人工智能技术应用发展报告手册_第1页
人工智能技术应用发展报告手册_第2页
人工智能技术应用发展报告手册_第3页
人工智能技术应用发展报告手册_第4页
人工智能技术应用发展报告手册_第5页
已阅读5页,还剩11页未读 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

人工智能技术应用发展报告手册TOC\o"1-2"\h\u6022第一章绪论 3234111.1人工智能技术概述 345711.2报告研究目的与意义 39548第二章人工智能技术发展历程 3203382.1人工智能技术的起源与发展阶段 4190092.1.1起源阶段(20世纪50年代) 4148472.1.2摸索阶段(20世纪60年代70年代) 498492.1.3发展阶段(20世纪80年代90年代) 4228772.1.4机器学习阶段(21世纪初至今) 454802.2我国人工智能技术发展概况 4271602.2.1政策支持 4319412.2.2研究机构与人才培养 4207272.2.3技术创新与应用 5134122.2.4产业生态建设 57170第三章人工智能技术核心原理 5229523.1机器学习原理 511863.1.1学习策略 5214113.1.2模型评估 5173483.1.3模型优化 5136023.2深度学习原理 5205293.2.1神经网络结构 6215623.2.2激活函数 683053.2.3反向传播算法 6274023.3自然语言处理原理 653603.3.1词向量表示 6296553.3.2语法分析 651963.3.3语义理解 617060第四章人工智能技术在计算机视觉领域的应用 6294134.1图像识别技术 6125344.2目标检测技术 7184794.3视频分析技术 75233第五章人工智能技术在语音识别领域的应用 8100705.1语音识别技术原理 8162165.2语音合成技术 877265.3语音识别在实际场景中的应用 9587第六章人工智能技术在自然语言处理领域的应用 9134526.1文本分类与情感分析 983696.2机器翻译技术 10141996.3问答系统与对话 1030129第七章人工智能技术在智能领域的应用 11140387.1工业 11137307.1.1概述 1144767.1.2技术特点 11226237.1.3应用案例 1127687.2服务业 11232707.2.1概述 11323417.2.2技术特点 11151377.2.3应用案例 12104687.3特种 12263207.3.1概述 12318397.3.2技术特点 12242987.3.3应用案例 1223058第八章人工智能技术在自动驾驶领域的应用 1269018.1自动驾驶技术原理 12125868.2感知与决策系统 13215368.3自动驾驶车辆的安全与法规 1310733第九章人工智能技术在医疗健康领域的应用 13241029.1医疗影像诊断 1329629.1.1影像识别与分析 1392759.1.2影像数据挖掘 13148229.1.3影像诊断辅助 14211539.2基因组数据分析 14207799.2.1基因突变识别 14147349.2.2基因表达分析 14229899.2.3基因调控网络建模 1473039.3智能医疗辅助系统 1468839.3.1电子病历管理 14310769.3.2病理诊断辅助 1424539.3.3智能问答与咨询服务 1527793第十章人工智能技术发展趋势与挑战 15125010.1人工智能技术发展趋势 151748710.1.1模型与算法的优化与创新 151852010.1.2跨领域融合与协同发展 15895910.1.3人工智能伦理与法规的关注 15555710.2人工智能技术面临的挑战 152066910.2.1数据隐私与安全 152165810.2.2算法偏见与歧视 15789010.2.3人工智能伦理与法规约束 15836410.3未来发展展望与建议 16506810.3.1加强技术创新,提高核心竞争力 161685010.3.2完善产业链,推动产业协同发展 16338710.3.3强化伦理法规约束,保障人工智能健康发展 161011210.3.4深化国际合作,共享发展成果 16第一章绪论1.1人工智能技术概述人工智能技术(ArtificialIntelligence,)是指通过计算机程序或机器模拟人类智能行为的技术。