XiaoMi-AI文件搜索系统
World File Search SystemANOMALIES
自主的自动实时异常检测...
摘要 — 近期飞行器使用量的增加引发了人们对自主操作安全性和可靠性的担忧。人们越来越需要方法来监控这些飞机的状态并向安全飞行员或自动驾驶仪报告任何故障和异常以应对紧急情况。在本文中，我们提出了一种使用递归最小二乘法实时检测飞机行为异常的方法。该方法在线建模相关输入输出对之间的关系，并使用该模型检测异常。结果是一种易于部署的异常检测方法，它不假设特定的飞机模型，并且可以检测各种自主飞机中的多种类型的故障和异常。对该方法的实验表明准确率为 88 。23%，召回率为 88 。23% 和 86 。超过 22 次飞行测试的准确率为 36%。另一项贡献是为自动驾驶飞机提供了一个新的故障检测开放数据集，其中包含 22 次固定翼飞行的完整数据和地面实况，其中包括 8 种不同类型的飞行中执行器故障，以帮助未来飞机故障检测研究。
评估地球物理方法探测地下空洞
相对评估了四种地球物理方法的检测地下异常/空隙的能力，即电阻率层析成像（ERT），表面波的多通道分析（MASW），地面穿透性雷达（GPR）（GPR）和全波形倒置（FWI）。我们发现： ERT非常适合检测和定位地下异常，但可能无法准确大小或表征异常/空白的材料组成； b。在大多数现实的现场条件下，MASW是不合适的。 c。基于计算模拟，FWI似乎合适，并且可能满足现场条件的需求，但是该功能未测试。和d。由于深度限制，GPR在异常检测中的能力非常有限，它缺乏一致性，并且很大程度上取决于操作员的经验。即使检测成功，使用GPR的异常大小和表征也是不可行的。给定大多数基础架构项目常见的现场现实，我们建议继续使用ERT检测地下异常/空隙。我们还建议将来的研究努力集中在a上。联合发生和基于多物理的方法； b。软件开发。
利用卷积神经网络的 VGG-16 进行医学...
摘要 — 医学图像分类是医疗保健领域的一个重要关注领域，它涉及准确分类图像中的异常或异常。它需要快速准确的分类以确保对患者进行适当和及时的治疗。本文介绍了一种基于卷积神经网络 (CNN) 的模型，该模型利用 VGG16 架构进行医学图像分类，特别是在脑肿瘤和阿尔茨海默氏症数据集中。VGG16 架构以其提取重要特征的卓越能力而闻名，这对医学图像分类至关重要。为了提高诊断的准确性，进行了详细的实验设置，其中包括精心选择和组织涵盖数据集中不同疾病和异常的医学图像集合。然后调整模型的架构以实现图像分类的最佳性能。结果显示该模型在识别医学图像中的异常方面的效率，尤其是对于脑肿瘤数据集。给出了灵敏度、特异性和 F1 分数评估指标，强调了该模型准确区分各种医学图像疾病的能力。关键词——深度学习、卷积神经网络 (CNN)、VGG-16、医学图像分类。
男孩/女孩手表
laNiña的条件在12月初出现，反映在中部和东部赤道太平洋的平均海面温度中。最新的每周指数在-0.7 O C之间，接近0.0 O C.上海热含量异常继续降低，低于平均水平的地下温度继续在地理上发展，反映了赤道太平洋范围内的负面异常的扩展。大气还反映了这种变化，在东中心和东太平洋，低水平的风异常在东部和东部的大风中，而高级风是西风。对流降雨在国际日期线上受到压制，并在西赤道太平洋和整个印度尼西亚得到了增强。总体而言，耦合的海洋大气系统反映了弱的LaNiña条件。气候模型表明，LaNiña的条件将在2025年1月至2025年3月，并将在3月至2025年5月过渡到ENSO-NEDRAL，中度的概率为60％。尽管拉尼娜（LaNiña）很弱，并且在季节后期的发生，但在特立尼达（Trinidad）和多巴哥（Tobago）中将感觉到它对天气的影响。
检测胸部X射线和CT扫描的深度学习方法
深度学习的快速发展为改善医学图像分析创造了新的机会，尤其是在识别胸部CT和X射线扫描异常时。这项工作调查了旨在提高医疗环境诊断效率和准确性的几种深度学习技术。我们探讨了3D CNN，转移学习和卷积神经网络或CNN的使用，以分析体积CT扫描信息以及2D胸部X射线图片。比较分析表明，各种深度学习架构的益处和缺点，用于识别各种异常，包括肿瘤，肺部，肺炎和其他疾病。我们还介绍了预处理方法的重要性，专门为医学图片分析而设计的评估指标和数据集准备。结果强调了深度学习有可能通过促进对异常的更快，更准确的识别来彻底改变胸部成像诊断的可能性，这将增强患者的结果和医疗保健提供的有效性。在对胸部问题，未来的研究主题和该领域的障碍的深度学习分析中刺激了其他发展。
量化归因于人类的热有关的死亡率 -
图S2。温度异常归因于1969 - 2018年人为气候变化的气候模型，重新分析和站点观测。温度异常是根据1989 - 2018年的基线周期，每个观察到的数据集中的事实和反事实时间表之间的差异。基于观察的（重新分析和站记录）数据显示为虚线，而模型数据表示为实线。在显示的数据的早期部分（访问-CM2和MRI-ESM2-MM）中，在两个模型的时间表中看到的负异常（“构建反事实温度”）。在研究期结束时，所有模型的属性温度异常都在基于观察数据集的范围内。