计算机科学与技术系

计算机科学与技术专业&

物联网工程专业

校内实习选题信息
I
（2022 版）

II
 目 录

一、基于物联网技术的智能停车场系统的设计与实现.......................................................1

二、基于 STM32 的智慧灯杆系统的设计与实现..................................................................4

三、基于视觉信息的手势识别系统的设计与实现...............................................................6

四、仓储物流安全存储和数据融合系统的设计与实现.......................................................7

五、基于深度学习的图像目标检测系统.............................................................................10

六、基于深度学习的太阳射电流量（F10.7）中期预测算法............................................13

七、垃圾分类知识图谱的构建及可视化.............................................................................15

八、基于人脸识别的课堂签到系统.....................................................................................17

九、基于特征学习的大脑疾病诊断系统的设计与实现.....................................................20

十、基于深度学习的金融市场分析.....................................................................................22

十一、基于 OpenPAI 的云计算平台开发.............................................................................26

十二、基于深度学习的跌倒检测系统设计.........................................................................30

III
 一、基于物联网技术的智能停车场系统的设计与实现

1 简介
传统的停车场缺失人性化的管理运行机制，大多数的停车场因面对日益增
长的停车需求而变得手足无措，车辆进出管理、收费过程、车位查询等变得越
来越重要。智能停车场的实施为车辆提供了舒适、便利、快捷的停车需求。该
系统运用智能道闸和 RFID 技术来管理车辆，在停车位安装传感器来判断是否
有车辆，用 Zigbee 组网来进行数据的上传和下发，通过管理界面对车位信息进
行显示和管理。运用物联网技术实现智能停车场系统的设计，可为停车提供一
种智能化的手段。
本系统是在模拟场地进行智能停车场系统的模拟，智能小车如下图 1 所示，
部分模拟设备如图 2 所示，模拟场景如图 3 所示。

图 1 智能小车 图 2 部分模拟设备

图 3 停车场模拟场景图
2 涉及技术
RFID、图像识别、自动控制、树莓派开发、TCP/IP 等。

1
3 系统软件环境
(1) 开发语言： Python。
(2) 开发硬件： 树莓派等。
4 主要功能及分工建议
整个系统的功能框图，如图 4 所示。

图4 系统功能框图
主要功能：
1、 收费参数修改：可修改停车场入口/出口的名称，可设置停车场收费参
数；
2、 进出口车牌识别，液晶显示车辆信息；
3、 收费显示，收费统计功能；
4、 道闸控制功能；
5、 车辆引导功能，根据停车场车位情况，车辆自动寻找停车位；
6、 停车场剩余车位展示功能；
7、 状态显示。
分工建议：

2
 建议由 3-4 个同学协同完成，分别完成树莓派开发、车牌识别、车辆停车
导航、道闸控制等。
5 系统性能指标考核要点
（1）车牌识别准确率要求大于等于 90%；（2）停车导航算法设计；（3）
收费方式可自定义。

3
 二、基于 STM32 的智慧灯杆系统的设计与实现

1 简介
城市太阳能智慧灯杆集成了智慧照明、环境监测、视频监控、信息发布、
一键呼叫等公共服务功能，承载了丰富的物联感知终端，是打造智慧城市物联
网络，实现万物互联感知的有效载体。
该系统运用 STM32F407 和 uart 和 IIc 技术开发具有 pm2.5，温湿度监测，
太阳能供电系统和智能灯开关控制的智慧灯杆，通过管理界面对环境信息、电
源信息和智慧灯等的相关信息进行显示和管理。本系统采用 STM32F407 实践开
发套件进行模拟，开发套件如图 1 所示，部分智慧灯杆模拟设备如图 2 所示。

图 1 STM32F407 开发套件 图 2 部分智慧灯杆模拟设备

2 涉及技术
STM 嵌入式开发、uart、IIC、TCP/IP、springboot，vue（或 react）等。
3 系统软件环境
(1) 开发语言：Java，keilC 等。
(2) 开发硬件：STM32F407 开发套件等。
4 主要功能及分工建议
整个系统的功能框图，如图 4 所示。

4
 图4 系统功能框图
主要功能：
1、 环境信息采集；
2、 环境信息显示；
3、 智慧灯杆地图点位显示；
4、 智能灯开关设置；
5、 电量状态采集
6、 电量信息显示；
分工建议：
建议由 3-4 个同学协同完成，分别完成环境信息采集、智能灯开关设置、
太阳能电池电量采集与显示等。
6 系统性能指标考核要点
（1）环境信息采集和更新策略；（2）智能灯开关控制算法设计；（3）太
阳能电池电量采集与计算。

5
 三、基于视觉信息的手势识别系统的设计与实现

关键字：计算机视觉、手势识别、系统设计
所需技术： 高级编程语言、计算机视觉技术、手势识别相关知识
课题性质：设计-设计
课题来源：具有应用背景的自拟项目
课题简介：手势是一种独特的视觉语言，是聋哑人表达情感、同外界沟通
的重要工具。随着社会的进步，聋哑人这一弱势群体逐渐受到了社会的关注。
第六次全国人口普查公布的数据显示，全国目前有 2700 万聋哑人，并且以每年
3 万人的速度在增长。通过调查社会的聋哑人群，发现聋哑人经常遇到以下困
惑：手语无法被非聋哑人准确的理解，并且不能顺畅地与其他人交流沟通。因
此需要一款能够为聋哑人群带来方便和帮助的产品，通过该作品实时翻译聋哑
人的手语为语音与非聋哑人进行交流，为需要帮助的聋哑人群带来方便。手势
识别作为一种新型的人机交互技术是以人为交互的中心，更加符合人与人之间
的交流习惯。手势识别技术已经成为人机交互领域的一大研究热点。
课题要求：通过前期的文献检索和充分的市场调研工作，了解目前手势识别系
统的功能特性和结构特性。在此基础之上，设计出手势识别系统的的前台页面
和后台的数据库部分。最后，采用高级编程语言对该软件系统的程序进行编程
实现。
具体功能如下：
1） 前台页面友好，后台数据库设计合理。
2） 具有手势图像/视频的处理功能。
3） 能够根据各种常见的手势图像或视频，进行解析，并给出手势真正代表的