自20世纪50年代以来,人工智能技术经历了从理论摸索到实际应用的转变,逐步成为计算机科学、控制论、神经科学等多个学科的交叉领域。人工智能技术主要包括机器学习、深度学习、自然语言处理、计算机视觉、技术等方面。人工智能技术在我国的发展历程可概括为三个阶段:第一阶段,20世纪80年代至90年代,以专家系统为代表的知识工程阶段;第二阶段,21世纪初至2010年,以统计学习为代表的机器学习阶段;第三阶段,2010年至今,以深度学习为代表的新一代人工智能技术阶段。1.2报告研究目的与意义本报告旨在梳理人工智能技术的发展脉络,分析当前人工智能技术的应用现状,探讨未来发展趋势,以及为我国人工智能产业的发展提供政策建议。研究目的:(1)系统梳理人工智能技术的发展历程,总结经验教训,为未来研究提供理论依据。(2)分析人工智能技术在各领域的应用现状,为产业界和部门提供决策参考。(3)探讨人工智能技术的发展趋势,为我国人工智能产业的战略布局提供支持。研究意义:(1)有助于提高我国人工智能技术的研发水平,推动产业升级。(2)为部门制定相关政策提供理论依据,促进我国人工智能产业的健康发展。(3)为产业界提供市场趋势和发展方向,助力企业抓住市场机遇。(4)为社会各界普及人工智能知识,提高全民科技素养。第二章人工智能技术发展历程2.1人工智能技术的起源与发展阶段人工智能(ArtificialIntelligence,)作为计算机科学领域的一个重要分支,起源于20世纪50年代。以下是人工智能技术的发展阶段概述:2.1.1起源阶段(20世纪50年代)人工智能的概念最早可以追溯到古希腊神话中的自动机械人。但是现代人工智能的起源可以追溯到20世纪50年代,当时计算机科学家们开始摸索如何使计算机具备人类的智能。1956年,在美国达特茅斯会议上,人工智能一词被首次提出,标志着人工智能学科的诞生。2.1.2摸索阶段(20世纪60年代70年代)在这一阶段,人工智能研究主要集中在基于逻辑的符号操作和搜索算法。研究人员试图通过编程使计算机能够解决特定问题,如定理证明、棋类游戏等。但是由于计算能力的限制和算法的复杂性,这一阶段的研究并未取得显著成果。2.1.3发展阶段(20世纪80年代90年代)计算机技术的快速发展,人工智能研究开始转向基于规则的专家系统。专家系统是一种模拟人类专家解决问题能力的计算机程序,能够处理大量领域知识。在这一阶段,人工智能技术逐渐应用于实际领域,如医疗诊断、金融分析等。2.1.4机器学习阶段(21世纪初至今)21世纪初,机器学习成为人工智能领域的研究热点。机器学习是一种使计算机能够从数据中自动学习的方法,无需人类编写具体的规则。大数据和计算能力的提升,机器学习在图像识别、自然语言处理等领域取得了显著成果。2.2我国人工智能技术发展概况我国人工智能技术发展始于20世纪70年代,经历了从引进、学习到自主创新的历程。以下是近年来我国人工智能技术发展的概况:2.2.1政策支持我国高度重视人工智能产业发展,出台了一系列政策支持措施。2017年,我国发布了《新一代人工智能发展规划》,明确了人工智能发展的战略目标、重点任务和保障措施。2.2.2研究机构与人才培养我国拥有众多知名的人工智能研究机构,如中国科学院、清华大学、北京大学等。我国还积极培养人工智能人才,开设相关课程,提高人才培养质量。2.2.3技术创新与应用我国在人工智能领域取得了一系列技术创新,如深度学习、计算机视觉、自然语言处理等。同时人工智能技术在医疗、金融、教育、交通等领域得到了广泛应用。2.2.4产业生态建设我国人工智能产业生态逐渐完善,涌现出一批具有国际竞争力的企业,如巴巴、腾讯、百度等。这些企业不仅在技术研究和应用方面取得了显著成果,还在全球范围内进行投资和布局。