XiaoMi-AI文件搜索系统
World File Search System识别系统
使用实时自动识别系统 (AIS) 数据进行扩展卡尔曼滤波器设计和船舶运动预测
摘要 — 本文使用来自自动识别系统 (AIS) 的实时数据和扩展卡尔曼滤波器 (EKF) 设计来解决船舶运动估计问题。AIS 数据由全球船舶传输，甚高频 (VHF) AIS 接收器以美国国家海洋电子协会 (NMEA) 指定的格式接收编码的 ASCII 字符信号。因此，必须使用解析器解码 AIS 语句以获取实时船舶位置、航向和速度测量值。状态估计用于碰撞检测和实时可视化，这是现代决策支持系统的重要功能。使用来自挪威特隆赫姆港的实时 AIS 数据验证了 EKF，并证明了估计器可以实时跟踪船舶。还证明了 EKF 可以预测船舶的未来运动，并在防撞场景中分析了不同的规避动作。索引词——卡尔曼滤波器、状态估计、运动预测、碰撞检测、无人水面舰艇、船舶
人工智能信号识别系统的FPGA实现
心脏病是全球最常见的死亡原因。因此，检测和分类心电图 (ECG) 信号对于延长预期寿命至关重要。在本研究中，我们旨在在现场可编程门阵列 (FPGA) 中实现人工智能信号识别系统，该系统可以在需要电池的边缘设备中识别生物信号模式，例如 ECG。尽管分类准确度有所提高，但深度学习模型需要大量的计算资源和功率，这使得深度神经网络的映射速度变慢，并且在可穿戴设备上的实现具有挑战性。为了克服这些限制，已经应用了脉冲神经网络 (SNN)。SNN 是受生物启发的事件驱动神经网络，使用离散脉冲计算和传输信息，这需要更少的操作和更简单的硬件资源。因此，与其他人工神经网络算法相比，它们更节能。
人工智能人脸识别系统
该项目包括为数据库构建面部识别、电子操作和网页设计。首先，使用机器学习和深度学习算法来识别人脸。第二步，将人工智能数据传输到电子元件和传感器，以构建智能锁系统。最后一步是设计一个需要登录并根据数据库显示出勤名单的用户界面。原型可以成功识别人脸并激活电子元件。它性能快速，可以在 Google 数据库中记录有关已识别人类的信息。随着进一步的发展，原型将实现更广泛的算法，通过摄像头区分图片和真实面部。这些算法将使原型更快、更安全，并适合商业用途。
基于卷积神经网络语音识别系统操控机器人轮椅
摘要：许多轮椅使用者依赖他人来控制轮椅的移动，这严重影响了他们的独立性和生活质量。智能轮椅提供了一定程度的自立和驾驶自己车辆的自由。在这项工作中，我们设计并实施了一种低成本的软件和硬件方法来操纵机器人轮椅。此外，从我们的方法中，我们基于 Flutter 软件开发了自己的 Android 移动应用程序。我们还开发并配置了一种基于卷积神经网络 (CNN) 的网络内 (NIN) 结构方法，该方法与语音识别模型相结合，以构建移动应用程序。该技术还使用软件和硬件组件之间的离线 Wi-Fi 网络热点来实施和配置。五个语音命令（是、否、左、右和停止）通过 Raspberry Pi 和直流电机驱动器引导和控制轮椅。整个系统基于阿拉伯语母语人士针对孤立词训练和验证的英语语音语料库进行评估，以评估 Android OS 应用程序的性能。还从准确性方面评估了室内和室外导航的可操作性性能。结果表明，五个语音命令中的一些命令的准确预测准确度约为 87.2%。此外，在实时性能测试中，室内/室外操纵的计划节点和实际节点之间的均方根偏差 (RMSD) 值为 1.721 × 10 − 5
利用人工智能和语音识别系统提高客户满意度的举措
山内信介 传播中心负责人 在个人销售部门工作后，作为产品、运营和销售规划部的集团经理，负责规划和开发招聘材料、销售培训、数字营销等。自 2020 年 4 月以来的当前职位
利用深度复发神经网络的新型基于FPGA的意图识别系统
