XiaoMi-AI文件搜索系统
World File Search System数据融合
多传感器数据融合，以改善物理量的估计和预测
最重要的是，我对全能的真主表示最深切的感谢，他的无限怜悯和无限的恩典在整个旅程中引导了我。我还要对我的主管教授扬·伦德格伦（Jan Lundgren）教授和共同裁员马蒂亚斯·奥尼尔斯（Mattias O'Nils）教授的坚定支持，指导和鼓励。他们的指导一直在我从工程师转变为研究人员的转变中发挥了作用，使我有能力以有意义的方式为社会做出贡献。我对孟加特·奥尔曼（Bengt Oelmann）的审查并提供了宝贵的反馈。我衷心感谢我在该部门的同事们的持续支持，协作精神和表现的行政援助。最后，对我的父母做了无数牺牲以支持我的旅程。您应该得到一切，我很自豪地说您是世界上最好的父母。对我的妻子和两个男孩，他们对我的爱与信仰是我最大的力量。在我们分享的每一刻，我都非常感谢。愿这些记忆是时间的标记，共同度过了良好的时间。
神经营销中的数据融合
任何公司的首要目标都是通过提高产品质量和广告方式来增加利润。在此背景下，神经营销旨在加强产品推广，并让潜在买家接受更多产品。传统上，神经营销研究依靠单一生物信号来获得所呈现刺激的反馈。然而，由于研究这一知识领域的新设备和技术进步，最近的趋势表明，人们正在转向融合不同的生物信号。一个例子是使用脑电图来了解广告在神经层面的影响，并使用视觉跟踪来识别引起这种影响的刺激。这种新兴模式决定了要使用哪些生物信号来实现特定的神经营销目标。此外，融合来自多个来源的数据需要先进的处理方法。尽管存在这些复杂性，但仍缺乏充分整理和组织各种数据源以及应用处理技术以实现研究目标的文献。为了应对这些挑战，本文对神经营销研究的目标、生物信号和数据处理技术进行了全面分析。本研究提供了修订中的元素的技术定义和图形分布。此外，它还根据研究目标进行了分类，并概述了所采用的组合方法。此后，本文研究了为神经营销研究设计的主要公共数据集以及其他主要目的不是神经营销但可用于此事的数据集。最后，这项工作提供了近年来各个阶段技术演变的历史视角，并列举了主要的经验教训。
社论：人工智能与多模态医学成像数据融合改善心血管疾病护理
当今的数字健康旨在提高医疗服务效率以及个性化、及时的疾病护理。心血管疾病 (CVD) 是全球领先的死亡原因。在美国，三分之一的成年人患有某种形式的 CVD。预计到 2035 年，美国近一半的人口将患有至少一种 CVD，直接和间接总成本可能超过 1 万亿美元 (1-3)。医学成像数据涵盖多种主要以孤岛形式使用的模式。这些包括计算机断层扫描 (CT)、磁共振成像 (MRI)、CT 衍生的血流储备分数 (CT-FFR)、心脏 MRI、全心脏动态 3D 心脏 MRI 灌注、3D 心脏 MRI 晚期钆增强、心脏正电子发射断层扫描 (PET)、超声心动图和冠状动脉造影。然而，在混合配置中仅使用少数几种模式，例如正电子发射断层扫描与计算机断层扫描 (PET/CT)、单光子发射计算机断层扫描与 CT (SPECT/CT)、超声心动图和侵入性血管造影。整合这些不同的成像模式会给临床医生带来负担，因为它会增加复杂性、潜在的不准确性并增加医疗成本。本研究课题侧重于融合技术，该技术能够整合和建模这些多种模式，以提供互补信息，帮助改善心血管疾病护理。这些模式将利用机器学习 (ML) 和深度学习 (DL) 技术以及其他最先进的技术。以下是本研究课题的一些见解和发现：
数据融合和优化技术，以增强智能城市的自动驾驶性能
Rutgers University，New Brunswick，New Jersey，USA ys820@rutgers.edu *作者应与之交谈。 摘要：研究研究了数据融合和优化技术的使用，以改善智能城市环境中自动驾驶系统的性能。 通过整合来自多个传感器，雷达，摄像机和传感器在内的多个传感器的数据，该系统增强了其对环境的看法和理解。 此外，5G，LTE-V和DSRC Technologies启用V2X通信，促进车辆，基础设施和其他道路使用者之间的实时互动。 该研究采用深度学习和强化学习算法来实时路径计划，障碍检测和能源效率优化。 在各种城市场景中进行的模拟表明，通过优化的车辆操作来显示障碍检测准确性，交通安全性以及减少能源消耗的显着改善。 