XiaoMi-AI文件搜索系统
World File Search System决策支持系统
医疗保健中的AI：通过预测分析和决策支持系统转化患者护理
人工智能（AI）已成为医疗保健中的革命力量，提供了变革性解决方案，以增强患者护理，简化流程并改善整体医疗保健结果。[7]本文深入研究了AI在医疗保健中的关键作用，特别关注预测性分析和决策支持系统如何重塑患者护理。[6]文献综述：医疗保健中的AI正在通过预测分析和决策支持系统来改变患者护理。AI技术，例如机器学习和深度学习，正在用于分析结构化和非结构化的医疗保健数据，包括电子病历和医疗图像[2]。这些技术可以识别患者数据的模式和趋势，这些模式和趋势对人类而言可能并不明显，从而实现了早期的诊断，治疗和预后评估[3]。AI驱动的聊天机器人和虚拟助手也用于自动执行例行任务并提供个性化的健康建议，改善可访问性和
影响临床医生使用基于人工智能的临床决策支持系统意愿的因素
背景：鉴于基于人工智能 (AI) 的决策支持系统在医疗保健领域创造的机遇，至关重要的问题是临床医生是否愿意将这项技术作为临床工作流程的一个组成部分。目的：本研究利用经过验证的问题制定在线调查，从而探索影响临床医生使用基于人工智能的血液利用率计算器 (BUC) 意愿的认知人为因素，BUC 是嵌入在电子健康记录中的人工智能系统，可提供数据驱动的个性化建议，以确定为特定患者输血的浓缩红细胞数量。方法：使用有目的的抽样策略，专门包括威斯康星州一所大学医院的临床医生 BUC 用户。我们招募了 119 名完成整个调查的 BUC 用户。我们利用结构方程模型来捕捉“人工智能感知”和“期望”对临床医生使用该技术意愿的直接和间接影响，当受“感知风险”介导时。结果：研究结果表明，人工智能感知对 BUC 风险的直接影响呈显著负相关 (ß = − 0.23, p < 0.001)。同样，期望对风险有显著的负面影响 (ß = − 0.49, p < 0.001)。我们还注意到风险对使用 BUC 的意图有显著的负面影响 (ß = − 0.34, p < 0.001)。关于期望对使用 BUC 意图的间接影响，研究结果显示风险介导的显著正影响 (ß = 0.17, p = 0.004)。研究指出，当由风险介导时，人工智能感知对使用 BUC 的意图有显著的正间接影响 (ß = 0.08, p = 0.027)。总体而言，本研究展示了期望、感知风险和对 AI 的认知对临床医生使用 BUC（一种 AI 系统）意愿的影响。AI 开发人员需要强调 AI 技术的优势，确保易用性（努力预期），阐明系统的潜力（性能预期），并通过改进整体设计将风险认知降至最低。结论：确定决定临床医生使用基于 AI 的决策支持系统意愿的因素有助于改善医疗领域的技术采用和使用。增强和安全地采用 AI 可以提升整体护理流程，并有助于标准化临床决策和程序。医疗保健领域改进的 AI 采用将帮助临床医生分担日常临床工作量并做出关键决策。
自闭症支持系统
I.简介用户可以调整条形图的大小，可视化速度以及通过此Web应用程序以条形图显示数据的技术。显示和解决了应用程序的建筑设计，技术框架，实际使用和教育优势。[1]论文的主要目的是制定一个程序，该程序将充当理解大多数知名排序算法的运行的工具。努力提供最佳的用户体验。演示程序旨在易于使用并且对用户友好。您可以在数据上测试每个分类算法，以从学习中获得最大的价值。人们认识到，视觉援助是学习的重要组成部分，在我从事算法设计时遇到了分类问题。在研究论文时，发现新的方法是对算法进行分类的新方法，这是令人着迷的。[2]本文的读者有望拥有一些编程经验，以了解基本数据结构，例如数组，列表，树和理解递归过程。此外，了解一些简单算法及其实现可能会有所帮助。为了更好地理解主题，涉及线性代数和微积分的知识。论文的文本描述了计算机程序中最著名的排序算法的原理。它可以用作学生学习算法的来源。[3]此外，该计划在课堂期间很容易被讲师和导师用作演示。此外，还有程序员文档和提供的软件指南。