含义。

6
 四、仓储物流安全存储和数据融合系统的设计与实现

1 简介
随着科技的发展，海量数据的安全存储得到广泛的关注。在实际的仓储物
流运行过程中，本地服务器可能会表现出一些异常行为。这些异常会严重影响
服务可用性和可靠性，甚至可能导致巨大的财务损失和整个系统业务运行的安
全。此外，数据传输和存储技术依旧存在着威胁业务流安全运行的问题。对于
重要的涉密信息，缺少权限管理机制，会造成人力资源的浪费以及威胁到业务
流的正常运行。本项目子系统集成安全访问、数据融合、安全传输和存储是重
点，这是提升仓储物流运营效率的重要途径，良好的安全访问、数据融合与分
析、安全传输和存储能降低运营成本、提高运营速度、保证运营质量。项目从
以下三个方面展开研究：(1) 仓储数据安全访问和控制; (2) 仓储数据安全存储和
传输；(3) 异构数据融合和分析。
2 涉及技术
Vue 、 Element
UI、SpringCloud&Alibaba、SpringBoot、MyBatis、MySQL、Redis、Nacos、JW
T 等。
3 系统软件环境
(1) 开发语言： Java。
(2) 开发软件： IntelliJ IDEA。
(3) 版本控制： Gitee。
4 主要功能及分工建议
整个系统的功能框图，如图 1 所示。

7
 图4 系统功能框图
主要功能：
1、基于角色访问控制；
2、访问权限控制：角色的权限可增删改查；
3、异构数据安全存储：基于加密算法实现仓储物流中各异构数据的安全存
储；

8
 4、敏感信息识别：通过文本与非敏感信息的对比，识别敏感信息；
5、仓储信息分级加密：根据信息的敏感可能性大小，实现对仓储信息的分
级加密；
6、仓储信息查询：有权限的用户可以对仓储信息进行解密查询。
7、秘钥管理：秘钥需要定期更新以保证数据安全；
8、数据故障追溯：仓储物流的全过程追溯；
9、业务流异常分析：实时预测和分析可能性故障源的发生，通过对故障源
进行追溯，做到及时预警；
10、异构数据校验：源数据库处于生产环境中，数据变化频繁，需要保证
源数据库和目标数据库的数据合法性、一致性和完整性；
11、子系统的数据融合分析：对存储子系统中的数据进行清洗、融合和归
一化处理，对处理后的数据进行数据挖掘，提取数据中的有效信息，进行分析
和可视化处理，使采集到的数据得到更为充分的利用，有效获取子系统的运行
状态；
12、整体业务流的融合分析：集成子系统的完成状态信息，结合业务流生
产环境等信息，分析得到整体业务流运行状态。
分工建议：
主要工作集中在异构数据的融合部分，工作建议由两组同学协同完成，每
组 3-4 个同学，分别完成异构数据校验、子系统的数据融合分析、整体业务流
的融合分析、故障追溯等。
7 系统性能指标考核要点
（1）异常数据校验方法要考虑同步数据的时间延迟，减少检验误差；
（2）提高数据融合后的数据质量，保证数据的准确性、一致性、唯一性、规范
性、及时性和完整性；（3）集成子系统数据融合和完成状态信息，结合业务流
生产环境等信息，分析得到整体业务流运行状态；（4）实时预测和分析可能性
故障源的发生，有效定位故障源，保证业务流的正常运行。

9
 五、基于深度学习的图像目标检测系统

一、课题介绍
深度学习作为人工智能中的一个重要研究内容，其动机在于建立模拟人脑
进行分析学习的网络模型，目前在机器视觉领域得到了广泛的应用。基于深度
学习的图像分析方法主要是模仿人脑的机制对图像数据进行处理和解释，对目
标物体进行自动检测、识别以及分割等，以期获得对相应场景信息的理解。相
较于传统的目标检测方式，深度学习模型无需人工特征的设计与提取，可以通
过训练样本数据，自动提取出隐含在数据中的内在规律，学习到图像更深层次
的特征，做到更加准确的目标检测和识别。本项目拟采用基于深度卷积神经网
络的方法，通过构建网络模型及其训练算法来达到良好的学习效果，实现图像
中显著性物体的检测。目前深度学习目标检测和分割网络根据是否使用感兴趣
区域提取网络可以分为两类，即使用感兴趣提取网络的高精度、低时效的二阶
段网络和未使用感兴趣区域提取网络的低精度、高时效的一阶段网络。要求通
过查阅相关的文献资料，研读有关的深度学习、图像处理和模式识别等方面的
基本知识原理，了解掌握图像分割神经网络的理论技术，选择常用的深度学习
框架以及具体的编程工具和相应的开发环境，实现网络的算法模型，基于有关
的公开数据集对网络结构进行测试、优化和总结，完成软件系统的整合及开发。
二、涉及技术
基于深度学习的图像目标检测方法主要分为两类，一类是基于候选区域的
two-stage 目标检测方法，典型的算法有 Regions with CNN（RCNN）、Fast R-
CNN、Faster RCNN 和 Master R-CNN 等。这类检测算法的精度较高，但是检测
流程均包含多个阶段，实现过程复杂。另一类是可实现端到端优化的 one-stage
目标检测方法，与 two-stage 类方法相比结构更简单，它将所有的计算封装在一
个网络中，直接对图像进行目标的类别概率和边界框坐标的预测，仅通过单次
训练 就可 以实现特征 共享 。 One-stage 网络的典 型的代表 算法有 Single Shot
Multibox Detector（SSD）和 You Only Look Once（YOLO）及其衍生出的版本。
YOLO 将物体的检测看成回归问题，速度可以满足实时性，但对小物体的检测