此外，系统对通信延迟和数据丢失的弹性突出了提议的数据融合和在动态环境中的鲁棒性。 关键字：智能运输系统；连接和自动驾驶汽车；可持续城市；聪明的城市。 被引用为：Sun，Y。，＆Ortiz，J. （2024）。 数据融合和优化技术，以增强智能城市的自动驾驶性能。 人工智能与信息杂志，1，42-50。 取自https://woodyinternational.com/index.php/jaii/article/article/view/50 1。 Yao等。 根据Wang等人的说法。 Liu等。Rutgers University，New Brunswick，New Jersey，USA ys820@rutgers.edu *作者应与之交谈。摘要：研究研究了数据融合和优化技术的使用，以改善智能城市环境中自动驾驶系统的性能。通过整合来自多个传感器，雷达，摄像机和传感器在内的多个传感器的数据，该系统增强了其对环境的看法和理解。此外，5G，LTE-V和DSRC Technologies启用V2X通信，促进车辆，基础设施和其他道路使用者之间的实时互动。该研究采用深度学习和强化学习算法来实时路径计划，障碍检测和能源效率优化。在各种城市场景中进行的模拟表明，通过优化的车辆操作来显示障碍检测准确性，交通安全性以及减少能源消耗的显着改善。此外，系统对通信延迟和数据丢失的弹性突出了提议的数据融合和在动态环境中的鲁棒性。关键字：智能运输系统；连接和自动驾驶汽车；可持续城市；聪明的城市。被引用为：Sun，Y。，＆Ortiz，J.（2024）。数据融合和优化技术，以增强智能城市的自动驾驶性能。人工智能与信息杂志，1，42-50。取自https://woodyinternational.com/index.php/jaii/article/article/view/50 1。Yao等。根据Wang等人的说法。Liu等。Liu等。引言随着城市化的加速，智能城市的发展已成为政府和行业通过数字技术的整合来优化城市生活的关键倡议。这种转变的一个核心是自动驾驶系统的部署，预计该系统将在增强城市流动性，减少交通拥堵并改善道路安全方面发挥关键作用。由高级通信网络和数据驱动基础设施支持的自动驾驶汽车（AV）对于管理日益复杂的城市环境而变得至关重要。（2022）强调，智能城市基础设施对于成功实施自动驾驶汽车至关重要，这指出了数据驱动方法在改善交通管理方面的重要性。尽管有希望在AV技术方面取得了希望，但仍存在一些挑战，尤其是在人口稠密的城市地区。复杂的道路网络，不同的交通状况以及不可预测的行人行为需要复杂的数据处理和实时决策功能。（2024），自主驾驶技术可以大大降低交通拥堵和事故率，但这需要高度准确，及时的传感器数据融合。此外，Zhou等。（2024）指出，在城市环境中，AVS必须依靠Lidar，相机和雷达等传感器的组合，以及车辆到所有的通信系统来收集和处理周围环境的数据。最近的研究表明，多传感器融合解决这些挑战的潜力。此外，Aldeer等人。（2024）证明，将来自各种传感器的数据结合起来增强了AVS检测障碍和更准确预测交通流量的能力。与这些发现一致，Zhang等人。（2024）强调，人工智能（AI），尤其是深度学习和强化学习，通过从多个来源处理复杂的数据集来实现AV系统的实时决策中起着至关重要的作用。（2024）认为，AI与边缘计算技术的集成可以更有效地数据处理，从而提高了自主驾驶的安全性和效率。尽管在整合AI和传感器融合技术方面取得了进展，但在AV系统中的数据融合和优化技术的应用仍然是
模型和数据融合：癌症研究中的物理驱动学习
肿瘤细胞的机械生物学在体外理解机械和物理线索如何影响恶性组织的侵入性策略对于治愈许多癌症至关重要。 已经提出了许多体外系统模型来捕获癌细胞的复杂特征（例如 迁移，增殖，聚集和对疗法的抵抗力），以及癌症及其周围环境之间的动态和不断发展的反馈，即 机械 - 重生（Friedl）。肿瘤细胞的机械生物学在体外理解机械和物理线索如何影响恶性组织的侵入性策略对于治愈许多癌症至关重要。已经提出了许多体外系统模型来捕获癌细胞的复杂特征（例如迁移，增殖，聚集和对疗法的抵抗力），以及癌症及其周围环境之间的动态和不断发展的反馈，即机械 - 重生（Friedl）。