基于海流预报和多目标进化优化的声纳浮标网络优化部署决策支持系统
提出了一种用于水下监视应用中的协同轨迹检测的漂移声学传感器网络最优部署决策支持系统，并在模拟场景中进行了测试。该系统集成了海水流预报、传感器范围模型和简单的漂移浮标运动模型，以预测传感器位置和时间网络性能。多目标遗传优化算法用于通过同时优化两个服务质量指标（网络区域覆盖和跟踪覆盖的时间平均值）来搜索一组帕累托最优部署解决方案（即网络中漂移声纳浮标的初始位置）。优化后找到的解决方案代表了两个指标之间不同的效率权衡，任务规划人员可以方便地评估这些解决方案，以便在两个冲突目标之间选择具有所需折衷的解决方案。还通过无迹变换进行敏感性分析，以测试解决方案对于网络参数和环境不确定性的稳健性。提供了利用真实概率海水流预报的模拟场景的结果，显示了所提方法的有效性。未来的工作预计将使该工具完全可操作并准备在实际场景中使用。� 2013 北约科学技术组织，海事研究与实验中心。由 Elsevier Ltd. 出版。保留所有权利。
基于海流预报和多目标进化优化的声纳浮标网络优化部署决策支持系统
提出了一种用于水下监视应用中的协同轨迹检测的漂移声学传感器网络最优部署决策支持系统，并在模拟场景中进行了测试。该系统集成了海水流预报、传感器范围模型和简单的漂移浮标运动模型，以预测传感器位置和时间网络性能。采用多目标遗传优化算法，通过同时优化两个服务质量指标（网络区域覆盖和跟踪覆盖的时间平均值）来搜索一组帕累托最优部署解决方案（即网络漂移声纳浮标的初始位置）。优化后找到的解代表了两个指标之间不同的效率权衡，任务规划人员可以方便地评估这些解，以便在两个冲突目标之间选择具有所需折衷的解决方案。还通过无迹变换进行了灵敏度分析，以测试解决方案对网络参数和环境不确定性的稳健性。提供了利用真实概率海水流预报的模拟场景的结果，显示了所提方法的有效性。未来的工作是使该工具完全可操作并准备在真实场景中使用。� 2013 北约科学技术组织，海事研究和经验中心
打击虚假信息：智能决策支持系统最新基于人工智能的协作人机交互概述
摘要：近年来，自动虚假信息检测方法备受关注，因为虚假信息会对社会凝聚力产生严重影响。虚假信息会影响选举结果、疾病传播（阻止采取适当的对策）和盟友的形成，正如俄罗斯入侵乌克兰所表明的那样。因此，不仅要考虑文本作为媒介，还要考虑录音、视频内容和图像以打击虚假新闻。然而，自动事实核查工具无法同时处理所有模态，并且在嵌入信息背景、讽刺、反讽以及没有明确真值的情况下面临困难。最近的研究表明，协作的人机系统比单独的人类或机器学习方法更能成功地识别虚假信息。因此，在本文中，我们简要而全面地介绍了当前针对文本、音频、视频、图像、多模态组合的自动虚假信息检测方法，它们在智能决策支持系统 (IDSS) 中的扩展以及人类协作的形式和角色。在现实生活中，此类系统越来越多地被记者应用，根据两种最突出的用例类型，即每日新闻档案和调查性新闻，为人类角色设定规范。
乌克兰武装部队陆军编队和部队指挥官的本体决策支持系统组成和结构确定
