XiaoMi-AI文件搜索系统
World File Search System性能比较
化学元素的通用语义嵌入用于增强材料推理和发现的化学元素
图2。使用BERT衍生特征与（a）预测和（b）材料属性分类的模型性能比较模型性能。SMA，Ti合金和HEA的10倍MAE图与广泛的平行测试中所选特征数量（1-8）的函数相同。蓝线使用传统的经验特征（例如电负性，原子半径）表示模型性能，而红线表示BERT衍生的材料特征。检查的特性包括相变温度（MP，AP），转化焓（ΔH），屈服强度（σs），终极拉伸强度（σb），Vickers硬度（VH）和伸长率（EL）。Classification tasks include binary classification of Solid Solution (SS) vs. Non-Solid Solution (NSS), ternary classification of phase forms (Face-Centered Cubic (FCC), Body-Centered Cubic (BCC), and FCC-BCC mixed), and quaternary classification of SMA phases (B19'-B2, B19'-B19-B2, B19'-R-B2, B19-B2, and R-B2）。bert衍生的特征始终在几乎所有属性和特征数量上产生较低的预测误差，从而突出了它们捕获合金组成和属性之间内在关系的卓越能力。阴影区域代表跨平行测试的标准偏差。
混合船舶微电网功率共享的鲁棒分层控制设计
摘要：混合微电网优化、集成和控制正变得越来越重要。可再生能源集成在航运港口以及短途游轮和渡轮上的使用越来越频繁。目前，一些海港缺乏冷熨服务，即从主公用电网向船舶提供电力的岸基发电站。此外，由于许多港口缺乏冷熨服务，因此在停靠时，基于柴油发动机和柴油发电机的船上必须持续运行并在线，以提供额外的船舶负载。在本研究中，我们分析性地展示了我们提出的包含多个 DG 和可再生能源 (RES) 集成的混合船上微电网系统的分层控制设计的稳健性。通过在不同静态和动态负载条件下对交流和直流类型负载的模拟测试，验证了传统比例积分 (PI) 与基于滑模控制器 (SMC) 的控制设计的性能比较。我们进一步考虑将多 DG 和 RES 集成到我们的系统中，以验证我们的设计对噪声和不必要的故障负载条件的鲁棒性。进行了完整的系统稳定性分析和控制律的设计。数学推导和仿真结果证明了所提出的分层控制架构的鲁棒性，并比较了使用 MATLAB/Simulink 环境设计的两个二次控制器的性能特征。
通过蛋白质结构扩散
图2：在选定情况下不同模型的性能比较以及不同模型之间结构违规的比较。（a）（b）在8D01_L/8DOY_L之间的TM得分和六个不同模型生成的100个构象之间的TM得分散点图。（c）（d）用8D01_L/8DOY_L从UFCONF覆盖了采样结构。青色：8D01_L实验结构；红色：8DOY_L实验结构；绿色：最接近8D01_L的采样结构；洋红色：采样结构最接近8doy_l。（e）（f）8i6o_b/8i6q_b和六个不同模型生成的100个构象之间的TM得分的散点图。（g）（h）用8i6o_b/8i6q_b从UFCONF中采样结构的覆盖。青色：8i6o_b实验结构；红色：8i6q_b实验结构；绿色：最接近8i6o_b的采样结构；洋红色：采样结构最接近8i6q_b。（i）所有产生的构象在20中定义的总违规损失； （J）所有产生的构象的碳氮（C-N）键损失（表明违反C-N键长度的违规）； （k）所有产生的构象之间的残基数（表明残基之间的原子半径限制的侵犯）计数； （l）所有产生的构象中残留物中的冲突计数（表明残基中原子半径限制的侵犯）；
使用和比较深度学习方法来检测自动驾驶汽车的夜间道路表面条件