10
效果较差，在多目标环境下漏检率较高。SSD 算法是一种直接预测目标类别和
边界框的目标检测算法，它充分利用了多卷积层的优势来对目标进行检测，对
目标的尺度变化具有较好的鲁棒性。SSD 仿照 Faster R-CNN 中提出的 anchor 设
计了 prior box，并提出利用位于网络不同层次的特征图来对目标进行预测的特
征金字塔 PFH 结构，提升了处理多尺度目标时的检测性能。然而该算法中使用
了过于密集的采样操作，这种方式会导致正负样本的数量分布不均衡，为训练
过程增加了极大难度。近年来提出的基于 anchor-free 的方法省去了锚框的设定
主要根据真实标签的定义方式进行分类，包括网格划分、热图关键点和中心点
等类别。它网络结构简单，可以充分利用关键点特征进行检测，提高了检测速
度。为了在检测速度和检测精度上保证较好平衡，目前这些主流检测框架相互
融合促进，从而在很多复杂场景中取得巨大成功。
三、系统软件环境
开发环境建议采用 Python 语言，架构采用 Keras 和 TensorFlow，亦可对其
它主流的机器学习库及常见的深度学习框架，如 PyTorch、Caffe 等进行调研和
分析比较，选择适合的编程语言和开发工具。
四、主要功能及分工建议
通过研读文献资料，熟悉并掌握基于深度学习的图像目标物体检测方法的
基本原理；分析比较典型深度神经网络模型的不同结构和算法，综合考虑应用
需求，了解开源的深度学习框架；实现具体网络的构建，确定多种目标物体在
给定图像中的位置，完成有关的特征提取、感兴趣区域定位和检测识别等环节；
选用公开数据集作为样本数据进行模型的训练和测试，对实验结果进行分析总
结；完善整个网络架构的调优以及实现方法的改进，提出更有针对性的解决方
案。
整个实习过程由大约四名同学组成的小组共同完成，具体负责的工作可以
分成以下几个方面：1）算法的分析与设计，查阅文献，了解涉及的理论和技术
内容，学习掌握图像目标物体检测分割和机器学习的知识，并对有关技术进行
深入探讨。2）开发平台的学习，通过研读所提供的代码和相关资料，熟悉并掌
握 Python 编程语言以及 Tensflow 架构的卷积神经网络等，在看懂源码的基础上
进行调试和运行。3）网络模型的构建与整合，通过集成和编写有关的代码模块，

11
实现特征提取及目标区域定位等算法，完成模型的训练与测试。4）实验结果的
分析及方法的优化完善，对数据集进行预处理，并为便于实际应用，开发系统
界面，对不同网络结构和算法进行测试、调参和优化，对整个处理架构的性能
进行验证。
五、系统性能指标考核要点
要求开发的系统具有较好的通用性，在检测速度和检测精度上有较好的综
合表现。利用平均精确度均值和准确率-召回率曲线图作为图像多个类别的目标
检测评价标准时，在公开数据集上的实验结果应有较好的 mAP 和 PR 曲线性能
指标。

12
六、基于深度学习的太阳射电流量（F10.7）中期预测算法

一、课题介绍
10.7 厘米（2800 兆赫）的太阳射电通量是太阳活动的极好指标。通常被称
为 F10.7 指数，它是太阳活动持续时间最长的记录之一。F10.7 射电发射源于色
球层，低源于太阳大气的日冕。F10.7 与太阳黑子数以及紫外（UV）和可见光
太阳辐照度记录的数量密切相关。事实证明，F10.7 指数在指定和预测空间天气
方面非常有价值。因为它是一个长期的记录，它提供了六个太阳周期内太阳活
动的气候学。因为它来自太阳的色球层和日冕，所以它跟踪在太阳大气的同一
区域形成的其他重要辐射。影响电离层并改变上层大气的极紫外（EUV）辐射
在 F10.7 指数下跟踪良好。许多影响平流层和臭氧的紫外线辐射也与 F10.7 指数
相关。由于该测量可以在所有天气条件下从地面可靠准确地进行，因此它是一
个非常可靠的数据集，几乎没有间隙或校准问题。
本项目拟采用给予循环神经网络的算法，通过构建基于 F10.7 数据特性的
算法，实现 F10.7 高性能的中期预测。要求通过查阅相关的文献资料，研读有
关的深度学习、时间序列预测等方面的基本知识原理，选择常用的深度学习框
架以及具体的编程工具和相应的开发环境，设计高效的算法模型，基于相关的
公开数据集对网络结构进行测试、优化和总结。
二、涉及技术
1、python 开发语言、机器学习相关知识，包括回归任务中主流的算法，包
括回归模型，SVR 模型以及 RNN 模型等。
2、PyTorch 等相关深度学习开发框架，以及基础的相关算法。
3、时间序列预测模型。
三、算法软件环境
开发环境建议采用 Python 语言，架构采用 PyTorch 等主流的深度学习框架。
四、主要功能及分工建议
阅读太阳射电流量相关文献，调研相关的研究算法，采集相关数据集。分
析现阶段主流的预测算法，并设计相关的算法，实现太阳射电流量高精度中期