摘要 本文的主题是自动化军事控制系统中的本体决策支持系统。这项工作的主要目的是使用本体论方法确定乌克兰武装部队陆军编队和部队指挥官的决策支持系统的组成和结构。目标是开发：基于本体知识库的决策支持系统；为其提供软件、数学和信息支持的原型；根据美国武装部队标准 (MDMP) 为乌克兰武装部队陆军营及以上部队在军事决策过程的每个阶段 (步骤) 提供功能活动算法。乌克兰武装部队陆军编队和部队指挥官决策支持系统的基本特征是本体知识库的核心组成部分。描述了使用本体来表示结构化组成决策和描述此过程的相关组件域的可能用途。主题领域本体根据北约成员国的标准建立，以信息交换指导文件中形式化的知识、数据库结构和决策支持系统各个模块的模型、方法和算法的软件实现为基础，描述和解释 MDMP 的决策过程。开发了原型软件和数学与信息管理，可用作乌克兰武装部队陆军未来自动化子系统管理的原型。它用于模拟乌克兰武装部队陆军建筑物和部队指挥官的形成和本体决策支持系统。根据美国武装部队 (MDMP) 标准，提出了营及以上官员的工作算法。MDMP 每个阶段（步骤）的自动化可以减少决策时间。该算法可用于在模拟中心实施培训高等军事教育机构军官和学员的教育过程，随后用于战争和军队训练中心的决策。关键词 1 决策支持系统、本体论、知识库、软件数学和信息支持、决策、武装力量、陆军、决策过程、学科领域、军事决策过程、决策支持、军事决策、智能系统、本体决策支持系统、北约成员国、制定过程、作战任务、作战行动、北约标准、信息支持、多智能体系统、乌克兰武装力量、自动控制系统、智能决策支持系统、信息交换、博弈方法
基于CART决策树和SMO算法概括规则的桥梁管理实时决策支持系统
摘要：在桥梁的动态条件下，我们需要实时管理。为此，本文提出了一种基于规则的决策支持系统，该系统从 Aimsun 交通微观模拟软件的模拟结果中提取必要的规则。然后，借助模糊规则生成算法对这些规则进行泛化。然后，通过一组监督和非监督学习算法对它们进行训练，以获得在实际情况下做出决策的能力。作为一项试点案例研究，在 Aimsun 中模拟了德黑兰的 Nasr 桥，并使用 WEKA 数据挖掘软件执行学习算法。根据这项实验，监督算法泛化规则的准确率大于 80%。此外，CART 决策树和顺序最小优化 (SMO) 为正常数据提供了 100% 的准确率，这些算法对于桥梁危机管理非常可靠。这意味着，可以使用此类机器学习方法在实时条件下管理桥梁。
用于早期发现和进展神经系统疾病的纵向医疗分析：临床决策支持系统
摘要 包括阿尔茨海默病 (AD) 在内的神经系统疾病正在成为全球日益严峻的健康挑战。本研究提出了一种两阶段决策支持系统 (DSS)，该系统使用机器学习和神经成像技术进行早期 AD 检测和监测。第一阶段使用深度学习来预测 AD 可能性。第二阶段利用 3D 卷积神经网络来识别 AD 进展中的关键大脑区域。值得注意的是，DSS 使用遮挡图可解释性方法为机器学习的“黑匣子”问题提供了解决方案，从而提高了决策透明度。其设计可适应使用成像数据的其他疾病，凸显了其广泛的医疗保健潜力。通过提供一种创新且可解释的改进疾病管理工具，本研究有助于促进更好的患者护理和治疗结果。关键词：神经系统疾病、阿尔茨海默病、决策支持系统、疾病管理、机器学习、卷积神经网络。
能源密集型行业废热回收创新高温潜热储存决策支持系统
摘要：减少能源消耗、碳足迹、设备尺寸和成本是即将出台的能源密集型行业路线图的关键目标。从这个意义上讲，废热回收等解决方案可以复制到不同的行业（例如陶瓷、混凝土、玻璃、钢铁、铝、纸浆和造纸），因此受到大力推广。在这方面，潜热储能 (TES) 作为一种创新技术解决方案，通过回收和储存工业废热来提高整个系统的效率。为此，通过决策支持系统 (DSS) 协助选择相变材料 (PCM)。基于最相关系统参数之间的相关性，开发了一种基于 MATLAB ® 模型的简化工具，以证明跨部门方法的可行性。研究工作进行了参数分析，以评估 PCM-TES 解决方案在不同工作条件和行业下的技术经济性能。此外，还进行了多标准评估，比较了金属合金和无机水合 PCM 盐的工具输出。总体而言，无机 PCM 表现出更高的净经济和能源节约（高达 25,000 欧元/年；480 兆瓦时/年），而金属合金则具有良好的结果、更短的周期和具有竞争力的经济比；其商业发展仍然有限。