摘要：目前，在这些自动驾驶汽车上的现有传感器无法很好地检测到自动驾驶汽车之前的道路表面状况。但是，应确保白天和黑夜的天气引起的道路状况。对深度学习的调查，以识别当天的道路表面状况，是使用车辆前面嵌入式摄像头收集的数据进行的。深度学习模型仅在当天被证明是成功的，但迄今为止尚未对它们进行评估。这项工作的目的是提出深度学习模型，以检测在夜间在自动驾驶汽车前的天气造成的在线道路表面条件，其精度很高。在这项研究中，使用性能比较，将不同的深度学习模型，即传统的CNN，Squeezenet，VGG，Resnet和Densenet模型。考虑到现有夜间检测的当前局限性，本文研究了不同路面的反射特征。根据功能，夜间数据库是带有或没有环境照明的。这些数据库是从几个公共视频中收集的，以使所选模型更适用于更多场景。此外，根据收集的数据库对选定的模型进行培训。最后，在验证中，这些模型对夜间干燥，潮湿和雪道的表面条件进行分类的准确性可高达94％。
多模式深卷积神经网络管道，用于AI辅助口腔癌的早期检测
摘要口服鳞状细胞癌（OSCC）提出了重大的健康挑战，早期检测对于有效治疗和提高的存活率至关重要。先前的研究检查了标准照片的使用，例如智能手机中的照片，但它们通常仅依靠图像，忽略了合并多种方式的潜在好处。这项研究通过提出一条包含多种数据源的多模式深度学习管道来解决这一差距，其中包括患者元数据，该数据源模仿了临床医生在早期发现口腔癌中的诊断方法。该研究利用最新的图像编码将口腔病变分类为良性且潜在的恶性类别。提出了六个预训练的深度学习模型（Mobilenetv3-Large，MixNet-S，Resnet-50，Hrnet-W18-C，Densenet-121和Inception_V3）的性能比较。使用MobileNetV3-Large-large-large图像Encoder，提议的管道的性能达到了81％的总体精度，精度为79％，召回79％，F1得分为78％，MATTHEWS相关系数（MCC）为0.57。与仅使用图像数据相比，研究结果突出了整合多种数据模式的功效，以更准确地检测潜在的恶性肿瘤。结果可能为改善临床决策和患者预后铺平道路。
沼气植物最佳位点的预测建模...
沼气植物的部署固有地取决于地理考虑。这项研究主张将地理数据与人工智能算法（称为Geoai）整合在一起，作为一种可靠的可靠方法，用于精确预期这些最佳位置。考虑到上述，这项研究努力预测为在农业中实施甘蔗沼气植物的最佳地点。通过利用涵盖物理，生物和人类方面的地理数据，以及使用六种不同的分类算法的利用（CART，C4.5，C5.0，Random Forest，XGBoost和GBM），性能比较变得很重要。训练阶段特别针对圣保罗的状态，由于其植物的浓度升高，其最有效的模型随后应用于Goiás状态。随机森林算法实现的杰出性能强调了其在描述Goiás甘蔗沼气植物部署的有利地点的功效。这种方法论方法在简化决策过程，描绘有利于甘蔗生产的沼气生产的地区有望，从而优化了生物量利用，并同时减轻了环境影响和安装支出。GEOAI的融合不仅促进了可再生能源的扩散，而且还为缓解气候变化而做出了实质性的贡献，从而促进了更广泛的全球能量转变。
博士普拉文·坦瓦尔
纳米结构氧化铝中的微观结构、相形成和光带；J. Gangwar、KK Dey、Komal、Praveen、SK Tripathi、AK Srivastava；Advanced Materials Letters，2011，2(6)，402-408。“通过物理途径生长的块体碲化锡的特殊结构、光学、顺磁性、电子和电学行为”，Praveen Tanwar、AK Srivastava、Sukhvir Singh、AK Panwar，Advanced Science Letters，第 21 卷，第 9 期，2015 年 9 月，第 2855-2864(10) 页。“不同厚度碲化锡薄膜的微观结构和光学特性研究”，Praveen Tanwar、Amrish K. Panwar、Sukhvir Singh、AK Srivatava； Thin Solid Films 693 (2020) 137708。“不同厚度真空蒸发 SnTe 薄膜的结构、电学和热电性能比较”，Praveen Tanwar、AK Panwar、Sukhvir Singh、AK Srivastava、J. Nanosci. Nanotechnol. 2020, 20(6):3879-3887。“真空蒸发 SnTe 薄膜的结构、电学和热电性能研究”，Praveen Tanwar、Sukhvir Singh、AK Panwar、AK Srivastava，《印度纯粹与应用物理学杂志》第 58 卷，2020 年 10 月，第 740-749 页。 “SnTe 拓扑绝缘体上铟掺杂的超快探测”，Praveen Tanwar、Prince Sharma、AK Panwar、AK Srivastava、A. Kumar、Sukhvir Singh 和 M. Kumar；物理学 B 631 (2022) 413656。