13
预测算法。
整个实习过程由大约四名同学组成的小组共同完成，具体负责的工作可以
分成以下几个方面：1）算法的分析与设计，查阅文献，了解涉及的理论和技术
内容，学习掌握太阳射电流量以及深度学习等相关知识。2）开发平台的学习，
通过研读所提供的代码和相关资料，熟悉并掌握 Python 编程语言以及 PyTorch
架构的卷积神经网络等，在看懂源码的基础上进行调试和运行。3）网络模型的
构建与整合，通过集成和编写有关的代码模块，完成模型的训练与测试。 4）实
验结果的分析及方法的优化完善，对数据集进行预处理，并为便于实际应用，
开发系统界面，对不同网络结构和算法进行测试、调参和优化，对整个处理架
构的性能进行验证。
五、系统性能指标考核要点
在公开数据集上检测算法性能，相关指标包括 MAE，MSE，RMSE。

14
 七、垃圾分类知识图谱的构建及可视化

1. 简介
针对当下垃圾分类的热门话题，搭建一个具有一定规模的垃圾分类知识图
谱。项目采用网络爬虫、BiLSTM-CRF、BiGRU-Attention 等技术对垃圾分类中
文文本数据进行爬虫获取、实体识别、关系抽取，形成“实体-关系-实体”的
三元组信息，使用 Neo4j 可视化展示三元组关系，形成结构化的知识图谱，为
垃圾分类知识问答系统奠定基础，辅助人们在日常生活中更好的进行垃圾分类。
2. 背景
近年来，随着人们日常生活水平的不断提高，产生的生活垃圾也越来越多，
严重污染了自然环境，垃圾分类也逐渐成为全民热议的话题。知识图谱属于基
于图结构的知识存储管理模式，具有关系清晰、结构灵活及可视化程度高的优
势，如果对垃圾分类数据进行结构化处理，使之以知识图谱的形式展现出来，
将有利于人们查询垃圾分类信息，既可以让人们充分利用互联网的资源，也可
以增强人们垃圾分类意识，更全面地了解有关垃圾分类的相关内容以及它们之
间存在的关系。
3. 课题功能
本课题以百科类网页数据作为垃圾分类数据来源，以日常生活垃圾为核心，
将日常生活垃圾分为可回收垃圾、干垃圾、湿垃圾、有害垃圾四类，利用网络
爬虫 技术对垃圾分类 相关 数据进行 获取 ，运用深度学习 相关 算法 BiLSTM-
CRF、BiGRU-Attention 等技术对垃圾分类数据进行实体识别和关系抽取，然后
采用图数据库 Neo4j 可视化展示垃圾分类知识图谱，使之以图的形式直观化、
结构化、形象化地展现出来。对于普通百姓来说，可以方便查询日常生活垃圾
种类，做到正确分类投放。
4.实现步骤
4.1 垃圾分类数据的获取与处理
构建知识图谱所需垃圾分类中文文本语料的获取方法是构建垃圾分类知识
图谱的第一步。构建垃圾分类知识图谱的数据来源是互联网网页数据。可以采

15
用 Scrapy 框架编写网络爬虫、爬取得到包含垃圾种类与名称的语句。
人工对数据进行清洗和筛选，去除重复利用率不高的数据信息，形成文本
语料库。
4.2 垃圾分类数据实体识别
实体识别是指从半结构化数据或非结构化数据中获取垃圾实体。实体识别
的方法包括基于机器学习的方法、基于词典的方法、基于规则的方法三大类。
基于机器学习的实体识别方法又包括循环神经网络( Ｒ NN) 、长短时记忆
( LSTM) 、卷积神经网络(CNN) 等。本课题拟采用深度学习中的双向长短时记
忆( LSTM)进行垃圾分类知识图谱实体识别。
4.3 实体关系抽取
中文关系抽取可以理解为简单的分类问题，即给出含两个实体的一个句子，
判断出实体之间的关系。本课题拟采用双向门控循环(GRU) + Attention 算法
模型进行垃圾分类中文文本关系抽取。
4.4 知识图谱可视化
得到垃圾分类数据实体与关系后，为了表示实体之间的关系，采用可视化
工具 Neo4j 形成结构化知识图谱。
5.工作过程及分工建议
整个实习过程由大约四名同学组成的小组共同完成，工作内容主要有以下
几个方面：1）算法的分析与设计，查阅文献，了解涉及的理论和技术内容，学
习掌握网络爬虫、知识图谱和机器学习的知识，并对有关技术进行深入探讨 。
2）开发平台的学习，通过研读所提供的代码和相关资料，熟悉并掌握 Python
编程语言以及 Tensflow 框架等，在看懂源码的基础上进行调试和运行。3）网
络模型的构建与整合，通过集成和编写有关的代码模块，实现实体识别算法，
完成模型的训练与测试。4）实验结果的分析及方法的优化完善，对数据集进行
预处理，并为便于实际应用，开发系统界面。
分工建议：1 名同学完成数据的爬取及清洗、2 名同学完成实体识别及关系
抽取、1 名同学完成知识图谱可视化。

16
 八、基于人脸识别的课堂签到系统

一 简介
随着人工智能的迅速发展，人脸识别技术在各个领域都具有广泛应用前景。
目前各个高校都把教学质量放到要非常重要的位置，课堂教学环节是学生接受
系统教育最重要的一环，是提高教学水平的关键。有效的课堂考勤是创造良好
学习氛围，形成良好班风、学风及增强学生的组织性和纪律性的必要条件，所
以开发基于人脸识别的课堂签到系统有着实际的应用价值。近几年深度学习算
法的革命性发展,为新的人脸识别技术的发展带来了质的飞跃。本文以人脸识别
算法为基础，针对课堂考勤中学生身份认证的实际应用,设计完成适用高校的签

