XiaoMi-AI文件搜索系统
World File Search System软计算
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
银 MBA FDP1
最近，他被斯坦福大学和爱思唯尔评为 2023 年世界前 2% 科学家。他于 2019 年在印度理工学院坎普尔分校获得博士后学位，并于 2015 年在印度理工学院 Kharagpur 分校获得博士学位，并获得了印度政府颁发的 MHRD 奖学金。他撰写/编辑了 42 本书，由 IEEE-Wiley、Springer、Wiley、CRC Press、NOVA 和 DeGruyter 出版。他的研究领域包括数据挖掘、大数据分析、认知科学、模糊决策、脑机接口、认知和计算智能。SN Mohanty 教授在攻读博士学位期间曾四次获得最佳论文奖。他曾在 2013 年于中国北京举办的国际会议上和由 IIT Rookee 组织的国际软计算应用会议上获得过一等奖。2015 年，他荣获了印度计算机学会最佳论文奖一等奖。
内容
计算机软件与硬件，包括算法和数据结构；编程方法与语言；数据库系统、并行处理；操作系统；人工智能与软计算，包括神经网络、遗传算法与量子计算；语音与语言识别；计算机视觉、图像处理与模式识别；自动机理论与应用第三部分：机械工程制造与成型技术，包括先进加工方法；生产工程；工业工程；精密工程；铸造技术；焊接与连接；计量学；机械加工；热科学与工程，包括热力学、燃烧、传热、空调与气候控制；固体设计与分析；热与流体机械系统；机器、结构与设备，包括运动学、机电一体化与机器人、微机械系统（MEMS）；摩擦学；汽车工程；船舶与海洋工程；振动工程、声学与噪声原动机；固体与流体的实验与计算应力分析； CAD/CAM、CIM；无损评价第四部分：化学工程
无标题 - X档案
在新墨西哥大学机器人与自动化国家重点实验室 (ACE)，学生和教职研究人员正在使用软计算技术创建自主控制范例，为机器人提供“智能”。美国国家航空航天局机器人与自动化国家重点实验室当前的研究课题之一是使用多个自主机器人协作执行任务。这些机器人与石器机器人方法相比，具有多种优势，例如通过数量冗余实现的稳健性、减小的尺寸和重量，以及降低生产成本。模糊逻辑和模糊控制、传感器融合和规则层次方法使这些复杂系统能够运行。最后，通过进化方法优化的分层模糊系统作为控制器，与算法相结合，被两支对立的机器人队伍用来进行足球比赛。在本系列文章的第一部分中，我们将讨论模糊逻辑和模糊控制。第二部分将探讨机器人足球的模糊控制和模糊行为。
无标题 - X档案
在新墨西哥大学机器人与自动化国家重点实验室 (ACE)，学生和教职研究人员正在使用软计算技术创建自主控制范例，为机器人提供“智能”。美国国家航空航天局机器人与自动化国家重点实验室当前的研究课题之一是使用多个自主机器人协作执行任务。这些机器人与石器机器人方法相比，具有多种优势，例如通过数量冗余实现的稳健性、减小的尺寸和重量，以及降低生产成本。模糊逻辑和模糊控制、传感器融合和规则层次方法使这些复杂系统能够运行。最后，通过进化方法优化的分层模糊系统作为控制器，与算法相结合，被两支对立的机器人队伍用来进行足球比赛。在本系列文章的第一部分中，我们将讨论模糊逻辑和模糊控制。第二部分将探讨机器人足球的模糊控制和模糊行为。
计算机科学与信息系...