摘要：近年来，已经引入了基于非声音和非人工界面的监视和控制家庭环境的系统，以改善流动性困难的人的生活质量。在这项工作中，我们介绍了利用经常性神经网络（RNN）的这种新型系统的可重新实现和优化。在实现现实世界结果中所证明的是，在实施RNN时，FPGA被证明非常有效。尤其是，我们可重新发现的实现比执行参考推理任务的高端Intel Xeon CPU快150×。此外，与服务器CPU相比，所提出的系统在能量效率方面达到了300倍以上的改进，而在所报告的已达到的GFLOPS/W方面，它甚至超过了服务器量的GPU。本研究中讨论的工作的另一个重要贡献是，所证明的实施和优化过程也可以作为对实施RNN的推理任务的任何人的参考；我们的C ++代码是针对高级合成（HLS）工具量身定制的，这进一步促进了这一事实。
利用人工智能的航空语音识别系统
在边缘本地运行语音识别模型非常困难（例如，在飞机或其他车辆内，无需连接到云端）。典型的语言处理 AI 系统利用大量服务器基础设施来处理语音，而 Appareo 目前在 iPad 或 iPhone 上运行 ATC Transcription。此外，该模型能够托管在其他硬件平台上，例如 nVidia Jetson Nano 或 Appareo 制造的定制解决方案（见下图）。这使得 ATC Transcription 可以在网络覆盖范围之外运行，安全可靠地执行其功能。
在本文中，我们描述了巴西联邦税务特别秘书处 (RFB) 2019 年的人工智能计划。RFB 涵盖巴西的海关部门和国税局，这两个领域都有人工智能计划。其中之一是全国范围内成熟的人工智能，其核心技术由 RFB 创建和开发：通过机器学习的海关选择系统 (Sisam)。在海关领域，我们还有其他正在生产的人工智能，如 Aniita 系统中的专家系统和 Iris 人脸识别系统。其他一些计划已部分实施、处于测试或开发后期。海关和国税局都有此类计划。越来越多的计划正处于起步阶段。
在本文中，我们描述了巴西联邦税务特别秘书处 (RFB) 2019 年的人工智能计划。RFB 涵盖巴西的海关部门和国税局，这两个领域都有人工智能计划。其中之一是全国范围内成熟的人工智能，其核心技术由 RFB 创建和开发：通过机器学习的海关选择系统 (Sisam)。在海关领域，我们还有其他正在生产的人工智能，如 Aniita 系统中的专家系统和 Iris 人脸识别系统。其他一些计划已部分实施、处于测试或开发后期。海关和国税局都有此类计划。越来越多的计划正处于起步阶段。
引用：Pueyo V、Pérez-Roche T、Prieto E 等人。基于人工智能的儿童视觉问题识别系统开发：TrackAI 项目研究方案。BMJ Open 2020；10：e033139。doi:10.1136/bmjopen-2019-033139
摘要 简介 世界上 1900 万名视障儿童中，约 70% 至 80% 的儿童患有可预防或可治愈的疾病，只要及早发现即可。儿童视力筛查是一种基于证据且经济有效的检测视力障碍的方法。然而，目前的筛查计划面临几个限制：需要培训才能有效执行，缺乏准确的筛查工具以及幼儿协作能力差。其中一些限制可以通过新的数字工具克服。实施基于人工智能系统的系统可避免解释视觉结果的挑战。TrackAI 项目的目标是开发一个识别视力障碍儿童的系统。该系统将有两个主要组成部分：一种在数字设备 DIVE（综合视觉检查设备）中实施的新型视觉测试；以及将在智能手机上运行的人工智能算法，用于自动分析 DIVE 收集的视觉数据。方法与分析 这是一项多中心研究，至少有五个位于五个不同地理位置的研究地点的中心参与招募，覆盖欧洲、美国和亚洲。这项研究将包括年龄在 6 个月至 14 岁之间的儿童，他们的视力发育正常或异常。该项目将分为两个连续阶段：设计和训练人工智能 (AI) 算法以识别视觉问题，以及系统开发和验证。研究方案将包括由经验丰富的儿科眼科医生进行的全面眼科检查，以及使用 DIVE 进行的视觉功能检查。对于研究的第一部分，将为每个 DIVE 检查提供诊断标签以训练神经网络。为了进行验证，将眼科医生提供的诊断与 AI 系统结果进行比较。伦理与传播 本研究将按照良好临床实践原则进行。本方案已于 2019 年 1 月获得阿拉贡临床研究伦理委员会 CEICA 批准（编号 PI18/346）。