到系统。
基于人脸识别的课堂签到系统，主要是以人工智能算法为依托，通过设备
自带摄像头（或者教室视频监控）采集学生人脸，实现对人脸的检测与识别，
并将人脸的特征值提取出来并记录在数据库中，用于实现人脸重识别、身份认
证及签到。
二 涉及技术
为了实现主要目标，首先要解决的技术难点是人脸的检测以及识别问题，
其次是实现学生信息管理，这是本系统的技术难点，同时也是本系统的亮点。
主要涉及人工智能算法、人脸检测、人脸识别、特征提取、数据库管理、网络
技术、软件系统设计与开发等多学科多种技术的集成开发应用。
三 系统软件环境

1、开发语言：python，SQL；

2、OpenCV，MySQL；

3、开发工具 Navicat，Pycharm。

四 主要功能及分工建议

1、主要功能：

17
 （1）人脸检测及记录：通过摄像头（或者教室视频监控）捕捉用户人脸，

实现人脸检测。并将人脸进行拍照计预处理，用于算法的训练。

（2）人脸数据库设计：设计数据库，用于存储人脸特征值，以及相关人员

的信息。如学号，姓名，年龄，班级，专业等。并保存人脸模型和出勤日
志。

（3）训练人脸识别模型：设计算法，对人脸数据库中存储的人脸照片训练，

并存储相对应的人脸数据及人脸模型。

（4）设计实现 GUI 界面的人脸识别身份认证签到系统：设计 GUI 身份认证

界面，实现人脸检测、身份认证、人脸相似度和置信度阈值调节、签到及
报警功能。当人脸出现在摄像头前，界面显示人脸的名字等相关内容，记
录课堂出勤信息。若未能匹配数据库中存储的人脸特征值，则发出警告提
示。

2、分工建议：

三个同学完成，第一个同学完成功能（ 3），第二个同学完成功能（ 1）
（2），第三个同学完成（4）。
五 系统性能指标考核要点

1、人脸检测识别算法要求

（1）人脸识别准确率要求大于等于 90%；

（2）人脸检测及识别算法要求高效，小于 1s；

2、数据库设计要求
（1）各功能数据表的设计要符合创新中心的数据管理要求，并尽量避免空
字段的出现；
（2）合理设计标识，确保表中记录的唯一性；
（3）表名、字段名设计要符合数据库设计规范，命名要能反映实际数据内

18
涵。
3、界面设计要求
（1）界面简洁美观，布局要合理，不要过密集，也不可留白太多，颜色以
蓝白为主色调；
（2）合理设计错误提示，提示语要礼貌简明，可能引发严重后果的操作要
设计补救措施，如“信息修改/删除”要有提示并可撤消；
（3）各功能模块操作要既具有一致的风格，又要兼顾部分功能的特殊要求；

19
 九、基于特征学习的大脑疾病诊断系统的设计与实现

1 简介
近年来，很多研究基于大脑疾病诊断开展。目前大脑疾病的发病机制尚未
研究清楚，它影响着患者对世界的感知与互动。通过功能磁共振成像
(functional Magnetic Resonance Imaging, fMRI) 数据成像方式能对脑部疾病进行
有效的辅助诊断。该系统提出了一种新型的特征学习大脑功能连接网络特征的
模型，对大脑疾病患者基于 fMRI 影像计算的高阶大脑功能连接相关性特征进
行学习，以辅助诊断。
2 涉及技术
深度学习方法、机器学习方法、统计分析等。
3 系统软件环境
(1) 开发语言： Python、Matlab；
(2) 开发工具： SPM12、BRANT 等；
4 主要功能及分工建议
整个系统的功能框图，如图 1 所示。
Broad Learning System

Brain functional connectivity

AAL Template
Hyperbrain functional connectivity Autoencoder
fMRI

图1 系统功能框图
主要功能：
1、 基于 rs-rfMRI 数据构建脑网络；
2、 脑网络的特征表示学习；
3、 大脑疾病诊断模型实现；

20
 4、 对诊断结果的统计分析，定位致病脑区，分析大脑疾病的致病机理。
5 分工建议：
建议由 3-4 个同学协同完成，分别完成脑网络构建方法、大脑疾病诊断模
型的实现和对诊断结果的统计分析。
8 系统性能指标考核要点
（1）大脑疾病识别准确率要求大于等于 80%；（2）特征选择和分类算法
设计；（3）准确定位大脑疾病致病脑区；（4）设计完成基于 rs-fMRI 数据的
大脑疾病诊断系统，实现脑网络构建、分类和分析算法的接口。

21
 十、基于深度学习的金融市场分析

一、项目背景介绍

互伴随着近几十年以来科学技术水平的发展和进步，互联网已经成为了大
众生活中必不可少的一部分。在人们对互联网的需求日益增加的同时，不断进
步的互联网也在一直推动大众生产生活的发展。以大数据、云计算、人工智能、
区块链以及移动互联为引领的新的工业革命与科技革命，导致金融学科的边界、
研究范式不断被打破和被重构。
本轮科学技术的爆发导致金融行业传统发展模式受到颠覆性冲击的主要原
因有以下两方面：一方面是全球数据积累存量已达到引爆新一轮行业变革的规
模和水平，全球数据正以每年 40%左右的速度快速增长，2017 年全球的数据总
量为 21.6ZB（1 个 ZB 等于十万亿亿字节），金融数据在其中占比很高，此外金

