第十周学习总结

学期2024-2025-1 学号20241414 《计算机基础与程序设计》第十周学习总结

作业信息

这个作业属于哪个课程 <班级的链接>2024-2025-1-计算机基础与程序设计
这个作业要求在哪里 <作业要求的链接>2024-2025-1计算机基础与程序设计第一周作业
这个作业的目标 信息系统 数据库与SQL 人工智能与专家系统 人工神经网络 模拟与离散事件 排队系统 天气与地震模型 图形图像
作业正文 本博客链接

教材学习内容总结

信息系统

信息系统(Information System,简称IS)是一个广泛的概念,它指的是能够收集、处理、存储和传递信息的系统。信息系统可以应用于各种组织和业务流程中,以提高效率、决策质量和竞争力。以下是一些信息系统的关键组成部分和特点:

硬件:包括计算机、服务器、网络设备等物理设备,它们是信息系统运行的基础。

软件:包括操作系统、数据库管理系统、应用程序等,它们使得硬件能够执行特定的任务。

数据库:存储、管理和检索数据的系统,是信息系统中的核心部分。

网络:包括局域网(LAN)、广域网(WAN)和互联网等,它们使得信息能够在不同地点和设备之间传输。

人员:包括系统管理员、用户、开发者等,他们负责信息系统的管理和使用。

过程:指信息系统中的数据流和工作流程,它们定义了如何收集、处理和分发信息。

数据:信息系统处理的原始信息,可以是结构化的(如数据库中的表格)或非结构化的(如文本文件、图片等)。

信息:从数据中提取的有意义的内容,用于支持决策和业务流程。

安全:保护信息系统免受未授权访问、数据泄露和其他安全威胁的措施。

集成:将不同的信息系统和应用程序整合在一起,以提高效率和一致性。

信息系统可以是简单的,如一个小型企业的会计软件,也可以是复杂的,如大型企业的企业资源规划(ERP)系统。随着技术的发展,信息系统也在不断进化,例如,现在越来越多的系统采用了云计算、大数据、人工智能等先进技术。

数据库与SQL

数据库是用于存储、管理和检索数据的系统。它允许用户存储大量结构化数据,并能够通过查询来访问和操作这些数据。数据库管理系统(DBMS)是数据库的核心软件,它提供了数据的创建、查询、更新和管理的功能。

SQL(Structured Query Language)是一种专门用来与数据库通信的编程语言

人工智能与专家系统

关于人工智能与专家系统,以下是一些关键信息:

专家系统的定义:
专家系统(Expert Systems)是人工智能的一个重要分支,它使用人类专家推理的计算机模型来处理现实世界中需要专家作出解释的复杂问题,并得出与专家相同的结论。专家系统可视作“知识库(knowledge base)”和“推理机 (inference machine)”的结合

专家系统的起源与发展:
1968年,爱德华·费根鲍姆(Edward Feigenbaum)提出首个专家系统DENDRAL,这标志着专家系统的诞生,也孕育了后来的第二次人工智能浪潮。DENDRAL系统具有非常丰富的化学知识,可根据质谱数据帮助化学家推断分子结构

专家系统的特点:

专家系统属于人工智能范畴,其求解的问题不是传统程序求解的结构化问题,而是半结构化或非结构化问题,需要应用启发法或弱方法来解决

专家系统模拟的是人类专家在问题领域的推理,而不是模拟问题领域本身

专家系统具有处理和操纵各种符号、理解形象化图片(图像)的能力,以及想象力和创造力

专家系统的组成:
专家系统主要由知识库、推理机和用户接口三部分组成。知识库是专家系统的核心,它包含了大量的专家知识

专家系统的应用领域:
专家系统已经在多个领域得到广泛应用,包括医疗诊断、金融投资、工业生产、教育培训、环境保护和法律咨询等

专家系统的最新发展趋势:
随着人工智能技术的不断进步,专家系统也在不断发展和创新。一些最新的发展趋势包括深度学习集成、大数据应用、云计算部署、多智能体系统和自然语言处理等

专家系统的优势与局限性:

优势:提高决策质量、降低成本、一致性、可靠性、速度

局限性:不能提供创造性的解决方案,并且维护成本可能很高

综上所述,专家系统是人工智能领域中的一个重要应用,它通过模拟人类专家的决策过程,在特定领域内提供高效、可靠的解决方案。随着技术的不断发展,专家系统的应用范围和能力也在不断扩展和增强。

人工神经网络

人工神经网络(Artificial Neural Networks,简称ANNs)是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。它们通过模拟人脑中神经元之间的相互连接和信息传递工作,由多个人工神经元(节点)组成,这些神经元通过连接权重相互传递信号,并通过激活函数对输入信号进行处理。如果网络不能准确识别输入,系统就会调整权重,以减小实际输出与期望输出之间的误差。

人工神经网络的结构特点包括分布式并行处理、自学习与自适应能力、非线性映射能力和鲁棒性与容错性。这些网络能够逼近任意复杂的非线性关系,从而解决传统方法难以处理的问题。