CSC23C201 数字逻辑 3+1+0=4 CSC23C301 数据结构 3+0+1=4 CSC23C302 数学-I 3+1+0=4 CSC23C401 数据库管理系统 3+0+1=4 CSC23C402 Python 编程 3+0+1=4 CSC23C403 计算机组织与架构 3+1+0=4 CSC23C501 计算理论 3+1+0=4 CSC23C502 数值方法 3+1+0=4 CSC23C503 面向对象编程 3+0+1=4 CSC23C504 算法设计与分析 3+0+1=4 CSC23C601 人工智能 3+1+0=4 CSC23C602 操作系统 3+0+1=4 CSC23C603 计算机网络 3+0+1=4 CSC23C604 软件工程 3+1+0=4 CSC23C701 图像处理和计算机视觉 3+0+1=4 CSC23C702 机器学习 3+0+1=4 CSC23C703 编译器设计 3+1+0=4 CSC23C704 软计算 3+1+0=4 CSC23C801 移动计算 3+1+0=4 CSC23C802 网络安全和密码学 3+1+0=4 CSC23C803 数据挖掘 3+0+1=4 CSC23C804 深度学习 3+0+1=4 计算机科学与信息技术系提供的辅修课程清单 论文代码 论文标题 学分 (LTP) CSC23M101 使用 C 语言进行编程和解决问题
信息手册
计算机视觉、物联网、网络物理系统、自然语言处理、农业人工智能、将机器学习应用于音频、语音、文本、图像、语音/音频中的关键词识别、语音理解、音频/语音检索、数据挖掘、机器学习、社交媒体挖掘、物联网、优化算法、无线传感器网络、边缘计算、高性能计算。量子机器学习、量子通信、通信系统的人工智能/机器学习：联邦学习、移动边缘计算、工业物联网（IIoT）和云计算、先进移动通信（5G/6G）、先进计算机网络中的博弈论应用、人工智能、深度学习和软计算、区块链、密码学、安全和隐私、工业物联网、安全中的人工智能/机器学习应用。 兼职/自费/赞助：脑机接口、机器学习、计算机视觉、物联网、网络物理系统、自然语言处理、农业人工智能、将机器学习应用于音频、
不同人工智能技术在爆炸空气超压预测中的比较研究
摘要：爆破是露天矿中最常见的岩石破碎方法。然而，它的副作用也不容小觑，例如飞石、地面振动、粉尘、有毒副产品、空气过压和背裂。这些影响会显著改变周围环境，尤其是在压力高于正常水平时。本研究提出并比较了四种用于预测爆炸引起的空气过压的人工智能模型，即多层感知器 (MLP)、随机森林 (RF)、等渗回归 (IR) 和 M5 规则。根据输入变量，即堵塞长度 (T)、每延迟炸药量 (W)、负担 (B)、监测距离 (R) 和间距 (S)，选择空气过压作为输出变量。使用几个统计性能指标，包括判定系数 (R²)、根相对平方误差 (RRSE)、均方根误差 (RMSE)、平均绝对误差 (MAE) 和相对绝对误差 (RAE) 来评估模型。此外，还采用了颜色强度分组排序方法和一般排序方法进一步评估模型。基于性能指标的结果证实，与其他技术相比，M5-Rules 是出色的模型。关键词：爆炸引起的空气过压；人工智能技术；地球科学；采石场；软计算
时空信息融合在船舶辅助系统故障检测中的应用
传感器融合一直是数据分析及其应用的重点主题之一。个体传感信息通常用于揭示潜在的过程动态并识别其中的潜在变化。这些系统通常配备具有（可能）不同模态的多个传感器。这些问题表明需要融合分布式和异构信息，以便实时准确推断关键系统的状态。为此，本文开发并验证了分布式物理过程（例如，船上辅助系统）中的故障检测和分类方法。文献中提出了几种传感器融合方法来解决故障检测问题，包括线性和非线性滤波器、自适应模型参考方法和基于神经网络的估计方案。然而，据作者所知，这些技术尚未应用于船上系统，因为存在一些固有的困难，包括：（可能）信号的非平稳行为、过程动态的潜在非线性、输入输出和反馈相互作用、多模态数据的缩放和对齐以及乘性过程噪声。上述一些问题可以在一定程度上简化或通过更简单的解决方案来近似。例如线性和线性化建模和贝叶斯估计技术（例如扩展卡尔曼滤波和粒子滤波）[1][2]。研究人员还使用了软计算
使用机器学习和Deep
勒索软件在整个现代时代攻击了对网络安全的最大诱人危险。安全软件在勒索和零日间谍软件突击方面经常无效；严重的净漏洞可能会导致大量信息损失。这些袭击正在创造一场资源竞争，这些攻击变得越来越灵活，并且越来越有能力改变它们的出现方式。在这篇评论文章中，主要的目标是伦理软件检测的最新趋势，也是可能的进一步研究的可能方向。本文提供了有关勒索软件的背景信息，攻击时间表以及病毒的概述。此外，它还对当前识别，避免，减少以及从勒索软件攻击中恢复的策略进行了详尽的分析。另一个收益包括对2016年至2023年之间进行的研究的检查。这使Booklover当前对勒索软件检测的最新突破有了最新的了解，并展示了防止勒索软件攻击的技术的改进。关键字 - 勒索软件检测，机器学习，软计算，软件定义网络（SDN）