融市场天然拥有海量标准化大数据，适合前沿科技落地生根。
另一方面是人工智能等前沿科技在算法、算力方面的使用，以及诸如
GPU、TPU 以及 NPU 等硬件技术的革命性突破，逐渐使已稳定 50 年之久的“摩

尔定律”迎来终结。科技深刻地改变了金融业态，并开始成为未来金融发展的
制高点。金融科技正在传统金融行业的各个领域积极布局，已然成为新的风口。
人工智能金融主要借用人工智能技术处理金融领域的问题，包括股票价格
预测、评估消费者行为和支付意愿、信用评分、智能投顾与聊天机器人、保险
业的承保与理赔、风险管理与压力测试、金融监管与识别监测等。人工智能技
术主要包括机器学习理论等前沿计算机科学知识，主要基于算法。机器学习理
论是人工智能概念范畴下的一个子集，主要覆盖三大理论：监督学习、无监督
学习和强化学习
在过去的十几年里，人工智能在金融领域已经成为学术界和金融业非常热
门的讨论话题。如今也已经有了许多研究已经发表，并且产生了各种各样的模
型。同时，作为机器学习(ML)领域的一个应用更为强大的分支，深度学习(DL)最

近也开始得到越来越多的关注，主要原因在于它比经典的机器学习模型的性能
更 好 、 泛 化 和 拟 合 能 力 更 强 。 目 前 DL 已 经 有 许 多 不 同 的 实 现 ， 如
22
MLP、CNN、LSTM 等，而且广泛的研究和拓展还在继续。金融是 DL 模型开始受

到关注的一个特殊领域，目前也有很多不错的理论和实际的研究成果。
2022 年 1 月 4 日，中国人民银行印发《金融科技发展规划（2022-2025

年）》（以下简称《规划》）。《规划》依据《中华人民共和国国民经济和社
会发展第十四个五年规划和 2035 年远景目标纲要》制定，提出新时期金融科技

发展指导意见，明确金融数字化转型的总体思路、发展目标、重点任务和实施
保障。
二、项目开发内容
本课题拟将 Deep Learning 与金融领域相结合，利用 Tensorflow 框架和相关

技术实现云计算平台的开发，主要研究内容包括以下几个方面：
首先，开发准备：
1. 准备开发环境，包括 Anaconda、Visual Studio Code 及其 Jupyter 插件、
Python、Tensorflow 等
2. 学习 Deep Learning 与金融相关知识
3. 获取历史股票金融市场数据
其次，进行模型训练预测，包括如下 7 个模块：
1. 使用 RNN 对股票市场进行以年为单位长期预测。
2. 使用 RNN 对股票市场进行以季度（3 个月）为单位中期预测
3. 使用 RNN 对股票市场进行以周为单位短中期预测
4. 使用 RNN 对股票市场进行以天为单位短期预测
5. 使用 RNN 对股票市场进行以小时为单位波动预测
6. 使用强化学习对股票市场进行预测
7. 使用 GAN 对股票市场进行预测
第三，开发人员需求：
1. 开发人员：4 人；
2. 基本分工:四人分别承担如下任务：
1）模块 1，协作模块 6、7
2）模块 2，3，协作模块 6、7
3）模块 4，协作模块 6、7
3）模块 5，协作模块 6、7
23
 3. 进度：
9 月份完成模块 1-5
10 月完成模块 6
11 月至本学期末完成模块 7

三、项目结项要求
实现如上功能，按照学院要求，提交实习文档。

参考文献：
[1]. Géron, Aurélien. Hands-on machine learning with Scikit-Learn, Keras, and

TensorFlow: Concepts, tools, and techniques to build intelligent systems. " O'Reilly

Media, Inc.", 2019.

[2]. Goodfellow, Ian, Yoshua Bengio, and Aaron Courville. Deep learning. MIT press,

2016.

[3]. Selvin, Sreelekshmy, et al. "Stock price prediction using LSTM, RNN and CNN-sliding

window model." 2017 international conference on advances in computing,

communications and informatics (icacci). IEEE, 2017.

[4]. Pawar, Kriti, Raj Srujan Jalem, and Vivek Tiwari. "Stock market price prediction using

LSTM RNN." Emerging trends in expert applications and security. Springer,

Singapore, 2019. 493-503.

[5]. Shin, Dong-Ha, Kwang-Ho Choi, and Chang-Bok Kim. "Deep learning model for

prediction rate improvement of stock price using RNN and LSTM." The Journal of

Korean Institute of Information Technology 15.10 (2017): 9-16.

[6]. Zhang, Ruixun, Zhaozheng Yuan, and Xiuli Shao. "A new combined CNN-RNN model

for sector stock price analysis." 2018 IEEE 42nd Annual Computer Software and

Applications Conference (COMPSAC). Vol. 2. IEEE, 2018.

[7]. Saud, Arjun Singh, and Subarna Shakya. "Analysis of look back period for stock price

prediction with RNN variants: A case study on banking sector of NEPSE." Procedia

Computer Science 167 (2020): 788-798.

[8]. Chen, Weiling, et al. "Leveraging social media news to predict stock index movement

24
 using RNN-boost." Data & Knowledge Engineering 118 (2018): 14-24.

[9]. Lee, Jae Won. "Stock price prediction using reinforcement learning." ISIE 2001. 2001

IEEE International Symposium on Industrial Electronics Proceedings (Cat. No.

01TH8570). Vol. 1. IEEE, 2001.