人工神经网络的训练过程通常包括数据预处理、网络设计、训练与迭代以及测试与优化。在训练过程中,利用训练数据集对网络进行训练,通过反向传播算法调整权重值,以减小误差。

人工神经网络的应用领域非常广泛,包括图像识别、语音识别、自然语言处理、金融预测和医疗诊断等。随着技术的不断发展,人工神经网络将在更多领域发挥重要作用,包括算法优化、硬件加速、跨领域融合和实际应用拓展。

最新的研究进展包括图神经网络(Graph Neural Networks,GNN)、强化学习与深度强化学习、自动生成模型(AutoML)等。这些进展推动了人工神经网络在社交推荐、分子设计、游戏、机器人控制等领域的应用。同时,人工神经网络也面临着模型效率与推理速度、泛化能力和数据效率、可解释性和可靠性等挑战

模拟与离散事件

关于模拟与离散事件,以下是一些关键信息:

离散事件仿真(Discrete Event Simulation, DES)的定义:

离散事件仿真是一种计算机模拟方法,用于研究和分析系统、过程或事件在离散时间点发生的行为和互动。
它关注的是系统中状态变化的非连续性,即只在特定时间点(事件点)上系统状态才会发生变化。
离散事件仿真模拟的是一个系统,其状态只能在时间的离散点发生变更,假设在连续的状态转换之间没有发生任何相关的事情。
离散事件仿真的基本步骤:

问题定义和模型建立:明确模拟的目标和范围,建立系统模型,定义系统中的实体、事件和状态。
初始化:设置模拟的起始条件,如系统状态、实体位置等。
事件生成:根据模型规则生成即将发生的事件,并确定其发生时间。
事件排序:将所有生成的事件按照时间顺序进行排序。
事件处理:按顺序处理事件,更新系统状态,并可能触发新的事件。
数据收集和统计:在模拟过程中收集所需数据,如等待时间、吞吐量等。
模拟终止:根据设定的终止条件结束模拟。
离散事件仿真的应用:

离散事件仿真广泛应用于交通管理、生产制造、医疗系统等领域,用于预测系统性能、优化资源配置等。
在生产制造领域,离散事件仿真可以用于分析生产线的效率,研究物料的流动和处理过程,优化生产调度,减少生产成本。
在医疗保健领域,医院和医疗机构使用离散事件模拟来优化患者流程、人员调度和资源分配,改善患者护理、减少等待时间并更好地利用资源。
在供应链管理中,离散事件模拟用于对供应链流程进行建模,包括库存管理、订单履行和物流,帮助组织分析各种场景并就库存水平、分销策略和订单处理做出明智的决策。
离散事件仿真的专业解释:

离散事件仿真是一种动态类型仿真,由事件驱动,事件的发生是离散且随机的,即系统状态变量的取值是依时间轴离散且随机分布的。
此类系统无法用数学方程描述,DES使用两种事件推进机制:后续事件时间推进机制(NETA)和固定步长时间推进机制(FITA)。
这些信息提供了对模拟与离散事件的全面理解,包括其定义、步骤、应用和专业解释。

排队系统

排队系统是运筹学和工业工程中的一个重要领域,它研究的是服务设施、服务对象和两者之间的交互。排队系统广泛应用于银行、医院、超市、机场、电话服务中心等需要等待服务的场景。排队理论提供了一种数学方法来分析和优化这些系统的性能。
排队系统的基本概念
实体(Customer):需要服务的对象,可以是人、物品或请求。
服务台(Server):提供服务的设施或人员。
队列(Queue):等待服务的实体排列成的序列。
到达过程(Arrival Process):实体到达服务台的随机过程。
服务过程(Service Process):服务台为实体提供服务的随机过程。
排队系统的基本参数
到达率(λ):单位时间内到达服务台的平均实体数量。
服务率(μ):单位时间内服务台能完成的平均服务数量。
利用率(ρ):服务台忙碌的平均时间比例,计算公式为
等待时间(W):实体在队列中等待的平均时间。
服务时间(S):服务台为一个实体提供服务的平均时间。
系统中的平均实体数(L):系统中(包括正在服务和等待的)的平均实体数量。
排队规则(Service Discipline)
先来先服务(FCFS):按照到达的顺序提供服务。
后到先服务(LCFS):新到达的实体优先服务。
优先级服务:根据实体的优先级提供服务。
随机服务:随机选择实体提供服务。
排队模型
排队理论中常用的模型包括M/M/1、M/M/c、M/G/1等,其中:

M 表示马尔可夫(Markovian),即到达和服务时间符合指数分布。
G 表示一般(General),即到达或服务时间可以是任何分布。
1 和 c 分别表示服务台的数量。
排队系统的应用
性能分析:评估现有排队系统的性能,如等待时间和服务水平。
系统设计:设计新的排队系统,确定服务台的数量和规模。
资源优化:优化资源分配,提高系统效率和客户满意度。
风险管理:评估和降低排队系统中的潜在风险。
排队理论是理解和优化服务系统的重要工具,通过数学模型和分析方法,可以帮助管理者做出更合理的决策,提高服务质量和效率。

