目标： 通过可视化界面，利用ChatGPT4和BERT模型对文档作者进行自动化的身份认证辅助。

内容： 设计开发了AAGB模型，通过GPT-4API分析上传文档，生成与文档内容相关的5个验证问题及标准答案（如文章结构、关键创新点、实验数据等）。 并使用BERT模块计算用户回答与标准答案的语义相似度。通过问卷收集的100份测试样本，对AAGB模型进行微调和测试。 为保证用户可用性，设计了基于Streamlit搭建交互式网页，支持文档上传、问题回答、结果查询及管理员审核功能。 安全措施：对交互端网页增加了一系列的安全措施，用户密码采用SHA-256加盐哈希存储，防止泄露。

安全措施： 使用SQLmap，Nmap等测试程序进行注入测试，未发现漏洞（风险等级：0）

结果： AAGB系统在作者身份验证任务中展现了潜力，相似度评分阈值为0.6时F1达70.66%，用户易用性与安全性评分均超80%。 尽管存在分类偏差与数据依赖问题，其结合GPT与BERT的混合方法为自动化审核提供了可行框架，未来通过数据增强与算法优化可进一步提升实用性。

目标： 通过对比深度强化学习（DQN）与进化算法（GA）在OpenAI Gym任务中的性能，探索两者在复杂环境中的适应性与互补性， 并设计融合算法（GADQN）以结合两者的优势，解决单一算法的局限性（如DQN易陷局部最优、GA训练效率低）。

内容： 构建了以下三种算法(其中GANN和GADQN为创新算法)， DQN：采用深度Q网络处理高维输入（如图像），通过经验回放与目标网络提升稳定性，适用于Atari游戏（如Alien、Pong）。 GANN：基于遗传算法优化神经网络（GA+CNN），通过种群进化策略快速探索环境，适用于复杂控制任务（如CartPole、Acrobot）。GADQN融合算法： 将DQN作为遗传算法个体，结合经验池与进化策略，利用GA的全局搜索能力优化DQN网络参数，减少局部最优风险。 选择了AiGym中部分游戏作为训练环境。通过算法与环境的交互记录奖励、状态转移和策略更新。参 数调优：DQN学习率γ（0.7-0.9）、GA种群规模（6-10个体）、目标网络更新频率（C=10）。

结果： 游戏分数表明，时间效率指标中，GANN训练时间比DQN快30%，DQN因复杂状态空间需更长时间收敛。 融合算法GADQN验证了进化策略与强化学习的互补性，在Acrobot任务中奖励提升40%。 未来通过算法优化与计算资源整合，可进一步推动两类方法的协同应用，为自动化控制与游戏AI提供更高效的解决方案。

目标： 基于统计机器学习（CRF、SVM 等）与深度学习（BERT 微调）的方法，对比不同模型在CoNLL2003 数据集上的表现。

内容： 在命名实体识别（NER）项目中，完成了数据预处理、特征工程与模型训练，针对OOV、新实体及歧义性问题设计了解决方案。 通过对比统计机器学习方法（CRF、SVM）与深度学习方法（BERT 微调），验证不同模型在实际场景下的适用性。

结果： 在CoNLL2003 数据集上，深度学习模型F1 值达到93.9，较传统方法（82.57–87.24）提升6–11%，有效提高了命名实体识别的准确率与泛化能力。 同时，结合计算资源与场景需求，总结了深度学习在大规模数据下的性能优势与统计方法在低资源环境中的高效性，为后续NLP模型优化和部署提供了参考。

目标： 构建视觉卷积模型并实现人脸关键点检测与对齐。

内容： 在计算机视觉项目中，基于Python + TensorFlow 构建CNN 模型实现人脸关键点检测与对齐， 并结合OpenCV对检测到的眼睛和嘴部区域进行颜色变化。 项目中完成了数据预处理（图像缩放、灰度化）、模型设计（卷积层32–512 核心、池化层、Dropout、全连接层）、训练调优（Adam 优化器+ MSE 损失函数，Batch=20，Epoch=2000）。

结果： 最终模型在人脸关键点检测上达到93% 准确率、MSE Loss≈12像素2，能够准确生成眼睛区域掩码并进行颜色替换。 同时分析并改进了嘴部掩码存在的偏移问题，提出通过增加特征点和权重优化的改进方案。

目标： 搭建3D-Unet模型并使用BraTS2020公开脑部MRI数据进行训练，以识别并分割MRI多模态的3D脑部图像肿瘤区域。

内容： 使用Python进行医学图像分割工作，以脑部肿瘤MRI图像为对象，利用多模态数据（Flair、T1、T1ce、T2）训练模型，以处理四类脑肿瘤区域（水肿、增强肿瘤、非增强肿瘤和坏死）。 在数据预处理阶段进行了标准化、切片采样、类别平衡等处理，并采用Dice Loss 以缓解类别不均衡问题。 在模型构建方面，基于PyTorch 实现3D U-Net 结构，包含3层编码器与解码器、跨层特征拼接（skip connection）以及3D 卷积操作，其中每层由2个卷积层+归一层+激活层实现。 通过下采样使模型理解模态图像中的肿瘤特征，并通过上采样恢复肿瘤空间细节，以做到通过四个模态图像切分肿瘤的区域。

结果： 最终模型在验证集上取得81.6% 的Dice Score，能够成功分割数据集中92%的图像。 相较于常规基线模型有明显提升，证明了该方法在医学影像自动分割中的有效性和实用价值。 通过本项目，积累了深度学习在医学图像领域的数据处理、模型搭建与训练优化的完整经验。

目标： 构建一个高性能的自然语言处理（NLP）模型，对大规模英文电影评论进行二分类情感分析（积极/消极）。 并探索将分类范围扩展到细粒度情绪（如喜悦、愤怒、悲伤等）的可行性，以提升情感识别的深度和准确性。

内容： 采用 IMDB Large Movie Review Dataset（包含 50,000 条高度极性的英文影评）作为训练数据，确保模型的泛化能力。 进行了文本清洗、标准化、去除停用词等操作。利用 NLTK 库对英文文本进行分词（Tokenization）。 使用预训练的 Word Embeddings（Word2Vec） 将单词映射为高维稠密向量，捕获词汇间的语义信息。 实现了文本卷积神经网络 (TextCNN) 结构，用于捕获评论中的长距离依赖和局部语义特征。 研究了通过外部情感词典或模型映射，将二分类结果细化至多类别情绪（喜悦、愤怒、悲伤），增强了模型的情感识别层次。

结果： 经过超参数调优（lr、batch-size等），最终TextCNN模型在测试集上实现了高达 95.7% 的二分类准确率（Accuracy），性能优于传统 SVM/朴素贝叶斯基线模型。 验证了词嵌入和深度学习模型在捕获长篇影评中的语义极性和上下文信息方面的有效性。 成功完成了从大规模非结构化文本数据到高性能情感分类模型的完整 NLP 流程，展示了对深度学习框架的熟练应用。