[10]. Xiong, Zhuoran, et al. "Practical deep reinforcement learning approach for stock

trading." arXiv preprint arXiv:1811.07522 (2018).

[11]. Wu, Xing, et al. "Adaptive stock trading strategies with deep reinforcement learning

methods." Information Sciences 538 (2020): 142-158.

[12]. Zhang, Kang, et al. "Stock market prediction based on generative adversarial

network." Procedia computer science 147 (2019): 400-406.

25
 十一、基于 OpenPAI 的云计算平台开发

一、项目背景介绍

互联网自从 1960 年诞生伊始，主要为军方和大型企业等地方提供服务。直

到 1990 年，才开始走进大众视野，实现普及。伴随着近几十年以来科学技术水

平的发展和进步，互联网已经成为了大众生活中必不可少的一部分。在人们对
互联网的需求日益增加的同时，不断进步的互联网也在一直推动大众生产生活
的发展。云计算的概念自从 2006 年在搜索引擎会议上被首次提出后，便迅速成

为了国外学术界及企业界的研究热点，俨然成为了互联网的第三次革命。
云计算从属于分布式计算，是一种基于互联网的计算方式。它可以通过网
络将体量很大的数据处理程序进行分解，将其分解成多个可以独立运行的小体
量的数据处理程序，然后再通过服务器组成的系统对其进行分析与再处理工作，
最后将这些小程序处理之后得到的结果进行整合并返回给用户。云计算将共享
给计算机和其他设备的计算机处理资源和数据按需交付给最终用户。云计算的
产生意味着用户可以不在局限于只使用自己的机器来进行访问与存储数据、运
行程序以及实现数据计算的工作，反之使得用户直接通过互联网实现上述任务。
它将用户的关注点集中在主要的任务上，避免用户耗费太多的基础设备资源。
云计算的核心是以互联网作为中心，将大量的计算资源集合起来实现资源
共享，通过统一自动化的管理，减少人的参与并使资源可以被快速提供给需要
服务的用户。此技术可以在网络上为用户提供一种快速并且安全的数据计算服
务，使大量的用户可以共享使用互联网上大量的计算资源和计算服务。
云计算作为一种可以带动网络行业发展并有可能引领各行业信息产业发展
的关键战略性技术和手段，在我国赢得了以互联网行业为主的多行业的广泛关
注[3]。云计算将计算能力和数据处理服务作为商品提供给用户使用，这一商业

模式的出现给整个社会带来了全新的发展。
用户可以通过云计算服务来减少自己在数据处理和数据计算方面的开发成
本，本身不需要投入过多的成本，但仍可以获得较高的计算能力和数据处理能
力，并且云计算服务是根据使用量来进行计费的，因此可以避免不必要的浪费。
26
此外，借助云计算的特性和互联网的集中发展机制，用户既可以不受地理位置
和设备限制的干扰，又可以通过多终端获得服务。在云计算中，数据的整体使
用方法中具有副本容错以及使用计算节点构成等特点，这些方法的使用可以保
证云计算服务系统更加安全可靠[4]。
随着人工智能和深度学习等技术的发展，各种深度学习框架逐渐被提出，
而云计算平台可以为深度学习或人工智能等发展提供算力和计算服务，可以使
用户更加方便的管理和处理任务的数据。为了提高学习效率，更好地让人工智
能快速落地，很多企业都很关注深度学习训练的平台化问题，为了解决这些问
题，微软亚洲研究院和微软亚洲工程院联合研发创建了 Open Platform for AI，大
规模人工智能集群管理平台 OpenPAI 就此诞生。
OpenPAI 支持多种深度学习、机器学习及大数据任务，可扩展支撑更多 AI
和大数据框架，可提供大规模 GPU 集群调度、集群监控、任务监控、分布式存储等功能，
可统筹集群资源调度与服务管理能力，兼容 AI 开发工具生态，实现了与 Visual
Studio Tools for AI 等开发工具的深度集成，用户可以一站式进行 AI 开发，让人

工智能堆栈变得简单、快速、可扩展。

二、项目开发内容
本课题拟将 OpenPAI 与云计算相结合，利用 OpenPAI 平台和相关技术实现云计算平台的开

发，主要研究内容包括以下几个方面：

首先，开发准备：
4. 部署 OpenPAI 平台，了解平台使用方法和开发方法，为后续使用和开发

做好基础。
5. 学习 Docker 和 Kubernetes 相关基础知识。
6. 部署一个或者多个虚拟集群，使虚拟集群可以满足使用需要。
7. 使用 React 和 JSX 按照要求进行平台开发，使其符合用户使用习惯。
8. 部署 Harbor 平台，建立团队共享以及私人的镜像仓库。
其次，开发功能，包括如下 10 个模块：
1. 用户管理，包括创建用户， 查询用户， 创建批量用户，编辑用户，虚

拟机群管理，编辑批量用户；
2. 任务管理，包括配置文件编辑器，提交单机任务，提交分布式任务；
27
 3. 资源监控，包括服务监控，任务监控，硬件监控；
4. 开发工具的支持，包括 ssh 远程连接，Jupyter、vscode 支持，web 在线

开发工具；
5. 任务模板，包括新建任务模板，新建数据模板，模板创建任务，共享模
板, 编辑模板;
6. 私有镜像仓库, 包括创建项目仓库, 上传镜像, 编辑镜像仓库, 共享镜像仓
库;
7. 存储管理, 包括新建存储,编辑存储，用户存储空间配额；
8. 数据上传，包括 web 在线上传，SCP 工具上传；
9. 数据标注，主要是自动数据标注；
10. 虚拟 GPU，主要是 vgpu 显存切分。
其中，模块 1-5 中，除模块 4 中 Jupyter、vscode 支持，web 在线开发工具外，