天气与地震模型

关于天气与地震模型,以下是一些关键信息:

天气模型
概述:
天气模型是基于当前和过去的天气数据来预测大气未来状态的计算机模拟。这些模型需要处理温度、气压、湿度、降水、风速等气象观测数据,并涉及流体动力学微分方程的复杂计算。
工作方式:

数据收集:通过气象站、气象气球、浮标、雷达、气象卫星等收集初始条件数据。
网格点:数据形成三维网格,计算机程序在每个网格点生成数值预测。
计算能力:需要强大的计算能力来处理大量数据和复杂的数学方程。
著名模型:

全球预报系统 (GFS):美国国家气象局的全球模型,每天更新四次,预报长达十六天的天气状况。
欧洲中期天气预报中心 (ECMWF):每天更新两次,生成10天的预报,分辨率高,历史上预报更准确。
北美中尺度模型 (NAM):短期区域模型,覆盖整个北美,预报61小时天气状况。
AI在天气预测中的应用:

MetNet:谷歌发布的神经网络模型,使用卷积神经网络(CNN)架构提取气象数据中的时空特征,提供多种天气参数的预测。
地震模型
地震波大模型“谛听”:

由国家超级计算成都中心、中国地震局地球物理研究所以及清华大学联合开发的亿级参数量地震波大模型,显著提升了地震信号的识别准确率和速度。
“谛听”数据集是国内首个,也是目前最大规模、样本类型和标注最为全面的地震学专业AI训练数据集之一。
非线性地震模拟:

清华大学等单位共同完成的项目,首次实现了对1976年唐山大地震的高分辨率精确模拟,模拟了地震发生后150秒内的地质变化,分辨率达到8米,频率达到18赫兹。
地震科学实验场:

中国地震科学实验场发布了高精度速度模型2.0版,提供了更高分辨率的速度模型,有助于认识精细的地壳结构,服务于地震学研究和防震减灾工作。
这些模型和模拟技术的发展,不仅提高了我们对天气和地震现象的理解,也为预测和减轻这些自然灾害的影响提供了有力的工具。

图形图像

图形图像是一个广泛的领域,它涉及到数字图像的创建、处理、分析和显示。以下是一些关键概念和应用:

数字图像基础:

像素:图像的基本单元,每个像素代表图像中的一个点,并包含颜色信息。
分辨率:图像的清晰度,通常以像素数量(如1920x1080)来衡量。
颜色深度:每个像素可以表示的颜色数量,常见的有24位真彩色(RGB各8位)。
图像格式:

无损压缩:如PNG、GIF,不丢失图像信息,但文件较大。
有损压缩:如JPEG,通过减少图像信息来减小文件大小,可能导致图像质量下降。
图像处理:

滤镜效果:如模糊、锐化、边缘检测等。
色彩调整:调整亮度、对比度、饱和度等。
图像修复:去除图像中的缺陷或不需要的元素。
计算机图形学:

2D图形:涉及二维图形的绘制,如矢量图形。
3D图形:创建和渲染三维图像,广泛应用于游戏、电影特效和虚拟现实。
图像识别与分析:

特征提取:从图像中提取有用的信息,如边缘、角点等。
对象识别:识别图像中的特定对象,如人脸、车辆等。
图像分割:将图像分割成多个区域或对象。
机器学习与图像:

卷积神经网络(CNN):一种深度学习模型,特别适用于图像识别和分类任务。
图像生成:使用生成对抗网络(GANs)等技术生成新的图像。
图像应用领域:

医学成像:如X光、MRI、CT扫描的图像分析。
卫星图像:用于地理信息系统(GIS)、环境监测等。
安全监控:视频监控和图像识别用于安全目的。
图像编辑软件:

Adobe Photoshop:专业的图像编辑软件,用于照片修饰、图形设计等。
GIMP:一个免费的图像编辑软件,功能与Photoshop类似。
Autodesk Maya:3D建模、动画和渲染软件。
图像标准和协议:

JPEG:用于压缩图像的标准。
PNG:用于网络上的图像传输,支持无损压缩。
SVG:用于矢量图形的XML基础格式。
图形图像技术是现代数字世界的重要组成部分,它们在娱乐、通信、教育、医疗和许多其他领域都有广泛的应用。随着技术的发展,图像处理和分析的能力也在不断提高,为各种行业带来革命性的变化。

教材学习中的问题和解决过程

  • 问题1:对数据库的事务控制、神经网络的反向传播算法等,难以理解。
  • 问题1解决方案:通过图解、视频教程、实际案例和逐步分解的解释来帮助理解。实践操作,如搭建简单的数据库或神经网络模型,也有助于加深理解。
  • 问题2:专业术语和符号可能会让初学者感到困惑。
  • 问题2解决方案:创建术语表,使用图解和示例来解释术语。同时,通过在线资源和社区寻求帮助。

基于AI的学习



代码调试中的问题和解决过程

  • 问题1:不会求组合数
  • 问题1解决方案:通过询问AI后再自己思考
posted @ 2024-11-30 18:14  J]  阅读(3)  评论(0编辑  收藏  举报