第三章人工智能技术核心原理3.1机器学习原理机器学习作为人工智能的重要分支,其核心原理在于通过算法使计算机从数据中学习,从而实现自我改进和智能决策。以下是机器学习的基本原理:3.1.1学习策略学习策略是机器学习的基础,它包括监督学习、无监督学习、半监督学习和强化学习等。监督学习通过输入数据和对应的标签进行学习,使模型能够预测新的输入数据对应的标签;无监督学习则是在无标签的数据中寻找规律和模式;半监督学习结合了监督学习和无监督学习的方法;强化学习则是通过与环境的交互,学习最优策略。3.1.2模型评估模型评估是衡量机器学习模型功能的重要环节。常用的评估指标包括准确率、召回率、F1值等。通过对模型进行评估,可以判断模型的泛化能力,优化模型结构,提高预测功能。3.1.3模型优化模型优化是机器学习过程中的关键步骤。常用的优化方法包括梯度下降、牛顿法、拟牛顿法等。优化目标是最小化损失函数,从而提高模型的预测精度。3.2深度学习原理深度学习是机器学习的一个子领域,其核心原理在于利用深层神经网络进行特征学习和表示学习。以下是深度学习的基本原理:3.2.1神经网络结构神经网络是深度学习的基础结构,包括输入层、隐藏层和输出层。通过多层神经网络的组合,可以实现复杂的函数映射。常见的神经网络结构有全连接神经网络、卷积神经网络(CNN)、循环神经网络(RNN)等。3.2.2激活函数激活函数用于引入非线性因素,使神经网络能够学习复杂的函数。常用的激活函数包括Sigmoid、ReLU、Tanh等。激活函数的选择对模型的功能有重要影响。3.2.3反向传播算法反向传播算法是深度学习中的核心算法,用于计算损失函数关于模型参数的梯度。通过梯度下降方法,可以优化模型参数,提高模型的预测功能。3.3自然语言处理原理自然语言处理(NLP)是人工智能在自然语言领域的重要应用,其核心原理包括词向量表示、语法分析、语义理解等。3.3.1词向量表示词向量是将词汇映射到高维空间的表示方法。常用的词向量模型包括Word2Vec、GloVe等。词向量表示能够捕捉词汇的语义信息,为后续的NLP任务提供基础。3.3.2语法分析语法分析是NLP的重要任务之一,其目的是分析句子的语法结构。常见的语法分析方法包括基于规则的方法、基于统计的方法和深度学习方法。通过语法分析,可以获取句子的句法树,为语义理解提供支持。3.3.3语义理解语义理解是NLP的核心任务,其目的是从文本中提取出有用的语义信息。常见的语义理解任务包括命名实体识别、关系抽取、情感分析等。语义理解方法包括基于规则的方法、基于统计的方法和深度学习方法。通过语义理解,可以实现文本的深度挖掘和知识获取。第四章人工智能技术在计算机视觉领域的应用4.1图像识别技术图像识别技术是计算机视觉领域的基础技术之一,其主要任务是对输入的图像进行特征提取和分类识别。人工智能技术的快速发展,图像识别技术取得了显著的成果。目前图像识别技术在诸多领域得到了广泛应用,如人脸识别、车牌识别、医学影像识别等。图像识别技术的主要方法包括基于传统机器学习的方法和基于深度学习的方法。传统机器学习方法主要包括支持向量机(SVM)、K最近邻(KNN)等,而深度学习方法主要包括卷积神经网络(CNN)、循环神经网络(RNN)等。深度学习方法在图像识别领域取得了较好的功能,特别是在大规模数据集上。4.2目标检测技术目标检测技术是在图像中检测出特定目标的位置和范围。目标检测技术在计算机视觉领域具有广泛的应用,如无人驾驶、视频监控、无人机等。目标检测技术可以分为两大类:一类是基于传统机器学习的方法,另一类是基于深度学习的方法。基于传统机器学习的方法主要包括滑动窗口法和基于特征的方法。滑动窗口法通过对图像进行不同尺度的窗口滑动,提取窗口内的特征,然后利用分类器进行目标检测。基于特征的方法则是先提取图像的局部特征,然后利用这些特征进行目标检测。基于深度学习的方法主要包括区域卷积神经网络(RCNN)、快速区域卷积神经网络(FastRCNN)、基于区域的全卷积神经网络(FasterRCNN)等。