利用功能连接组数据诊断精神分裂症
摘要 先前的深度学习方法尚未捕获大脑结构或功能连接组数据的图形或网络表示。为了解决这个问题，我们通过将 BrainNetCNN 和全局协方差池化纳入自注意力机制，开发了 BrainNet-全局协方差池化-注意力卷积神经网络 (BrainNet-GA CNN)。从 171 名精神分裂症谱系障碍 (SSD) 患者和 161 名健康对照者 (HC) 获得了静息态功能磁共振成像数据。我们对提出的 BrainNet-GA CNN 进行了消融分析，并使用嵌套十倍交叉验证策略与竞争方法进行了定量性能比较。将我们的模型的性能与竞争方法进行了比较。使用基于梯度的解释方法可视化判别连接，并与使用功能连接分析获得的结果进行比较。BrainNet-GA CNN 的准确率为 83.13%，优于其他竞争方法。在前 10 个判别连接中，一些与默认模式网络和听觉网络有关。有趣的是，这些区域在功能连接分析中也很重要。我们的研究结果表明，提出的 BrainNet-GA CNN 可以比其他模型更准确地对 SSD 和 HC 患者进行分类。显着区域的可视化提供了重要的临床信息。这些结果突出了 BrainNet-GA CNN 在精神分裂症诊断中的潜在用途。关键词：脑网络、功能连接组、卷积神经网络、全局协方差池、自我注意机制、精神分裂症
癌症诊断系统人工智能的新兴研究趋势：全面评论
本评论文章对机器学习在癌症诊断系统的应用中的当前发展进行了全面分析。机器学习方法的有效性在提高癌症检测的准确性和速度方面已经显而易见，从而解决了大而复杂的医疗数据集的复杂性。本评论旨在评估癌症诊断中采用的现代机器学习技术，涵盖各种算法，包括受监督和无监督的学习，以及深度学习和联合学习方法。讨论了不同类型数据的数据采集和预处理方法，例如成像，基因组学和临床记录。本文还研究了针对癌症诊断的特征提取和选择技术。探索了模型培训，评估指标和性能比较方法。此外，该评论还提供了有关机器学习在各种癌症类型中的应用的见解，并讨论了与数据集限制，模型可解释性，多摩学集成和道德考虑有关的挑战。强调了癌症诊断中可解释的人工智能（XAI）的新兴领域，强调了提出的特定XAI技术，以改善癌症诊断。这些技术包括模型决策的交互式可视化和针对增强临床解释的特征重要性分析，旨在提高诊断准确性和医疗决策中的透明度。本文结束了，概述了未来的方向，包括个性化医学，联邦学习，深度学习进步和道德考虑。本综述旨在指导研究人员，临床医生和决策者开发基于机器的癌症诊断系统。
比较边缘到...
分布式系统之间涉及通信的数据传输和涉及的设备的数量增加使其具有挑战性，但要具有高效且可靠的网络中间件。在机器人技术和自主系统中，ROS 2的广泛应用带来了使用各种网络中间Wares与ROS 2中的DDS一起使用的可能性，以更好地在边缘设备之间或边缘设备和云之间进行更好的通信。但是，缺乏将这些网络中间件与ROS 2进行整合的全面沟通性能比较。在这项研究中，我们提供了用于使用多个主机系统中ROS 2中的DDS（包括MQTT和ZenoH）在内的使用网络中间Wares的通信性能的定量分析。为了进行完整可靠的比较，我们通过通过以太网，Wi-Fi和4G（包括以太网，Wi-Fi和4G）发送不同的数据和数据来计算这些中间Wares的潜伏期和吞吐量。将评估扩展到现实世界的应用程序方案，我们评估了这些网络中间Wares引起的漂移误差（位置变化），机器人以相同的方形路径移动。我们的结果表明，在以太网下，Cyclonedds的性能较好，而在Wi-Fi和4g下表现更好。在实际的机器人测试中，通过Zenoh随时间时间（96 s）的机器人移动轨迹漂移误差是最小的。值得注意的是，我们对这些网络中间Wares的CPU利用率以及通过在本文末尾在ROS 2中启用安全功能造成的性能影响进行了讨论。