摘要：本发明涉及利用掺杂向列相液晶材料降低液晶器件上升沿、下降沿响应时间的方法，通过半导体纳米粒子掺杂的方法获得向列相液晶材料，并制备液晶显示器的液晶器件来实现。具体是将ZnO纳米粒子掺杂向列相液晶材料组成均匀稳定的液晶混合物，并利用该液晶混合物制备出的液晶显示器件。有益效果是采用ZnO纳米粒子掺杂的液晶材料的液晶器件，其开启电压能够有效降低，并降低上升沿响应时间。

摘要：本发明涉及一种通过半导体纳米粒子掺杂的方法获得向列相液晶材料，具体是将ZnO纳米粒子掺杂向列相液晶材料组成均匀稳定的液晶混合物，并利用该液晶混合物制备出的液晶显示器件，其应用于液晶显示器件降低开启电压和功耗。

摘要：本发明涉及利用掺杂向列相液晶材料实现降低液晶器件开启电压的方法，通过半导体纳米粒子掺杂的方法获得向列相液晶材料，并制备液晶显示器的液晶器件来实现。具体是将ZnO纳米粒子掺杂向列相液晶材料组成均匀稳定的液晶混合物，并利用该液晶混合物制备出的液晶显示器件。有益效果是采用ZnO纳米粒子掺杂的液晶材料的液晶器件，其开启电压能够有效降低。

摘要：本发明实施例公开了一种获取关键词和基于该关键词进行信息推荐的方法及装置，应用于终端设备，获取关键词的方法包括：获取浏览器预显示页面的网页地址；判断所获取的网页地址的域名是否存在于本地预存的配置文件中；如果存在，根据所述配置文件中保存的域名与关键词参数名的对应关系，确定所获取的网页地址的域名对应的关键词参数名，并提取所述关键词参数名对应的参数值；根据所述配置文件中保存的域名与编码方式的对应关系，确定所获取的网页地址的域名对应的编码方式，并对所提取的参数值进行译码，得到译码后生成的关键词。本发明实施例获得的关键词比较全面，进一步的，根据关键词向用户推荐的信息则更加准确，用户感受更佳。

摘要：本说明书实施例提供了一种神经网络模型的训练方法及装置、业务预测方法及装置。在训练神经网络模型时，根据历史业务数据，获取训练样本数据；在每一轮训练中均执行：将训练样本数据输入所述神经网络模型中，以对所述神经网络模型中每一个参数的参数值进行调整；以及检测本轮训练是否满足参数获取条件，如果是，则记录本轮训练得到的神经网络模型中每一个参数的当前参数值；在各轮训练结束后，针对神经网络模型的每一个参数，根据记录的该参数的至少一个当前参数值，得到该参数对应的最终参数值；将神经网络模型中每一个参数的参数值设置为该参数对应的最终参数值。本说明书实施例能够更好地利用神经网络模型来进行业务预测，并且减少对系统资源的消耗。

摘要：本说明书一个或多个实施例公开了一种对象推荐模型优化的方法、装置及设备。所述方法包括：根据目标用户的用户特征，得到所述目标用户被对象推荐模型推荐的包括至少一个推荐节点的对象序列，每个所述推荐节点对应一个向所述目标用户推荐的推荐对象；根据所述用户特征和所述推荐对象的对象特征，对所述对象序列进行资源损失状况和用户体验质量的评估处理，得到所述对象序列对应的累积奖励；基于所述对象序列对应的累积奖励，调整所述对象推荐模型的参数，直至调整后的所述对象推荐模型对所述目标用户推荐的对象序列对应的累积奖励满足预设条件，得到调整后的对象推荐模型。

摘要：本发明涉及自动驾驶技术领域，公开了一种超声波雷达的泊车方法、装置、计算机设备及存储介质，所述方法包括：确定所述车辆的泊车规划路径，并实时获取各个超声波雷达所测量的障碍物距离；以所述车辆的后轮中心点为基准，计算所述车辆与所述泊车规划路径末端的端点距离；根据所述端点距离和所有超声波雷达探测到的所述障碍物距离，控制当前车辆的泊车操作。使得控制车辆泊车时，不仅仅依靠障碍物距离，也会结合端点距离，提高泊车的精准度以及安全性。

摘要：本申请涉及泊车技术领域，提供了一种斜列车位泊车方法、装置、车辆及存储介质，该方法包括：启动泊车时，根据泊车形式确定坐标原点，并确定目标停车位四个角相对于坐标原点的坐标；根据预设规则实时判断各个雷达是否在目标停车位内；在所有雷达均在目标停车位内后，根据预设位置的部分雷达的探测距离按照第一预设刹停规则，判断第一刹停处理结果；其中，预设位置的部分雷达为靠近目标停车位底端边线的车辆两个角处的雷达；结合第一刹停处理结果和第二刹停处理结果确定泊车情况；通过本申请的方法可以实现安全、有效的泊车。

摘要：本申请涉及自动驾驶技术领域，提供一种道路预测方法、装置、车辆及存储介质，该方法包括：以车辆当前所在位置为原点，通过感知模块获取当前车辆信息及当前道路信息；其中，当前车辆信息包括车辆当前速度和车辆当前加速度；根据当前道路信息预测未来三段道路信息，并根据当前车辆信息分别获取与未来三段道路信息对应的纵向位置坐标；根据每段道路信息及对应的纵向位置坐标，分别预测车辆到达每段道路终点时车辆的预测车辆信息；将未来三段道路分别通过两个控制点分成三段并以贝塞尔曲线表示，并预测每个控制点的位置信息。通过本申请的方法可以准确的获得自车预测时间段内的道路信息。

摘要：本发明提出了一种基于深度学习的集中器优化配置方法和系统。属于机器学习技术领域，所述方法包括：对收集的多源数据进行预处理，基于预处理后的多源数据通过数据融合算法构建多源数据融合框架；基于多源数据融合框架中的多源数据构建基于深度神经网络的强化学习模型，并对强化学习模型的状态空间以及动作空间进行定义。通过深度神经网络与强化学习的结合，能够实时预测并应用最优的集中器配置参数，如缓冲区大小和数据包转发规则，有效减少网络拥堵，提高网络吞吐量，降低延迟和丢包率，从而增强网络的稳定性和效率。