本技术涉及人工智能技术领域，提供了一种基于模型的人工智能实时新闻推荐系统，包括数据采集、预处理、模型训练和推荐模块。系统从多源采集新闻数据，进行清洗、转换，采用协同过滤算法构建推荐模型，并生成个性化推荐列表推送给用户。本发明可以提高新闻阅读的相关性和用户满意度。

 本文涉及风电技术领域，具体提供一种风电场拓扑结构设计方法、系统、控制装置及存储介质，旨在解决风电场设计不合理的技术问题。为此目的，本申请的风电场拓扑结构设计方法包括:获取风电机组的第一位置、预设电网的第二位置、第一电缆的第一价格以及第二电缆的第二价格；基于第一位置和第二位置，利用预设第一模型，得到电力装置的预测拓扑结构；基于第一价格和第二价格，利用预设第二模型，在所有预测拓扑结构中确定目标拓扑结构。本申请额外考虑到了预设电网的位置以及升压站与该预设电网之间的电缆的价格。通过本申请，能够更合理地设计风电场内电力装置的布局以及电缆路径的路由，降低了建设成本。

 本技术提供了一种面向生成式人工智能服务的边缘协同推理优化方法，涉及分布式计算技术领域，包括:客户端向边缘服务器发送模型请求以及文本描述；边缘服务器根据文本描述以及生成式人工智能模型生成初始噪声图像，并将生成式人工智能模型与初始噪声图像发送至客户端；客户端根据生成式人工智能模型以及初始噪声图像执行多轮推理过程，生成客户端噪声图像；边缘服务器基于客户端噪声图像继续执行剩余的推理过程，生成完成推理的噪声图片，通过变分自编码器对完成推理的噪声图片进行转换，得到生成图片。本发明有助于在有限的计算资源和网络带宽条件下保持服务的高质量表现，并显著提升了用户体验的稳定性与安全性。

 本技术公开了一种应用于企业精益管理系统的大数据分析方法，所述分析方法如下:步骤一：构建大数据分析模型；并提取企业精益管理系统数据；步骤二：对提取的企业精益管理系统数据进行解析；步骤三：解析后的数据，进行预处理；步骤四：预处理后的数据导入到大数据分析模型中进行分析；本发明的有益效果是：数据清洗、特征选择、特征缩放、数据变换、数据集拆分后的数据导入到大数据分析模型中进行分析，减少干扰，提高数据分析的精准；分析后的数据存储在存储库中，并可根据输入的关键字查找对应数据，还可将查找的对应数据导出，进一步增加使用的便利，提高使用时的体验感。

 本披露公开了一种用于自动求解数学题目的相关方法和装置。本披露的一些实施例通过将数学题目的自然语言分为两部分以先后用不同方式将其转换为形式化语言，可更简单且精确地为数学题目构建易于机器理解的表示。所述转换的形式化语言进而由本披露的一些实施例通过使用通用人工智能大模型来分析，可更轻松准确地理解题意，从而促进所述大模型对题目的自动求解。

 本技术提供一种面向连续干扰的体系韧性评估方法及装置，方法包括:获取当前使命任务数量和作战体系组成，构建基于作战环的作战体系作战网络模型，其中作战体系组成包括实体种类、数量、性能和作战实体间关联关系；求解作战体系作战网络性能，其中主要包括计算作战环性能、计算作战体系作战网络性能；作战体系韧性评估，其中主要包括构建作战体系韧性评估模型，计算作战体系韧性。该方法实现了作战体系在受到连续干扰后性能即时损失和恢复过程中性能的量化分析，对于优化作战体系作战网络结构、提高作战体系性能具有非常重要的意义，进而有效维护国防安全和国家利益。

 本技术公开了一种大型风电机组气动性能现场历史演化行为分析方法，将功率系数作为气动性能现场分析的基本指标，采用数据补偿和数据滤波克服SCADA风速数据“偏差性”和“随机性”两个不利因素的影响。将风速和风轮转速之间的关系视为惯性系统，并提出数据驱动时间常数确定法。设计了符合实际的计算工况区域划分算法，采用数据分箱方法和“保守”数据对比法分别解决了工况划分时需要解决的散点数据“单值化”和区间临界值确定的问题。然后，分别计算了基于瞬时功率和累积功率的功率系数。以四个指标多角度观测算法的有效性，分别给出了两台机组5年劣化度，描述了机组现场气动性能的历史演化，结果表明所提方法有效可行。

 本技术公开一种热管式复合抛物槽式集热系统跟踪策略计算方法，包括:步骤(1)、确定热管式复合抛物槽式集热系统的结构和光学参数；步骤(2)、定义初始光线的入射角和光线位置；步骤(3)、判断光线是否进入聚光器开口平面，以及是否落在接收器上；步骤(4)、根据步骤(3)的判断结果计算光线与接收器的交点，并统计已吸收光线在接收器上的落点分布；步骤(5)、计算并比较不同跟踪方式下接收器能流密度分布和集热器光学效率，确定热管式复合抛物槽式集热系统跟踪策略。本发明可以解决现有的集热系统跟踪策略的计算方法不适用于倾斜放置热管式复合抛物槽式集热系统的技术问题。

 本技术提供了一种基于仿生算法的基学习器动态组合方法、装置和介质，属于分类预测技术领域。通过以下技术方案实现:划分数据集，并确定待选学习器集合，使用数据集训练学习器；初始化种群，所述种群中个体为训练完成的待选学习器组成的列表；计算当前种群中的每个个体的适应度值；通过进化操作产生新的个体，并将新的个体与种群合并，得到新的种群；迭代上述步骤直至满足终止条件停止迭代，根据最终的适应度值，选出最优的个体作为最终的待选学习器组合。本发明通过仿生算法自动搜索潜在的基学习器组合，提高了搜索的效率，减轻了人工选择的负担。

 本技术属于电池极片设备检测技术领域，具体的说是一种电池极片双辊压设备状态预测系统及实现方法；其方法包括以下步骤:S1：获取双辊压设备的振动数据并进行特征提取；S2：将振动数据分为训练集振动数据和测试集振动数据，且所述训练集振动数据和测试集振动数据均为二维时空序列数据；S3：选择CNN‑BiGRU网络，并将S2中的训练集振动数据应用到CNN‑BiGRU网络中，得到训练后的CNN‑BiGRU模型；S4：利用S3中训练后的CNN‑BiGRU模型并通过S2中的测试集振动数据进行双辊压设备的状态预测；本发明通过将CNN模块与BiGRU模块进行融合，有效的结合CNN的局部特征提取能力和BiGRU在处理时间序列数据上的优势，从而大大提高双辊压设备状态预测的准确性以及效率。