陈述
机构名称:
¥ 1.0

主席格林、排名成员汤普森和尊敬的委员会成员:我代表司法部 (Department),特别是代表缉毒局 (DEA) 的近 10,000 名员工,感谢你们今天有机会与大家讨论 DEA 为拯救生命和打击造成我国致命毒品中毒流行病的贩毒集团所做的工作。今天,美国人正在经历我国历史上最具破坏性的毒品危机。这是因为一种药物——芬太尼——改变了犯罪格局。芬太尼制造成本极低,伪装极其容易,对服用者来说极其致命。它是 18 至 45 岁美国人死亡的主要原因,它夺走了美国各行各业、每个州和社区的美国人的生命。负责将芬太尼运入美国的犯罪组织是现代化、复杂且极其暴力的企业,他们依靠全球供应链来制造、运输和销售芬太尼,并依靠全球非法金融网络从这些销售中赚取数十亿美元的收入。为了应对这一时刻,DEA 一直在努力进行自身转型。DEA 已采取紧急行动,制定了新的愿景,瞄准了对芬太尼涌入美国负有最大责任的全球犯罪网络,并提高公众对一粒药丸如何致命的认识。我们已经改变了我们的愿景,重点关注芬太尼——杀死最多美国人的药物——以及负责将芬太尼涌入我们社区的犯罪组织——锡那罗亚贩毒集团和哈利斯科新一代(哈利斯科)贩毒集团。我们改变了计划,建立了一个全新的战略层——针对锡那罗亚贩毒集团和哈利斯科贩毒集团及其非法金融网络的反威胁团队,该团队绘制了贩毒集团地图,分析了他们的网络,并开发了这些网络成员在全球各地活动的目标信息。我们改变了执行方式,将这些目标信息提供给全球 334 个办事处,调动我们国内外的全球情报和执法团队的资源,并作为一个缉毒局 (DEA) 摧毁这些网络。我们的努力正在取得成果。仅在去年一年,我们的调查就导致锡那罗亚贩毒集团 Chapitos 网络的 28 名成员和同伙被起诉,并引渡了奥维迪奥·古兹曼·洛佩兹;在美国逮捕了 3,337 名锡那罗亚贩毒集团和哈利斯科贩毒集团的同伙,他们对在街头和社交媒体上分发芬太尼和甲基苯丙胺的最后一英里负有责任;以及对中华人民共和国 12 家公司和 24 名个人的指控,

