摘要：本发明提供了一种网页内容展现监测的方法和装置，其中方法包括：获取待监测的网页；读取校验配置文件中的定位属性，依据定位属性生成一个或一组网页元素(webElement)对象；读取所述校验配置文件中的校验规则，利用各webElement对象对应的校验规则分别对各webElement对象进行校验；输出校验结果。本发明在校验配置文件中采用元素的定位属性对元素进行定位，不必通过监测用例逐个定义重复或相似元素，降低维护成本；并且无论是页面元素发生变化，还是监测预期需要更新，仅需要对校验配置文件进行修改即可，无需反复修改监测用例，降低了维护成本。

摘要：本公开提供了一种大模型资源分配方法、装置、设备和介质，涉及人工智能技术领域，尤其涉及大模型资源分配等技术领域，能够用于生成式搜索、文档智能编辑、智能助手、虚拟助手、智能电商等应用场景。该方法包括：经由流量网关对目标业务的大模型资源请求接口进行代理；获取目标业务的第一资源量和第二资源量，第一资源量表征目标业务所申请的资源量需求，第二资源量指示目标业务的历史资源量使用情况；基于目标业务的第一资源量和第二资源量，计算目标业务的第三资源量，第三资源量表征为目标业务额外预留的资源量；以及至少基于目标业务的第二资源量和第三资源量，利用流量网关为目标业务分配大模型资源。

摘要：基因工程宿主动物细胞能够生产具有改性糖基化模式，例如去岩藻糖基化和/或单糖基化的糖蛋白。这种宿主动物细胞可以被工程化以表达岩藻糖苷酶，糖苷内切酶或两者。

摘要：本发明公开一种促进血脑屏障开放以促进药物透过血脑屏障的系统，通过计算机控制系统调节各个压电晶体驱动信号的相位和幅度，使脑部病灶处产生特定功率的超声辐射，从而有效地导致脑部病灶部位血脑屏障开放，以利于促进大分子药物透过血脑屏障，在病灶部位达到有效药物浓度；通过研究发现当停止超声辐射，血脑屏障十几个小时后可恢复正常功能。本发明使得血脑屏障对于药物的通透性具有无创、可控、安全、无细胞毒性、定位和靶向性好，能有效保证血脑屏障正常时的功能不受干扰，保护大脑环境，本发明为中枢神经系统疾病的药物和基因治疗开创一条新途径。

摘要：本发明公开了一种基于Q学习的基于交叉路口的车载自组网路由方法，主要解决现有车载自组网的中车辆的高速移动性导致节点分布不均匀，通信链路容易断开的问题。该方法包括一种基于历史交通流量的学习路由策略，通过Q学习和监测实时网络状态进行路由。分层路由协议由两部分组成：建立多维Q表，在交叉口选择最优路段进行分组转发；采用改进的贪心策略，以选择路径上的最优中继。监控模型能够检测网络负载，及时调整路由决策，防止网络拥塞。这种方法最大限度地减少了通信开销和延迟，并确保了数据包的可靠传输。

摘要：本发明公开了一种基于注意机制的深度显著性模型的表面异物检测方法，包括如下步骤：S1，获取待测物体表面的原始图像，制作成训练数据集；S2，将最后一个池化层后的全连接层删除的ResNet‑50体系结构作为预训练网络；S3，连接VGGNet体系结构的每个卷积层后面的侧输出层，并添加三个具有不同滤波器通道和空间大小的卷积层；S4，使用3×3的空洞卷积替换在侧输出卷积层中使用的5×5、7×7内核；S5，使用双线性插值操作来进行上采样，并在侧输出层之间引入短连接；S6，在推理阶段添加了全连接的CRF。与现有的无异物的洁净区域方法相比，该方法能够准确地定位有异物的区域。同时，在不显著增加计算量和参数的情况下，可以提高网络模型的异物检测能力。

摘要：本发明公开了一种基于软稀疏投影孤立林的机器故障诊断方法，主要解决现有机器故障诊断方法中的非目标任务的数据标记时间太长，需要收集大型目标任务数据集，模型精度不高和诊断时间过长的问题。该方法包括一种数据标记算法，通过无监督的软稀疏投影孤立林算法对非目标任务的样本进行分类，对非目标任务的数据分配伪标记；利用非目标任务的伪数据集对深度学习模型进行训练，利用目标任务的少量标记数据集对模型参数进行微调，得到较好的深度模型。这种方法减少了数据分类的计算时间，克服了收集大型目标任务数据集的问题，并减少了深度模型的训练和诊断时间，提高了深度模型的精度。

摘要：本发明公开了一种于改进迁移学习的设备系统动态安全评估方法(DSA)，在存在潜在相关未知故障的情况下提高动态安全评估性能。考虑个体决策差异的改进迁移学习，可以准确地分类完整和不完全场景下的未知故障。大量的实验结果表明，该改进迁移学习方法具有较高的动态安全评估精度和计算效率。理论分析表明，该改进迁移学习能够保证系统的性能。通过考虑DSA分类器决策边界附近的分类误差，解决了差异问题。同时通过一个总线系统实例研究来说明所提出的方法。

摘要：本发明公开了一种基于图神经网络和两阶段框架的轴承故障检测方法，涉及轴承故障检测技术领域。该方法在第一阶段使用时空图卷积网络整合各具有时间序列和位置特征的实际轴承振动信号值，输出得到各振动传感器未来的轴承振动信号预测值；在第二阶段对各振动传感器进行异常检测，对于每一个振动传感器，将其采集到的实际轴承振动信号值，与其未来的轴承振动信号预测值进行比较，得到轴承振动检测差异值，若轴承振动检测差异值越大，则认为该振动传感器出现故障的概率越大；将各振动传感器的轴承振动检测差异值降序排列，轴承振动检测差异值越小，则认为对应的轴承出现故障的概率越大。本发明考虑到了传感器的信号之间的联系，识别精度更高。

摘要：本发明公开了一种对屏幕缺陷进行少样本分类的方法，由带有多个transformer块的特征提取器、类原型生成器(CPG)和基于上下文的分类器(CBC)组成，如摘要附图所示，首先由所述特征提取器将图像作为输入，输出为由特征提取器提取的图像特征；其次，通过CPG基于图像特征和图像标签，引入图像特征之间基于信道的关系，生成相应的原型；最后，通过CBC注册了类原型，并使用所有类的全局上下文信息来执行分类。本发明设计了一个具有多个transformer块的特征提取器。该特征提取器通过构建跨样本关注、跨区域交互，从而提取出缺陷突出显示的特征。引入了CPG产生更具有代表性的类原型。最后，提出了一种应用全局上下文信息的CBC。可以在所有类中做出更好的分类决策。