这些方法在目标检测任务中取得了较好的功能,尤其是FasterRCNN,其检测速度和准确率都较高。4.3视频分析技术视频分析技术是对视频数据进行分析和处理,提取有用信息的技术。视频分析技术在安全监控、无人驾驶、智能家居等领域具有重要应用。视频分析技术主要包括以下三个方面:目标跟踪、行为识别和视频语义理解。目标跟踪是对视频中运动目标的位置进行实时跟踪。传统方法有基于光流法、均值漂移法等,而基于深度学习的方法如相关滤波器、基于Siamese网络的方法等在目标跟踪任务中取得了较好的功能。行为识别是对视频中目标的行为进行分类和识别。传统方法主要基于手工特征提取和机器学习分类器,而基于深度学习的方法如卷积神经网络(CNN)、循环神经网络(RNN)等在行为识别任务中取得了显著的效果。视频语义理解是对视频内容进行高层次的理解,包括场景分类、情感分析等。基于深度学习的方法如卷积神经网络(CNN)、循环神经网络(RNN)等在视频语义理解任务中取得了较好的功能。多模态融合方法也在此领域得到了广泛应用,如将音频、文本等多模态信息与视频数据进行融合,提高视频语义理解的准确率。第五章人工智能技术在语音识别领域的应用5.1语音识别技术原理语音识别技术作为人工智能领域的一个重要分支,其核心目标是将人类的语音信号转换为相应的文本信息。语音识别技术原理主要包括声学模型、和解码器三部分。声学模型负责将输入的语音信号转换为声学特征,再通过深度学习等方法训练得到声学模型的参数。声学模型的好坏直接影响到语音识别的准确性。目前常用的声学模型有隐马尔可夫模型(HMM)、深度神经网络(DNN)和卷积神经网络(CNN)等。用于评估一段文本序列的概率,以便在解码过程中选择最有可能的文本。通常采用统计算法,如Ngram模型,或者使用深度学习方法,如循环神经网络(RNN)和长短时记忆网络(LSTM)等。解码器则是将声学模型和结合起来,通过动态规划等算法寻找最有可能的文本序列。目前常用的解码器有维特比算法、深度学习解码器和注意力机制解码器等。5.2语音合成技术语音合成技术是将文本信息转换为自然流畅的语音输出的过程。语音合成技术主要包括文本分析、音素转换、声学模型和波形合成四部分。文本分析阶段,系统将输入的文本进行分词、词性标注等处理,提取出文本的基本单元。音素转换阶段,将文本中的汉字转换为对应的音素序列。声学模型用于将音素序列转换为声学特征,而波形合成阶段则是将声学特征转换为波形信号。目前语音合成技术已取得显著的进展,涌现出许多优秀的合成引擎,如基于拼接合成、参数合成和深度学习合成等。5.3语音识别在实际场景中的应用人工智能技术的发展,语音识别技术已广泛应用于各个领域,以下列举几个典型的应用场景:(1)智能:智能如Siri、小爱同学等,通过语音识别技术实现与用户的交互,提供便捷的服务。(2)语音输入法:语音输入法可以将用户的语音转换为文本,提高输入速度,降低输入成本。(3)远程会议:利用语音识别技术实现会议内容的实时转录,方便参会者查阅和回顾。(4)汽车语音控制系统:通过语音识别技术,实现汽车内部功能的语音控制,提高驾驶安全性。(5)医疗领域:语音识别技术可以用于医疗病历的转录,减轻医生的工作负担。(6)教育领域:利用语音识别技术,可以实现语音评测、语音翻译等功能,提高教学质量。(7)金融领域:语音识别技术在金融领域的应用包括智能客服、语音支付等,提升金融服务体验。(8)家居领域:智能家居系统通过语音识别技术实现与用户的交互,提供便捷的家居服务。语音识别技术在实际场景中的应用已日益广泛,为人们的生活和工作带来了诸多便利。技术的不断进步,未来语音识别技术将更好地服务于人类社会。第六章人工智能技术在自然语言处理领域的应用6.1文本分类与情感分析互联网的快速发展,文本信息呈现出爆炸式增长,如何高效地对文本进行分类与情感分析成为自然语言处理领域的一项重要研究内容。人工智能技术的应用使得文本分类与情感分析取得了显著进展。文本分类是指将文本按照预先设定的类别进行划分,以实现对大量文本的快速处理。目前常见的文本分类方法有朴素贝叶斯、支持向量机、决策树等。