# 自动驾驶中的物体检测示例（概念代码）importcv2importnumpyasnpdefdetect_objects(image):"""检测图像中的物体（车辆、行人、交通标志等）"""# 1. 预处理图像processed_image=preprocess_image(image)# 2. 使用训练好的深度学习模型检测物体# 这里使用预训练的 YOLO 模型作为示例boxes,classes,scores=yolo_model.detect(processed_image)# 3. 过滤低置信度的检测结果valid_detections=filter_detections(boxes,classes,scores)# 4. 在图像上绘制检测结果result_image=draw_detections(image,valid_detections)returnresult_image,valid_detections# 实际应用中，这只是整个自动驾驶系统的一个组件# 还需要结合传感器融合、路径规划等多个模块

# 智能助手的工作流程（简化示例）importspeech_recognitionassrfromtextblobimportTextBlobclassSmartAssistant:def__init__(self):self.recognizer=sr.Recognizer()deflisten_and_respond(self):"""监听用户语音并回应"""withsr.Microphone()assource:print("正在聆听...")audio=self.recognizer.listen(source)try:# 1. 语音识别text=self.recognizer.recognize_google(audio,language='zh-CN')print(f"用户说：{text}")# 2. 意图理解intent=self.understand_intent(text)# 3. 生成回应response=self.generate_response(intent,text)print(f"助手回应：{response}")returnresponseexceptsr.UnknownValueError:return"抱歉，我没有听清楚，请再说一次"defunderstand_intent(self,text):"""理解用户意图"""# 简化的意图识别if"天气"intext:return"weather"elif"时间"intext:return"time"elif"笑话"intext:return"joke"else:return"unknown"defgenerate_response(self,intent,text):"""根据意图生成回应"""ifintent=="weather":return"今天晴天，温度25度"elifintent=="time":fromdatetimeimportdatetimereturnf"现在时间是{datetime.now().strftime('%H:%M')}"elifintent=="joke":return"为什么程序员喜欢黑夜？因为没有 bug！"else:return"抱歉，我还在学习中，无法理解这个问题"# 使用示例assistant=SmartAssistant()# assistant.listen_and_respond()  # 实际运行时取消注释

# 情感分析示例fromtextblobimportTextBlobimportjiebadefanalyze_sentiment_chinese(text):"""中文情感分析示例"""# 使用 jieba 分词words=jieba.cut(text)word_list=" ".join(words)# 这里简化处理，实际应用中需要专门的中文情感分析模型# 可以使用 SnowNLP、BERT-Chinese 等库# 模拟情感分析结果positive_words=["好","棒","喜欢","满意","推荐"]negative_words=["差","坏","讨厌","失望","不推荐"]pos_count=sum(1forwordinpositive_wordsifwordintext)neg_count=sum(1forwordinnegative_wordsifwordintext)ifpos_count>neg_count:return"正面情感"elifneg_count>pos_count:return"负面情感"else:return"中性情感"# 测试示例reviews=["这个产品真的很棒，我非常喜欢！","质量太差了，完全不值得购买。","还可以，没什么特别的。"]forreviewinreviews:sentiment=analyze_sentiment_chinese(review)print(f"评论：{review}")print(f"情感：{sentiment}")print("---")

