序，然后将排序后的样本划分为逻辑块存储到磁盘中，同时建立一个根据希尔伯特曲线序号划分节点的二叉树，表征希尔伯特序号与逻辑块的映射关系，保证叶子节点的映射误差小于规定误差。本发明根据希尔伯特曲线划分二维空间，保证了位置‑时间网格内的轨迹数据分布均匀，通过误差有界保证查询数据的全召回，从而提升倾斜数据上的查询性能。

 本发明公开了一种大语言模型增强的复杂网络社团可视发现方法，通过节点划分和链接划分的结合，运用大语言模型对复杂网络中的节点和链接数据进行语义信息的深度解析，实现对复杂网络中潜在关联的精准捕捉，并通过将大语言模型与可视化技术相结合，精准解析社团间关系及整体网络的拓扑结构，实现创新性的可视化方法展现社团发现结果。本发明通过大语言模型进行交互分析并对操作步骤进行引导，增强了复杂网络社团的识别与分析能力，进一步提升了对社团发现结果的可解释性。其应用场景涵盖海运网络、交通态势、复杂集群等领域，能够在复杂网络环境中提供深入的可视化分析服务，助力智能化决策。

 本发明公开了一种基于声学分析和机器学习模型的药瓶内药片无损计数方法和装置。装置包含一个声音采集模块，一个信号分析模块和一个结果回放模块。该方法包括:1：收集几种常见类型的药物，并记录他们在药盒中摇晃时发出的声音；2：将声音数据进行处理；3：将处理过的数据训练机器学习模型；4：调整初始参数并重复上述步骤：当盲人需要使用时，使用无损计数装置摇晃并收集声音信号；6：计算每个大类、数量下的标准差；7：寻找标准差最小的一组，该种类药物下的该数量即为所求；8：利用发声装置告诉盲人盒中药的剩余数量。本发明能利用机器学习方法和事先准备好的模型库有效的判断药瓶中当剩余药物不多时的数量。

 本发明公开了一种基于多模态融合和动态加权损失的短临降水预测方法。包括以下步骤:首先输入历史雷达和地面站点数据，进行归一化和降采样处理；接着将雷达和地面站点气象要素数据分别输入三层包含上采样和RNN的网络中进行特征编码；然后输入三层包含融合、上采样和RNN的网络进行特征融合与解码。最后在动态加权损失的约束下输出准确的降水预测。该方法实现了对雷达和地面站点气象要素数据的编码、融合和解码。在基于注意力机制的融合网络和动态加权损失的加持下，提高了短临降水预测的准确率，在强降水预测的性能提升更加显著。