人工智能技术在文本分类领域的应用主要包括深度学习模型,如卷积神经网络(CNN)、循环神经网络(RNN)以及长短时记忆网络(LSTM)等。这些模型通过学习文本的向量表示,实现对文本的自动分类。情感分析是指对文本中的情感倾向进行判断,包括正面、负面、中性等。人工智能技术在情感分析领域的应用同样取得了显著成果。常用的情感分析方法有基于词典的方法、基于机器学习的方法以及基于深度学习的方法。其中,深度学习方法在情感分析任务中表现出较高的准确率,如利用卷积神经网络、循环神经网络等模型对文本进行情感分析。6.2机器翻译技术机器翻译是自然语言处理领域的一项重要应用,旨在实现不同语言之间的自动转换。人工智能技术的应用使得机器翻译取得了重大突破,尤其是近年来神经网络的引入,使得机器翻译质量得到了显著提升。传统的机器翻译方法主要有基于规则的方法和基于统计的方法。基于规则的方法依赖于人工制定的翻译规则,而基于统计的方法则通过分析大量双语语料库,学习翻译规律。深度学习技术的发展,基于神经网络的机器翻译方法应运而生,如长短时记忆网络(LSTM)和Transformer模型等。这些模型在机器翻译任务中表现出较高的准确率和流畅度,为跨语言交流提供了便捷。6.3问答系统与对话问答系统和对话是自然语言处理领域的重要应用,它们能够实现对用户问题的自动理解和回答。人工智能技术的应用使得问答系统和对话取得了显著进展。问答系统主要包括基于规则的方法和基于机器学习的方法。基于规则的方法通过人工制定规则,实现对用户问题的理解和回答。而基于机器学习的方法则通过学习大量问答数据,自动学习问题的答案。深度学习技术在问答系统中的应用逐渐增多,如利用卷积神经网络、循环神经网络等模型对问题进行理解和回答。对话则是一种能够与用户进行自然语言交流的智能系统。它通过自然语言处理技术,实现对用户输入的理解和回应。对话的应用场景包括客服、智能家居、语音等。人工智能技术在对话领域的应用主要包括语义理解、对话等环节。目前对话的研究主要集中在式对话模型和检索式对话模型两个方面。式对话模型通过学习大量对话数据,自动回答。这种方法的优势在于能够丰富多样的回答,但存在一定的安全隐患。检索式对话模型则通过检索预先设定的回答库,实现对用户问题的回答。这种方法的安全性较高,但回答的多样性受限。人工智能技术在自然语言处理领域的应用取得了丰硕的成果,为文本分类、情感分析、机器翻译、问答系统和对话等领域提供了有力支持。技术的不断发展,人工智能在自然语言处理领域的应用前景将更加广阔。第七章人工智能技术在智能领域的应用7.1工业7.1.1概述工业是人工智能技术在工业生产领域的重要应用,其通过集成计算机视觉、深度学习、传感器技术等先进技术,实现了自动化、智能化生产。工业具有较高的精度、稳定性和可靠性,已成为现代工业生产的重要组成部分。7.1.2技术特点(1)强大的自主学习能力:工业可以通过深度学习算法,自主优化动作路径,提高生产效率。(2)精确的视觉识别:计算机视觉技术使得工业能够精确识别工件,保证生产质量。(3)灵活的适应性:工业可以根据生产环境的变化,调整自身的运动轨迹和作业方式。7.1.3应用案例(1)汽车制造业:工业在汽车制造业中的应用广泛,如焊接、涂装、装配等环节。(2)电子制造业:工业在电子制造业中,主要用于组装、检测、搬运等环节。7.2服务业7.2.1概述服务业是人工智能技术在服务业领域的应用,其通过集成语音识别、自然语言处理等技术,为用户提供智能化服务。服务业可以提高服务效率,降低人力成本,改善用户体验。7.2.2技术特点(1)智能交互:服务业具备良好的语音识别和自然语言处理能力,能够与用户进行流畅的交互。(2)个性化服务:服务业可以根据用户需求,提供个性化的服务。(3)自主学习能力:服务业可以通过深度学习算法,不断优化自身服务能力。7.2.3应用案例(1)餐饮业:服务业在餐饮业中的应用,如送餐、点餐、清洁等环节。(2)零售业:服务业在零售业中,主要用于接待顾客、解答疑问、导购等环节。7.3特种7.3.1概述特种是针对特定环境和任务需求设计的,其应用范围广泛,包括军事、航天、救援等领域。