XiaoMi-AI文件搜索系统
World File Search System力学的
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
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
通过意识测试的结果复制结果会导致量子力学的崩溃解释，并使用潜意识启动方法富含
复制意识检验的结果会导致使用潜意识启动方法理查德·J·卢西多（Richard J. Lucido）对量子力学的崩溃解释 *摘要摘要当前的研究试图复制先前的研究，该研究采用了潜意识启动来测试意识原因原因量子量（CCC）对量子力学的解释。刺激刺激素数直接从局部放射性衰减来源的图案中得出，在屏幕上闪烁了一段时间的时间太短，无法有意识地体验。素数是直接的，随后是刺激符号的介绍，要求人类参与者反应反应。根据CCC的解释，由于尚未对有意识的观察提出刺激，因此应基于它们得出的放射性衰减，应继续以叠加状态存在。据推测，以这种方式产生的素数不应影响随后的响应时间，因为它在对照条件下故意发生了，因此它会像在控制条件下一样。支持了这一假设。素数在观察到的条件下的影响明显大于在未观察到的条件下获得的效果。这一发现与以前的实验结果一致，并为CCC解释的量子力学提供了额外的支持。
脑动脉畸形中排出静脉排出静脉的定量血流动力学：基于计算流体动力学的初步研究
从理论上讲，特定的血管结构可能是由长期血液动力学作用引起的。Shakur等。（7）和Chang等。（8）表明，进料器和正常动脉之间的壁剪应力（WSS）的变化与AVMS中的临床表现有关。然而，越来越多的最近的研究强调了排出静脉在AVM破裂机理中的重要性（9）。Al-Rodhan等人提出的闭塞性充血理论。（10）提供了令人信服的证据，证明静脉排水阻塞的贡献。静脉排水的损害已被证明与出血风险显着相关（11，12），这表明排水静脉的耐药性增加可能会通过向AVM系统加压来诱导出血。计算流体动力学（CFD）已被用来表征有助于脑血管疾病发病机理的局部血液动力学特征（13，14）。但是，当前的研究并未通过CFD分析彻底探索AVM破裂中排出静脉的血液动力学机制。挑战包括获得这些静脉的特定边界条件及其与动脉相比的不规则形状。
单分子分析揭示了组成、RNA 双链和抑制剂对 SARS-CoV-2 聚合酶复合物结合动力学的影响
摘要 COVID-19 的病原体 SARS-CoV-2 的基因组复制涉及由非结构蛋白 (nsps) 12、7 和 8 组成的多亚基复制复合物。虽然该复合物的结构已知，但亚基与 RNA 相互作用的动态行为尚不清楚。本文我们报告了一种单分子蛋白诱导荧光增强 (SM-PIFE) 检测方法，以监测重组或共表达的复制复合物与 RNA 之间的结合动力学。在 nsp8-nsp12 混合物中以及在含有所有三种蛋白质的重组混合物中，观察到结合时间按此顺序增加。在后一种情况下记录了不稳定、瞬时和稳定的结合模式，表明复合是动态的，必须先实现正确的构象才能发生稳定的 RNA 结合。值得注意的是，共表达的蛋白质即使在低浓度下也能产生稳定的结合，而重组的蛋白质表现出不稳定的结合，表明与减少的蛋白质的复合效率低下。SM-PIFE 测定法区分了影响蛋白质结合的抑制剂和阻止复制的抑制剂，如苏拉明和瑞德西韦分别证明的那样。数据揭示了结合寿命/亲和力与蛋白质活性之间的相关性，并强调了共表达与重组混合物之间的差异，表明存在可能无法发展为有效结合的捕获构象。简介
反阴极效应对电子束产生EB等离子体中电子动力学的影响
摘要 电子束 (e-beam) 产生的等离子体在施加交叉电场和磁场 (E × B) 的情况下有望用于低损伤材料处理，并应用于微电子和量子信息系统。在圆柱形电子束 E × B 等离子体中，电子和离子的径向约束分别通过轴向磁场和径向电场实现。为了控制电子的轴向约束，这种电子束产生的等离子体源可能包含一个称为反阴极的导电边界，该边界位于等离子体与阴极轴向相对的一侧。在这项工作中，结果表明，改变反阴极电压偏置可以控制反阴极收集或排斥入射电子的程度，从而可以控制热电子（电子能量在 10-30 eV 范围内）和束电子群约束。有人提出，反阴极偏压对这些不同电子群形成的影响也与弱湍流和强朗缪尔湍流之间的转变有关。
反阴极效应对电子束产生EB等离子体中电子动力学的影响
摘要 电子束 (e-beam) 产生的等离子体在施加交叉电场和磁场 (E × B) 的情况下有望用于低损伤材料处理，并应用于微电子和量子信息系统。在圆柱形电子束 E × B 等离子体中，电子和离子的径向约束分别通过轴向磁场和径向电场实现。为了控制电子的轴向约束，这种电子束产生的等离子体源可能包含一个称为反阴极的导电边界，该边界位于等离子体与阴极轴向相对的一侧。在这项工作中，结果表明，改变反阴极电压偏置可以控制反阴极收集或排斥入射电子的程度，从而可以控制热电子（电子能量在 10-30 eV 范围内）和束电子群约束。有人提出，反阴极偏压对这些不同电子群形成的影响也与弱湍流和强朗缪尔湍流之间的转变有关。
一个用于分析电信中呼叫滴动力学的系统...