智能医疗的人工智能和多模态数据融合：主题建模和文献计量学
摘要 人工智能 (AI) 的进步推动了广泛的研究，旨在为智能医疗开发多种多模态数据分析方法。基于定量方法的该领域文献大规模分析很少。本研究对 2002 年至 2022 年的 683 篇文章进行了文献计量和主题建模检查，重点关注研究主题和趋势、期刊、国家/地区、机构、作者和科学合作。结果表明，首先，文章数量从 2002 年的 1 篇增加到 2022 年的 220 篇，其中大多数发表在将医疗保健和医学研究与信息技术和人工智能联系起来的跨学科期刊上。其次，研究文章数量的显着增加可以归因于非英语国家/地区学者的贡献不断增加，以及美国和印度作者的显著贡献。第三，研究人员对各种研究问题表现出浓厚的兴趣，尤其是用于脑肿瘤分析的跨模态磁共振成像 (MRI)、通过多维数据分析进行癌症预测以及医疗保健中的人工智能辅助诊断和个性化，每个主题的研究兴趣都在显著增加。目前，一种新兴趋势是将生成对抗网络和对比学习应用于多模态医学图像融合和合成，并以数据为中心利用功能性 MRI 和脑电图的组合时空分辨率。这项研究有助于增强研究人员和从业者对基于多模态数据分析的人工智能智能医疗的当前焦点和未来发展轨迹的理解。
基于自适应学习的基于人类与肉手对抗游戏的多模式数据融合框架
在人类和机器人之间玩游戏已成为广泛的人类与机器人对抗（HRC）应用程序。尽管提出了许多方法来通过组合不同的信息来提高跟踪准确性，但仍需要解决机器人智能程度的问题以及运动捕获系统的抗干扰能力。在本文中，我们提出了基于自适应的增强学习（RL）多模式数据融合（ADARL-MDF）框架，教机器人手与人类一起玩摇滚纸 - 剪裁（RPS）游戏。它包括一种自适应学习机制，以更新整体分类器，一个RL模型，为机器人提供智力智慧，以及一个多模式数据融合结构，为干扰提供了阻力。相应的实验证明了ADARL-MDF模型的上述功能。比较精度和计算时间通过结合K-Nearest邻居（K-NN）和深卷积神经网络（DCNN）来表明集合模型的高性能。此外，基于深度视觉的K-NN分类器获得100％的识别精度，因此可以将预测的手势视为实际值。演示说明了HRC应用的实际可能性。该模型所涉及的理论提供了发展HRC智能的可能性。©2023作者。由Elsevier Ltd.这是CC下的开放访问文章（http://creativecommons.org/licenses/4.0/）。
神经营销中的数据融合
任何公司的主要目标是通过提高产品的质量和广告方式来增加利润。在这种情况下，神经营销旨在增强产品的促进并对潜在买家产生更大的认可。传统上，神经营销研究依赖于单个生物信号来从提出的刺激中获得反馈。但是，由于研究了这一知识领域的新设备和技术进步，最近的趋势表明，向多种生物信号融合的转变。一个例子是脑电图的用法，用于理解广告在神经层面和视觉跟踪中的影响，以识别引起这种影响的刺激。这种新兴模式决定了要实现特定神经营销目标的生物信号。此外，来自多个来源的数据融合需要高级处理方法。尽管有这些复杂性，但缺乏足够的文献来整理并组织了各种数据源以及为追求的研究目标的应用处理技术。为了应对这些挑战，当前的论文对神经营销研究中采用的目标，生物信号和数据处理技术进行了全面分析。这项研究既提供了修订版中元素的技术定义和图形分布。此外，它提出了基于研究目标的分类，并提供了所采用的组合方法的概述。之后，本文研究了专为神经营销研究设计的主要公共数据集以及主要目的不是神经营销但可以用于此问题的其他人。最终，这项工作提供了近年来技术在各个阶段的发展的历史观点，并列举了所学的关键课程。
一种基于SAR与光学图像数据融合的目标检测方法 孙慕涵, 周银清, 徐华平
tib.eu › viewer › content › targetFileName=...MSDF（多传感器数据融合）的概念和技术利用了...计算负担非常大，因此目标算法。
基于激光和雷达传感器数据融合的临时视觉限制环境的多体腿跟踪
背景（黑色气缸）检测；这两个图像都是整个场景的摘录。（a）分类后的激光检测。簇通过绿线连接。（b）分类后的雷达检测。蓝色框架封闭了真实的阳性，红色框架封闭了误报（比较第8.1节）。簇被黑线包围。