XiaoMi-AI文件搜索系统
World File Search System普里斯
评估科索沃普里斯蒂纳区饮用水的水质
摘要。水质是计划使用水时的必要条件。从这个意义上讲，对其质量的评估和认可至关重要。本文涉及普里斯蒂纳市的井水质量。为了实现这项工作的目标，在2022年8月和9月，在四口井中取水，以分析水的物理，化学和微生物参数。研究工作和获得的结果表明；从四个样品中分析的水井没有浊度和氯的存在迹象。发现温度，pH，总硬度，溶解氧，亚硝酸盐，硝酸盐，硫酸盐，锰和氨的值在管理指令号10/2021，而铁显示较高的值（高于允许的值）。水中参数的高价值使其无法使用，而污染水的使用会给社区带来健康问题。因此，对于政策制定者和饮用水服务提供商来说，对用于公共消费的水的质量和数量的永久监测应是一个重点。关键词：水质，物理化学特性，Pristina-Kosovo，生物学参数。
伊斯兰阿扎德大学阿利亚·卡图尔分公司电气工程系，伊朗阿利亚亚·卡托尔（Aliabad Katoul）（1,2,3）OrcID：1。0000-0001-7004-3311; 2。技术科学学院，普里斯蒂纳大学的科索夫斯卡大学米特罗维卡，knjazaMiloša7，38220 Kosovska Mitrovica，塞尔维亚（1），MB University，DEP
技术科学学院，普里斯蒂纳大学的科索夫斯卡米特罗维卡大学，KnjazaMiloša7，38220 Kosovska Mitrovica，塞尔维亚，塞尔维亚（1），MB大学，信息技术系，Prote Mateje Br。21，11111 Beograd，塞尔维亚（2）OrcID：1.0000-0002-6557-4553; 2.0000-0002-1492-7638; 3.0000-0002-6867-7259; 4.0000-0002-2240-3420 DOI：10.15199/48.2024.09.55使用机器学习和数字图像处理摘要对电子废物类型进行分类。本文探讨了深度学习和计算机视觉技术在自动分类和检测电子废物（电子废物）中的应用。开发了基于卷积神经网络（CNN）和更快的R-CNN的系统，用于分析电子废物图像并提取有关设备类型和尺寸的信息。该实验是在三个关键电子废物类别的500个现实世界图像的数据集上进行的 - 冰箱，厨房炉灶和电视。结果证明，使用CNN使用R-CNN的92％的分类精度为92％。所获得的数据可以更精确的废物收集计划。主要结论是，深度学习具有改善电子废物管理系统的巨大潜力。Streszczenie。artykuł十BADA ZASTOSOWANIETECHNIKGłęBokiegoUczenia i widzenia komputerowego do automatycznej klasyfikacji i detekcji elektronicznychnychnychnychnychnychnychnychnychodpadów（e-dodpadów）。opracowany zostaje系统oparty na spotowych siecioch sieciach neuronowych（CNN）i szybszym r-cnn做a andaleizyobrazówe-odpadówe-odpadóworaz wydobycia wydobycia wydobycia wydobycia norlakacji norlage o typie typie o typie typie o typie typie t typie imiarachsprzętu。uzyskane daneumoêliwiająbardziejprecyzyjne planowanie zbieraniaodpadów。该实验是在三个关键类别的E Trantpts-Ryfragerators，厨房炉灶和电视的三个关键类别的数据集上进行的。结果显示，使用CNN使用R-CNN的检测精度为92％，结果表现出92％的高分类精度。主要的结论是，深层教学具有改善电子废物管理系统的巨大潜力。（使用机器学习和数字图像处理的电子废物类型的分类）关键词：电子废物，卷积神经网络，计算机视觉，废物分类。关键字：电子废物，编织神经网络，计算机视觉，废物分类。引言电子废物（电子废物）的财产管理正在随着全球干燥废物量增长而变得越来越多。尽管电子垃圾容器高度有价值用于回收利用，但它也可以包含汞，铅和镉等物质。因此，收集，分类和处理电子废物的开发有效系统至关重要。本文研究了使用图像识别技术提高电子快速管理效率的概念。所考虑的系统是基于通过拍摄废物对象获得的视觉数据的分析。目的是通过简单的用户界面来促进电子废物的识别和分类，从而巩固了智能战斗的无处不在和更轻松的互联网访问。这种方法的核心组成部分是深层神经网络，特别是深层卷积神经网络（CNN）的应用，用于图像分析。这种创新的方法使个人可以通过应用程序或服务器将废物对象的照片发送给收集公司，在这种情况下，将使用图像识别技术自动识别废物类型。第一阶段涉及废物类型分类，为此使用深层卷积神经网络。CNN是一种旨在从图像中提取复杂特征的体系结构，并根据某些标准学会区分它们。该技术可以具有很高的准确性对不同的电子废物类别进行可靠的分类。第二个关键组件是更快的区域卷积神经网络（R-CNN），这是图像中的高级对象检测技术。该网络可从电子废物照片中识别设备类别和尺寸估计。将R-CNN集成到系统中，可以对图像中的废物组件进行更详细的了解，这对于成功的废物管理至关重要。研究结果表明，识别和分类所选的电子废物类别的准确性很高，精度为90-97％。这种准确性确认了所提出的方法的效率，并表明其在现实世界中的潜力。管理电子废物正在成为现代社会和经济的组成部分
