本文涉及非结构化数据分析处理的可视化领域，特别涉及一种向量相似度搜索的可视化方法、电子设备及介质。在本申请的向量相似度搜索的可视化方法中，通过为向量空间的索引算法的各个阶段都提供一种新颖的呈现方式，在客观上以可视化的方式为向量空间构建了一种更为具像化的结构。通过这样的呈现方式，可以让用户非常清楚地理解在向量相似度搜索的过程中发生了什么，更容易理解向量相似度搜索的实现过程和机制，满足用户的好奇心，提高了用户人机交互的体验。

本技术提供了一种语音指令的推荐方法、装置和电子设备，包括:获取目标车机上传的与用户输入的语音指令对应的目标语言文本；对目标语言文本进行分词解析，并将分词解析结果与各标准语音指令进行匹配，得到目标语言文本与各标准语音指令的匹配度；当目标语言文本的上传次数大于等于次数阈值，且匹配度中存在大于等于第一匹配度阈值的匹配度时，为目标车机推荐目标标准语音指令。本发明的语音指令的推荐方法能够根据用户输入的非标准语音指令为其推荐对应的目标标准语音指令，以指导用户使用上述目标标准语音指令，该方法对用户输入的非标准语音指令提供了有效的应对策略，改善了用户体验，充分利用了目标车机的语音指令功能。

本文实施例公开了一种文本检测方法、装置及设备，通过先获取敏感判定项，将目标文本中包括的敏感词元可以构成的敏感判定项确定为该目标文本中的敏感判定项；进而确定目标文本中的敏感判定项的误判定系数和距离衰减系数，并利用误判定系数、距离衰减系数以及敏感等级，计算目标文本的敏感分值；最后利用敏感分值确定目标文本是否为敏感文本。通过预先定义的敏感判定项，可以实现随着敏感判定项的变化及时地调整目标文本的检测，确保目标文本检测的及时性。并且，通过确定目标文本中敏感判定项的误判定系数、距离衰减系数和敏感等级，可以更为准确地确定目标文本是否为敏感文本，减少对于目标文本的误判，提高目标文本检测的准确性。

本技术提供一种异常信息处理方法、系统、人工智能平台、设备及介质，涉及人工智能技术领域，该方法包括:根据发生异常情况的目标推理服务对应的目标推理服务名称信息，从当前周期的状态及事件数据库中获取各个服务资源的状态及事件信息，其中，状态及事件数据库是基于服务资源之间的归属关系构建得到的，状态及事件数据库用于存储归属关系中的主服务资源和子服务资源的状态和事件；预设资源组成表是基于容器集群管理工具周期性获取到的服务资源的定义配置信息构建得到的；将状态及事件信息输入至大语言模型中，得到推理异常分析结果。本发明提高了推理服务异常处理效率，同时也能更为准确的定位推理服务异常问题。

 本技术提供了一种双向双有源桥电路变压器优化设计方法，包括以下步骤:步骤S1：去除双向双有源桥电路DAB中的谐振电感；步骤S2：给定变压器参数，构建基于变压器功率和变压器成本的目标函数；步骤S3：在满足变压器原边侧的漏感等于串联电感的自感情况下，采用徒步优化算法进行求解，得到不含谐振电感的双向双有源桥电路DAB的参数。在省略了谐振电感的情况下，同时省略复杂的气隙大小确定，且保持优化后的变压器原边漏感和优化前变压器原边漏感与串联电感感值之和几乎相同，从而在效果不变的情况下，运用更少的耗材，节省更多空间。

 本技术提供一种大模型参数微调方法、装置、设备、介质及产品，属于人工智能技术领域，方法包括获取目标任务的数据集，根据所述数据集得到训练集；根据所述训练集、预设的微调策略和优化算法对大模型进行参数微调；其中，所述微调策略包括基于随机子空间迭代法对所述大模型的梯度进行低维投影。本发明通过随机子空间迭代法对所述大模型的梯度进行低维投影，在低微投影空间进行参数更新，相较于全参微调的方法，既减少了所需的显存，又减少了微调的时间。

 本技术公开了一种基于CNN和动应变的梁式桥移动荷载预测方法，包括:获取梁式桥移动荷载样本集；搭建多任务学习网络，利用所述梁式桥移动荷载样本集对所述多任务学习网络进行训练，获取移动荷载预测模型；采集应变数据，将所述应变数据输入至移动荷载预测模型，获取桥梁结构上的单车参数预测结果。本发明能够根据实际桥梁采集到的动应变响应数据，快速、可靠地分析和预测桥梁上移动车辆的行驶参数，为桥梁超载、超速车辆的运营管理及安全稳定性的评估提供技术支持。

 本文提出一种大语言模型的对齐方法，该方法通过获取预训练大语言模型，并初始化预训练大语言模型进入文本补全任务状态；针对目标数据集进行模型特征检索，确定至少一个目标大语言模型；根据目标大语言模型构建上下文对齐提示词，并将上下文对齐提示词输入预训练大语言模型；获取目标会话文本将目标会话文本更新进上下文对齐提示词，推理得到会话响应文本；循环执行以下步骤:将当前对话回合的会话响应文本添加到上下文对齐提示词中；获取下一对话回合的目标会话文本，将目标会话文本与上下文对齐提示词一并输入大语言模型中，得到下一对话回合的会话响应文本，并将下一对话回合设置为当前对话回合。该方法能够实现预训练大语言模型的高效对齐。

 本技术公开一种用于电池包故障模式识别的方法，包括以下步骤:1)依据故障特征，定义n种故障模式，并获取每种故障模式下的故障数据集；2)利用箱型图对故障数据集进行筛选，得到故障优选数据集；3)利用自组织映射‑前馈神经网络算法搭建电池包故障模式诊断模型；4)利用故障优选数据集对电池包故障模式诊断模型进行训练，得到训练后的电池包故障模式识别模型；5)监测车辆运行信号，并传输至电池包故障模式识别模型中，得到电池包故障识别结果；本发明解决了电池包系统在长期使用过程中发生故障无法识别故障模式并提供预警的问题。

 本技术涉及机电产品磨损测试领域，提出了机电产品磨损测试在线模拟方法及系统，包括以下步骤:从历史数据库中采集机电产品运行过程中的历史多维度监测数据；基于贝叶斯网络和卷积神经网络建立初始机电产品磨损预测模型；通过所述历史多维度监测数据对初始机电产品磨损预测模型进行训练和测试，得到机电产品磨损在线预测模型；实时采集机电产品运行过程中的机电产品运行多维度监测数据，将所述机电产品运行多维度监测数据输入机电产品磨损在线预测模型，输出机电产品的磨损预测结果。通过采集历史多维度监测数据，结合贝叶斯网络和卷积神经网络建立初始机电产品磨损预测模型，通过训练和测试模型后实现在线磨损预测，从而实现对机电产品磨损情况的实时监测和预测，提高了磨损测试的准确性和效率。