陈述

陈述PDF文件第1页

陈述PDF文件第2页

陈述PDF文件第3页

陈述PDF文件第4页

陈述PDF文件第5页

相关文件推荐

口头陈述
2024 年
¥1.0
原创文章 人工智能增强篮球罚球的运动学分析 BEKIR KARLIK 1、MUSA HAWAMDAH 2 1 埃波卡大学计算机工程系,地拉那,阿尔巴尼亚 2 塞尔丘克大学计算机工程系,科尼亚,土耳其 在线发表:2024 年 12 月 30 日 接受发表:2024 年 12 月 15 日 DOI:10.7752/jpes.2024.12321 摘要:问题陈述和方法:在篮球比赛中,罚球的成功与否取决于球的出手角度、在空中的正确位置以及最佳速度运动特征。本研究利用人工智能(AI)研究了篮球运动员在疲劳前后执行罚球的运动学特征。材料和方法:我们使用了各种监督机器学习算法,包括:k-最近邻 (k-NN)、朴素贝叶斯、支持向量机 (SVM)、人工神经网络 (ANN)、线性判别分析 (LDA) 和决策树。这些算法用于对从球员收集的运动数据得出的特征进行分类,以揭示他们在不同疲劳程度下的投篮机制的模式和变化。当球员在疲劳前后成功和不成功投篮时,在球释放点测量肘部、躯干、膝盖和踝关节角度。有两种方法可用于对这些特征进行分类:第一种方法是直接使用行数据;另一种是使用主成分分析 (PCA) 减少数据。对于这两种方法,数据在应用于分类器之前都在 0-1 之间归一化。结果:我们通过使用朴素贝叶斯分类器对行数据获得了 98.44% 的最佳分类准确率。此外,使用 PCA 对减少数据进行 ANN 的结果显示最佳分类准确率 95.31%。研究结果揭示了疲劳引起的投篮力学的不同模式和变化,并强调了机器学习模型在分析生物力学数据方面的有效性。讨论和结论:这些结果有助于制定训练计划,以提高疲劳状态下的表现和一致性。这项研究强调了人工智能和数据驱动方法在运动生物力学中的潜力,可以为运动员表现和疲劳管理提供有价值的见解。关键词:智能算法、运动生物力学、运动数据、疲劳引起的变化简介在对各种运动进行的研究中已经观察到功能技能和基于技能的运动模式之间的差异。评估功能技能比评估基于技能的运动模式更具挑战性(Goktepe 等人,2009 年;Abdelkerim 等人,2007 年;Chappell 等人,2005 年)。例如,Goktepe 等人(2009 年)利用统计分析来证明踝关节、肩膀和肘部角度对网球发球的影响。Abdelkerim 等人(2007)展示了篮球运动员的计算机化时间运动分析,而 Chappell 等人(2005)则研究了在进行疲劳前和疲劳后练习的三个停跳任务中落地和跳跃动作中改变的运动控制策略。评估基于技能的收缩、适当的肌肉发力时间和关节定位等因素相对容易。值得注意的是,个人之间的动作执行和技能习得存在差异。在篮球罚球中,关节角度是足以将投篮分为不同类别的基本特征(Schmidt 等人,2012;Ge,2024;Zhang & Chen,2024)。疲劳是人类活动的自然结果,会影响运动员在训练和比赛期间的认知和学习能力。虽然大多数研究认为疲劳是影响表现的一个关键因素(Forestier & Nougier,1998;Apriantono 等人,2006),但一些研究表明疲劳对篮球罚球表现没有影响(Uygur 等人,2010;Rusdiana 等人,2019;Li,2021;Bourdas 等人,2024)。例如,Uygur 等人(2010)基于统计运动学分析发现疲劳对罚球没有显著影响。同样,Rusdiana 等人(2019)使用 SPSS 分析了罚球运动学,而 Bourdas 等人(2024)则专注于疲劳对三分跳投的影响。Li 等人(2021)研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法;文献中尚未发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来,高效的数据分析显著提高了使用软计算方法的各个领域的生产力。然而,体育科学中的大多数研究都集中在特定的比赛上,以探索不同数据源或机器学习技术在结构分析和语义提取中的作用。这项研究是首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响(Uygur 等人,2010 年;Rusdiana 等人,2019 年;Li,2021 年;Bourdas 等人,2024 年)。例如,Uygur 等人(2010 年)根据统计运动学分析发现疲劳对罚球没有显著影响。同样,Rusdiana 等人(2019 年)使用 SPSS 分析了罚球运动学,而 Bourdas 等人(2024 年)则专注于疲劳对三分跳投的影响。Li 等人(2021 年)研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法;文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来,高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而,体育科学中的大多数研究都集中在特定的比赛上,以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响(Uygur 等人,2010 年;Rusdiana 等人,2019 年;Li,2021 年;Bourdas 等人,2024 年)。例如,Uygur 等人(2010 年)根据统计运动学分析发现疲劳对罚球没有显著影响。同样,Rusdiana 等人(2019 年)使用 SPSS 分析了罚球运动学,而 Bourdas 等人(2024 年)则专注于疲劳对三分跳投的影响。Li 等人(2021 年)研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法;文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来,高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而,体育科学中的大多数研究都集中在特定的比赛上,以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析
2024 年