# 简单的协同过滤推荐示例importnumpyasnp# 用户-商品评分矩阵（行是用户，列是商品）ratings=np.array([[5,3,0,1],# 用户1对商品1、2、4的评分[4,0,0,1],# 用户2对商品1、4的评分[1,1,0,5],# 用户3对商品1、2、4的评分[1,0,0,4],# 用户4对商品1、4的评分[0,1,5,4],# 用户5对商品2、3、4的评分])defuser_similarity(user1,user2):"""计算两个用户的相似度（余弦相似度）"""# 找到两个用户都评分的商品common_items=np.where((user1>0)&(user2>0))[0]iflen(common_items)==0:return0# 计算余弦相似度user1_ratings=user1[common_items]user2_ratings=user2[common_items]dot_product=np.dot(user1_ratings,user2_ratings)norm1=np.linalg.norm(user1_ratings)norm2=np.linalg.norm(user2_ratings)ifnorm1==0ornorm2==0:return0returndot_product /(norm1 * norm2)defrecommend_items(user_id,ratings_matrix,k=2):"""为指定用户推荐商品"""user_ratings=ratings_matrix[user_id]# 计算该用户与其他用户的相似度similarities=[]fori,other_userinenumerate(ratings_matrix):ifi!=user_id:sim=user_similarity(user_ratings,other_user)similarities.append((i,sim))# 按相似度排序similarities.sort(key=lambdax: x[1],reverse=True)# 找到用户未评分的商品unrated_items=np.where(user_ratings==0)[0]# 预测用户对未评分商品的评分predictions=[]foritem_idinunrated_items:weighted_sum=0similarity_sum=0forsimilar_user_id,similarityinsimilarities[:k]:ifsimilarity>0andratings_matrix[similar_user_id][item_id]>0:weighted_sum +=similarity * ratings_matrix[similar_user_id][item_id]similarity_sum +=similarityifsimilarity_sum>0:predicted_rating=weighted_sum / similarity_sumpredictions.append((item_id,predicted_rating))# 按预测评分排序predictions.sort(key=lambdax: x[1],reverse=True)returnpredictions[:3]# 返回前3个推荐# 为用户0推荐商品user_id=0recommendations=recommend_items(user_id,ratings)print(f"为用户{user_id}推荐的商品：")foritem_id,predicted_ratinginrecommendations:print(f"商品{item_id + 1}，预测评分：{predicted_rating:.2f}")

# 简单的欺诈检测示例importnumpyasnpfromsklearn.ensembleimportRandomForestClassifierfromsklearn.model_selectionimporttrain_test_split# 模拟交易数据# 特征：交易金额、交易时间、商户类型、地点等# 标签：0=正常，1=欺诈np.random.seed(42)# 生成模拟数据n_samples=1000n_features=4# 正常交易normal_transactions=np.random.normal(loc=[100,14,2,3],scale=[50,4,1,1],size=(int(n_samples *0.95),n_features))# 欺诈交易（通常金额异常、时间异常等）fraud_transactions=np.random.normal(loc=[500,3,4,1],scale=[200,2,1,0.5],size=(int(n_samples *0.05),n_features))# 合并数据并添加标签X=np.vstack([normal_transactions,fraud_transactions])y=np.hstack([np.zeros(len(normal_transactions)),np.ones(len(fraud_transactions))])# 划分训练集和测试集X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=42)# 训练随机森林模型model=RandomForestClassifier(n_estimators=100,random_state=42)model.fit(X_train,y_train)# 评估模型accuracy=model.score(X_test,y_test)print(f"模型准确率：{accuracy:.2f}")# 预测新交易new_transaction=np.array([[450,2,4,1]])# 异常交易fraud_probability=model.predict_proba(new_transaction)[0][1]print(f"新交易是欺诈的概率：{fraud_probability:.2f}")iffraud_probability>0.5:print("警告：检测到可疑交易！")else:print("交易正常。")

# 简单的异常检测示例importnumpyasnpfromsklearn.ensembleimportIsolationForestimportmatplotlib.pyplotasplt# 模拟传感器数据（正常数据 + 少量异常）np.random.seed(42)# 正常数据：设备正常运行时的传感器读数normal_data=np.random.normal(loc=10,scale=1,size=(200,2))# 异常数据：设备故障时的传感器读数anomaly_data=np.random.normal(loc=[15,5],scale=[1,1],size=(10,2))# 合并数据all_data=np.vstack([normal_data,anomaly_data])# 使用孤立森林进行异常检测model=IsolationForest(contamination=0.05,random_state=42)predictions=model.fit_predict(all_data)# 可视化结果plt.figure(figsize=(10,6))normal_points=all_data[predictions==1]anomaly_points=all_data[predictions==-1]plt.scatter(normal_points[:,0],normal_points[:,1],c='blue',label='正常数据')plt.scatter(anomaly_points[:,0],anomaly_points[:,1],c='red',label='异常数据')plt.xlabel('传感器1读数')plt.ylabel('传感器2读数')plt.title('设备运行状态异常检测')plt.legend()plt.grid(True)plt.show()print(f"检测到 {len(anomaly_points)} 个异常点")