特种具备较强的环境适应能力和任务执行能力,为我国在相关领域的发展提供了有力支持。7.3.2技术特点(1)高度集成:特种集成多种传感器、控制系统和执行器,实现复杂任务的执行。(2)强大的自主决策能力:特种具备自主决策能力,能够在复杂环境下独立完成任务。(3)良好的环境适应性:特种能够适应各种极端环境,如高温、低温、辐射等。7.3.3应用案例(1)军事领域:特种在军事领域中的应用,如侦查、排爆、作战等。(2)航天领域:特种在航天领域中的应用,如月球探测、火星探测等。(3)救援领域:特种在救援领域中的应用,如地震救援、火灾救援等。第八章人工智能技术在自动驾驶领域的应用8.1自动驾驶技术原理自动驾驶技术是基于人工智能、计算机视觉、智能传感、车辆工程等多个领域的综合技术。其核心原理是通过车载传感器收集周围环境信息,再由计算机系统对这些信息进行处理和分析,从而实现对车辆的自主控制。自动驾驶技术可以分为感知、决策、执行三个阶段,涵盖了环境感知、路径规划、运动控制等多个方面。8.2感知与决策系统感知系统是自动驾驶技术的关键环节,主要负责收集车辆周围的环境信息。目前常用的传感器有激光雷达、摄像头、毫米波雷达等,它们可以实现对周围环境的全方位感知。感知系统需要解决的问题包括目标识别、跟踪、分类以及场景理解等。决策系统则是根据感知系统提供的信息,进行路径规划、行为决策等。决策系统主要包括两部分:一是车辆行驶策略,包括车道保持、跟车、超车等;二是交通场景识别与处理,如交通信号识别、行人检测等。决策系统需要解决的问题是如何在复杂环境下实现安全、高效的行驶。8.3自动驾驶车辆的安全与法规自动驾驶车辆的安全是自动驾驶技术发展的重要前提。为保证自动驾驶车辆的安全,研究人员采用了多种方法,如多传感器数据融合、冗余系统设计、故障诊断与处理等。自动驾驶车辆还需遵循相关法规,以保证其在道路上的合法行驶。在我国,自动驾驶车辆的法规尚不完善。目前已有部分城市开始制定自动驾驶车辆的路测规定,为自动驾驶车辆的测试和运营提供了一定的法律依据。但是在自动驾驶车辆的商业化推广过程中,还需进一步完善相关法规,以保障自动驾驶车辆的安全和合规性。第九章人工智能技术在医疗健康领域的应用9.1医疗影像诊断人工智能技术的不断发展,其在医疗健康领域的应用日益广泛,其中医疗影像诊断是最为成熟的应用之一。以下是医疗影像诊断的人工智能技术应用概述:9.1.1影像识别与分析人工智能技术在医疗影像诊断中的应用,主要体现在对医学影像的识别与分析。通过深度学习算法,人工智能系统可以对X射线、CT、MRI等影像资料进行高效、准确的识别和分析,帮助医生发觉病变部位,提高诊断的准确性和效率。9.1.2影像数据挖掘医疗影像数据具有高度复杂性和多样性,人工智能技术可以对这些数据进行挖掘,发觉潜在规律,为医生提供有价值的参考。例如,通过对大量影像数据的分析,人工智能可以预测疾病发展趋势,为临床决策提供依据。9.1.3影像诊断辅助人工智能技术可以辅助医生进行影像诊断,提高诊断的准确性和效率。例如,通过智能算法,可以实现对影像的自动标注,帮助医生快速定位病变部位;人工智能还可以对影像进行三维重建,使医生更直观地观察病变情况。9.2基因组数据分析基因组数据是生物信息学的重要研究内容,人工智能技术在基因组数据分析中的应用,有助于加速疾病机理研究、药物研发和个体化医疗的发展。9.2.1基因突变识别人工智能技术可以对基因组数据进行高效分析,识别出基因突变。这对于遗传性疾病的早期诊断和治疗具有重要意义。例如,通过深度学习算法,可以实现对基因序列中突变位点的识别,为临床诊断提供依据。9.2.2基因表达分析人工智能技术可以分析基因表达数据,揭示基因在不同生理和病理状态下的表达规律。这有助于研究疾病的发生和发展机制,为药物研发和个体化治疗提供线索。9.2.3基因调控网络建模人工智能技术可以构建基因调控网络模型,预测基因间的相互作用关系。这有助于揭示生物体的生长发育和疾病发生的分子机理,为药物靶点筛选和生物制药提供理论支持。9.3智能医

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论