原创文章 人工智能增强篮球罚球的运动学分析 BEKIR KARLIK 1、MUSA HAWAMDAH 2 1 埃波卡大学计算机工程系,地拉那,阿尔巴尼亚 2 塞尔丘克大学计算机工程系,科尼亚,土耳其 在线发表:2024 年 12 月 30 日 接受发表:2024 年 12 月 15 日 DOI:10.7752/jpes.2024.12321 摘要:问题陈述和方法:在篮球比赛中,罚球的成功与否取决于球的出手角度、在空中的正确位置以及最佳速度运动特征。本研究利用人工智能(AI)研究了篮球运动员在疲劳前后执行罚球的运动学特征。材料和方法:我们使用了各种监督机器学习算法,包括:k-最近邻 (k-NN)、朴素贝叶斯、支持向量机 (SVM)、人工神经网络 (ANN)、线性判别分析 (LDA) 和决策树。这些算法用于对从球员收集的运动数据得出的特征进行分类,以揭示他们在不同疲劳程度下的投篮机制的模式和变化。当球员在疲劳前后成功和不成功投篮时,在球释放点测量肘部、躯干、膝盖和踝关节角度。有两种方法可用于对这些特征进行分类:第一种方法是直接使用行数据;另一种是使用主成分分析 (PCA) 减少数据。对于这两种方法,数据在应用于分类器之前都在 0-1 之间归一化。结果:我们通过使用朴素贝叶斯分类器对行数据获得了 98.44% 的最佳分类准确率。此外,使用 PCA 对减少数据进行 ANN 的结果显示最佳分类准确率 95.31%。研究结果揭示了疲劳引起的投篮力学的不同模式和变化,并强调了机器学习模型在分析生物力学数据方面的有效性。讨论和结论:这些结果有助于制定训练计划,以提高疲劳状态下的表现和一致性。这项研究强调了人工智能和数据驱动方法在运动生物力学中的潜力,可以为运动员表现和疲劳管理提供有价值的见解。关键词:智能算法、运动生物力学、运动数据、疲劳引起的变化简介在对各种运动进行的研究中已经观察到功能技能和基于技能的运动模式之间的差异。评估功能技能比评估基于技能的运动模式更具挑战性(Goktepe 等人,2009 年;Abdelkerim 等人,2007 年;Chappell 等人,2005 年)。例如,Goktepe 等人(2009 年)利用统计分析来证明踝关节、肩膀和肘部角度对网球发球的影响。Abdelkerim 等人(2007)展示了篮球运动员的计算机化时间运动分析,而 Chappell 等人(2005)则研究了在进行疲劳前和疲劳后练习的三个停跳任务中落地和跳跃动作中改变的运动控制策略。评估基于技能的收缩、适当的肌肉发力时间和关节定位等因素相对容易。值得注意的是,个人之间的动作执行和技能习得存在差异。在篮球罚球中,关节角度是足以将投篮分为不同类别的基本特征(Schmidt 等人,2012;Ge,2024;Zhang & Chen,2024)。疲劳是人类活动的自然结果,会影响运动员在训练和比赛期间的认知和学习能力。虽然大多数研究认为疲劳是影响表现的一个关键因素(Forestier & Nougier,1998;Apriantono 等人,2006),但一些研究表明疲劳对篮球罚球表现没有影响(Uygur 等人,2010;Rusdiana 等人,2019;Li,2021;Bourdas 等人,2024)。例如,Uygur 等人(2010)基于统计运动学分析发现疲劳对罚球没有显著影响。同样,Rusdiana 等人(2019)使用 SPSS 分析了罚球运动学,而 Bourdas 等人(2024)则专注于疲劳对三分跳投的影响。Li 等人(2021)研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法;文献中尚未发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来,高效的数据分析显著提高了使用软计算方法的各个领域的生产力。然而,体育科学中的大多数研究都集中在特定的比赛上,以探索不同数据源或机器学习技术在结构分析和语义提取中的作用。这项研究是首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响(Uygur 等人,2010 年;Rusdiana 等人,2019 年;Li,2021 年;Bourdas 等人,2024 年)。例如,Uygur 等人(2010 年)根据统计运动学分析发现疲劳对罚球没有显著影响。同样,Rusdiana 等人(2019 年)使用 SPSS 分析了罚球运动学,而 Bourdas 等人(2024 年)则专注于疲劳对三分跳投的影响。Li 等人(2021 年)研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法;文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来,高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而,体育科学中的大多数研究都集中在特定的比赛上,以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响(Uygur 等人,2010 年;Rusdiana 等人,2019 年;Li,2021 年;Bourdas 等人,2024 年)。例如,Uygur 等人(2010 年)根据统计运动学分析发现疲劳对罚球没有显著影响。同样,Rusdiana 等人(2019 年)使用 SPSS 分析了罚球运动学,而 Bourdas 等人(2024 年)则专注于疲劳对三分跳投的影响。Li 等人(2021 年)研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法;文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来,高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而,体育科学中的大多数研究都集中在特定的比赛上,以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析

¥1.0