其他功能都已完成。

第三，开发人员需求：
4. 开发人员: 3 人；
5. 基本分工:三人分别承担如下任务： 1) 模块 4 中 Jupyter、vscode 支持，
web 在线开发工具，以及模块 6；2） 模块 7、8； 3） 模块 9、10.
6. 进度： 本学期完成。

三、项目结项要求
实现如上功能，按照学院要求，提交实习文档。

参考文献：

［1］曾平.国内云计算研究现状与未来[J].电脑与信息技术,2014,22(01):41-45.DOI:10.19414/

j.cnki. 1005-1228.2014.01.013

［ 2 ］ 龚 强 . 我 国 云 计 算 发 展 研 究 综 述 [J]. 信 息 技 术 ,2013,37(07):1-4.DOI:10.13274/

j.cnki.hdzj.2013.07.020.

［3］钟乐,刘勇．基于 GPU 云计算平台的关键技术研究[J]．价值工程,2021,040(005):237-

238

28
［4］路亚．云计算技术研究与应用分析[J]．环球慈善,2021,000(002):P.1-1

［5］张建,谢天钧.基于 Docker 的平台即服务架构研究[J].信息技术与信息化,2014(10):131-

134.

［6］李志盼. 基于 Docker 的分布式 Web 平台的研究与实现[D].上海师范大学,2018.

［7］吴龙辉. Kubernetes 实战[M]. 北京：电子工业出版社，2016.5.

［8］ 龚正.Kubernetes 权威指南：从 Docker 到 Kubernetes 实践全接触[M]. 北京：电子工业

出版社，2016.10.

［9］理解 Kubernetes 核心概念[J].电脑编程技巧与维护,2016(03):4.

［10］胡晓亮. 基于 Kubernetes 的容器云平台设计与实现[D].西安电子科技大学, 2019.DOI:

10.27389/ d.cnki.gxadu.2019.001007.

29
 十二、基于深度学习的跌倒检测系统设计

1 简介
随着社会老龄化问题的日益严重，针对老年人的健康安全监护问题的需求
也日益增加。老人跌倒没有被人发现往往会有不可想象的后果，为了解决这个
问题，我们需要开发一个跌倒检测系统，使得当有人跌倒在无人地带时能够发
出警告。跌倒检测系统就是能即时有效的检测出老人跌倒事件的发生并及时报
警。伴随着人工智能的火热，深度学习也成为目前学术焦点问题之一，其对于
图像的检测和分类都有明显良好效果。将深度学习的方法去用于跌倒检测更是
目前流行的问题。

本系统主要是用深度学习的方法去检测图片中的人是否跌倒，同学们可以
用现有的网络去训练自己的模型，当然也可以自己去创新网络写出自己得算法，
并测试自己网络的准确性，及模型的复杂度，如果能测试出跌倒人的位置就更
好了。
2 涉及技术
本系统设计应用开发技术，需要学生熟悉 python 开发平台及相应的开发软
件，以及深度学习的框架及 GPU 的调用。
3 系统环境
1. 开发工具 ：python
2. 开发软件：pycharm（建议）
3. 深度学习框架：pytorch 或者 tensorflow
4. GPU 环境：CUDA 10.0 cuDNN 7.61
5. 硬件需求：电脑最好有 NVIDIA 显卡，否则无法安装 CUDA，训练非常
慢
6. 版本不做强烈要求，适合自己电脑即可
4 主要功能及分工建议
1.主要功能模块

30
 数据集模块：主要是数据集的制作，标签的生成及如何加载数据集
训练模块：加载数据集，并通过自己的网络模型训练网络，得到权重包。
测试模块：测试的目的主要是检测模型的 AP（准确率(accuracy)、精确率
(Precision)、召回率(Recall)），及自己模型的复杂度。
报警模块：如果检测出有人跌倒系统会发出警告

2.全体学生分工建议：
由于深度学习网络的多样化，建议所有小组（包括组内成员）不要用相同
的网络模型，有的小组可以注重检测的精度；有的小组可使用一些轻量级网络，
可适当降低精度，从而保证模型的复杂度不要太高（模型参数小）。
3.小组内部分工建议：
三个同学完成，两名同学各重点实现一种跌倒检测模型算法，一名同学重
点完成系统的实现与展示，数据集的整理及标注。

5 系统性能指标考核要点
（1） 时间要求
平均耗时小于 200ms
（2）精度要求

1.检出率在 90%以上，误检率在 5%以下

2.不能重复报警

3.检测算法对光照、阴影等外界因素具有较强的鲁棒性。

（3）能够设计针对性的解决方案，设计满足特定需求的系统并能在设计环节

体现创新意识，考虑社会、健康、安全、文化、法律及环境等因素。

6.计算细则

31
 M1
1. 检出率 = ×100 % ，针对某一具体类别按框计算，计算公式如下：其中，T
T
为验证图片中标注为目标类标签总个数； M1 为实际检测出来且正确的目标类标
签总个数。
M 2−M 1
2. 误检率= ，针对某一具体类别按框计算，计算公式如下,其中，M2 为实
M2
际检测出来的目标类缺陷标签总个数 （含正确识别和错误识别）；M1 为实际检
测出来且正确 的目标类缺陷标签总个数
3. AP 值为准确率-召回率曲线面积，按 VOC 标准计算。应在满足 IoU≥0.5 的条件下
进行 AP 值计算。其中 IoU 为识别框与标注框的重合度指标。
4. 平均耗时为识别总时间与图片数的比值。
7.图片样例

32