电信行业的服务质量在该国的增长和经济中起着至关重要的作用。在印度，几家电信运营商提供服务，并且有一个被称为印度电信监管机构（TRAI）的监管机构。在电信域中，呼叫下降是一个问题，它在渲染服务中降低了电信行业的性能。这也会给用户带来不便和浪费时间，并降低了用户满意度的水平。需要在人工智能（AI）的帮助下进行以技术为导向的分析，以分析呼叫动态以做出明智的决策。现有的研究表明，机器学习（ML）有助于分析呼叫下降动态。但是，需要使用机器学习技术和优化的框架来提高分析电信行业的呼叫下降动态的性能。在本文中，我们提出了一个ML框架，以自动分析所有运营商电信行业的所有跌落。该框架还支持优化，例如未来的工程和降低维度，以提高机器学习模型的性能。我们提出了一种称为基于学习的呼叫分析（LBCDA）的算法，该算法利用特征选择和培训多个分类器来呼叫Drop Analytics。使用电信行业的基准数据集变体，我们的实证研究表明，我们的框架的随机森林（RF）模型的表现优于87.40％的其他模型。
OrbNet-Spin：基于量子力学的开壳系统几何深度学习
现代量子化学方法涉及准确性和计算成本/复杂性之间的权衡。作为替代方案，深度学习方法被用作捷径，以较小的计算复杂性创建准确的预测。事实证明，此类模型在预测闭壳系统（其中所有电子都是成对的）方面非常有效。然而，尽管开壳系统（其中存在未配对电子）在描述自由基和反应中间体等物种方面非常重要，但很少有人关注它们。我们介绍了基于 OrbNet-Equi 的 OrbNet-Spin，这是一种几何和量子感知的深度学习模型，用于在电子结构级别表示化学系统。OrbNet-Spin 将自旋极化处理融入底层半经验量子力学轨道特征化中，并在保持几何约束的同时相应地调整模型架构。OrbNet-Spin 可以准确描述闭壳和开壳电子结构。我们使用开壳层卡宾的 QMSpin 数据集验证了 OrbNet-Spin 的性能，实现了单线态和三线态卡宾均低于化学精度的平均绝对误差。
分子动力学的语言模型
分子动力学（MD）模拟提供了对分子系统运动的准确描述，但是它们的计算需求在分子生物学和材料中的应用中构成了重大挑战。鉴于深度学习方法在各个领域的成功，一个及时的问题涉及是否可以利用这些方法来提高MD模拟的效率。为了研究这种可能性，我们引入了分子动力学语言模型（MDLMS），以使MD轨迹产生。在当前实施中，MDLM在蛋白质的简短经典MD轨迹上进行了训练，该蛋白质通过从广泛的MD数据集得出的内核密度估计来维持结构准确性。我们说明了在确定自由能景观为小蛋白质的情况下，该MDLM的应用，表明这种方法使发现构象状态可以在训练数据中降采样。这些结果为使用语言模型有效地实施分子动力学提供了初始证据。