ANN的SOC估计锂离子电池 orcID：2。0000-0001-7601-7851 3。0000-0003-2784-5022 4.0000-0002-1442-2365 doi：10.15199/48.2024.02.35 iot基于IoT的水表面清洁机器人 politechnikaśląska（1），politechnika lubelska（2）orcid：1。0000-0002-4279-0472; 2。0000-0003-0850-7108doi：10.15199/48.2024.05.43 Perspektywy Roz 伊斯兰阿扎德大学阿利亚·卡图尔分公司电气工程系，伊朗阿利亚亚·卡托尔（Aliabad Katoul）（1,2,3）OrcID：1。0000-0001-7004-3311; 2。 技术科学学院，普里斯蒂纳大学的科索夫斯卡大学米特罗维卡，knjazaMiloša7，38220 Kosovska Mitrovica，塞尔维亚（1），MB University，DEP
电气工程系Tahri Mohamed University，Bechar，Algeria doi：10.15199/48.2024.08.41 ANN ANN方法的SOC估算锂离子电池摘要。充电器或SOC是电动汽车的电池组对汽油量表的类似物。在包括电动汽车（EV）在内的所有电池应用中确定电荷状态至关重要。本文的目标是使用人工神经网络（ANN）估算高容量锂离子电池（LIB）的充电状态（SOC）。这是必要的，因为无法直接测量SOC；取而代之的是，必须使用可测量的电池指标（例如温度，电压和电流）来计算它。可以获得可以在不久的将来预测SOC的准确预测模型。模拟数据集和ANN模型表示同意，表明该模型的强劲性能。Streszczenie。StanNaładowania，Czyli Soc，odpowiednik wskaitnika benzyny w Zestawie akeStawieakumulatoromatorówpojazdu elektrycznego。ustalenie stanunaładowaniaakumulatoromatorówstajesięniezwykle istotne我们wszystkich zastosowaniach，w tym w tym w samochodach elektrycznych（ev）。celem tegoartykułujest wykorzystanie sztucznej sieci sieci neuronowej（ann）do oszacowania stanu stanunaładowania（soc）akumulatora litowo litowo-jonowo o jonowogo om jonowogo opojemności（lib）。开玩笑，poniewaêSocnieMioMnaZmierzyćBezpośrednio； ZamiasttegoNależygoobliczyćNapodstawiemierzalnychparametrówakumulatora，takich jak tempatura，napięcieiprąd。moêliwejest uzyskaniedokładnego模型predykcyjnego，którybędziew stanieprzewidziećsoc wnajbliêszejprzyszłości。SymulowanyZbiórDanychI Model SsnbyłyZgodne，Co wskazuje nawysokąWydajność模型。( Podejście ANN do szacowania SOC baterii litowo-jonowej ) Keywords: Electric Vehicle, State of Charge, Open Circuit Voltage, ANN Słowa kluczowe: Pojazd elektryczny, stan naładowania, napięcie obwodu otwartego, SSN I.简介运输部门正在迅速朝着电动汽车（EV）迈进，这被认为更可靠和高效，并且已经开始在市场上竞争。根据电气化程度，电动汽车包括所有AEV，更多的MEV，PHEVS（插电式混合动力汽车）和HEVS（混合电动汽车）。为电动汽车研发，生产和商业化提供的大量资金来自政府机构，学术机构，商业和公众，以满足对电动汽车的不断增长的需求。电动汽车的规格范围非常广泛。许多技术都是适合的，因为每个应用程序对电动机都有不同的需求[1]。术语“储能系统”（ESS）是指使用机械，化学，电化学和电气方法来存储由各种来源产生的盈余电能的一组设备。尽管每种技术都有自己的优点和缺点，但环境，独立系统运营商，设备制造商，最终用户，监管机构和能源服务提供商都从这些技术中受益。为了尽可能有效地计划存储系统，需要了解两条信息。随着ANN方法的应用，我们的贡献寻求：首先，准确地预测ESS将运行的时间范围内的负载配置文件。第二，使用付费（SOC）估计在计划时间
彼得·赛普里斯
Pietro Cipresso 博士自 2017 年起担任心理测量学研究员 (M-Psi/03)，并担任米兰天主教大学心理学研究方法学教授。他从事计算技术工作约 17 年，在过去五年中撰写了 100 多篇科学出版物，并出版了《虚拟现实：技术、医疗应用和挑战》、《计算心理测量的要素》、《混沌边缘的情绪建模。从心理生理学到网络情绪》、《心理健康的计算范式》、《社交网络心理学》等多部书籍。他曾担任访问研究学者，并与麻省理工学院 (MIT) 和许多其他国际研究中心合作。最近，他被邀请担任澳大利亚墨尔本莫纳什大学的访问研究员，于2017年夏天在世界著名神经科学科学家Murat Yucel教授的实验室进行研究。 Cipresso 是欧洲项目 (BodyPass：API-跨部门交换 3D 个人数据的生态系统) 的团队负责人。