XiaoMi-AI文件搜索系统
World File Search SystemAide
空中多天线辅助航空通信...
摘要 — 为了在所有飞行阶段提供无缝覆盖，航空通信系统 (ACS) 必须整合天基、空基和地面平台，以形成面向航空的天空地一体化网络 (SAGIN)。在大陆地区，L 波段航空宽带通信 (ABC) 因支持空中交通管理 (ATM) 现代化而越来越受欢迎。然而，由于传统系统，L 波段 ABC 面临着频谱拥塞和严重干扰的挑战。为了解决这些问题，我们提出了一种新颖的多天线辅助 L 波段 ABC 范式来解决可靠和高速率空对地 (A2G) 传输的关键问题。具体而言，我们首先介绍 ABC 的发展路线图。此外，我们讨论了 L 波段 ABC 传播环境的特殊性以及相关多天线技术的独特挑战。为了克服这些挑战，我们从信道估计、可靠传输和多址接入的角度提出了一种先进的多天线辅助 L 波段 ABC 范式。最后，我们阐明了 SAGIN 航空部分的引人注目的研究方向。
空中多天线辅助航空通信...
摘要 — 为了在所有飞行阶段提供无缝覆盖，航空通信系统 (ACS) 必须整合天基、空基和地面平台，以形成面向航空的天空地一体化网络 (SAGIN)。在大陆地区，L 波段航空宽带通信 (ABC) 因支持空中交通管理 (ATM) 现代化而越来越受欢迎。然而，由于传统系统，L 波段 ABC 面临着频谱拥塞和严重干扰的挑战。为了解决这些问题，我们提出了一种新颖的多天线辅助 L 波段 ABC 范式来解决可靠和高速率空对地 (A2G) 传输的关键问题。具体而言，我们首先介绍 ABC 的发展路线图。此外，我们讨论了 L 波段 ABC 传播环境的特殊性以及相关多天线技术的独特挑战。为了克服这些挑战，我们从信道估计、可靠传输和多址接入的角度提出了一种先进的多天线辅助 L 波段 ABC 范式。最后，我们阐明了 SAGIN 航空部分的引人注目的研究方向。
基于 DFT、分子对接和药代动力学研究的鹰嘴豆素 A 作为潜在乳腺癌药物的计算机辅助分析
摘要：乳腺癌是全球最常见、最致命的癌症类型。鹰嘴豆素A是一种天然异黄酮，具有多种生物学和药理学特性。本研究利用密度函数理论（DFT）的量子化学研究探索鹰嘴豆素A的结构特征，并通过分子对接模拟揭示其抑制乳腺癌的特性。首先使用DFT/B3LYP方法以6-311++（d，p）基组对先导分子进行优化。进行模拟静电势以评估先导分子的反应性，并通过基于能隙、化学势（μ）、电负性（χ）、硬度（η）和软度（S）值的HOMO-LUMO分析评估分子反应性和稳定性。进行Mulliken原子电荷分布以确定分子的反应位点，并进行自然布居分析以计算电子分布。随后通过分子对接研究评估鹰嘴豆素A与乳腺癌靶蛋白的相互作用，并通过药代动力学评价评价先导分子的类药性，结果表明该先导分子没有违反Lipinski规则，对HER-2（PDB ID：2IOK）具有最高的结合亲和力，对接评分为-9.2Kcal/mol。
人工智能时代下的计算机辅助教学软件设计
摘要 近年来，随着软硬件技术、网络技术的发展与普及，多渠道、多内容的教学形式为计算机辅助教学（CAI）发挥日益重要的作用奠定了深厚的社会基础，使CAI逐渐成为现代教学环节中的重要手段。基于此，本文对人工智能影响下的CAI软件设计进行了研究分析。首先分析了CAI的特点，探讨了智能代理技术在CAI中的应用，并引入框架流程图呈现CAI软件的工作流程；其次通过不同的算法介绍CAI软件的智能响应过程。最后通过实验验证了人工智能影响下CAI软件的可行性。可用于实际应用学生的学习。课程内容丰富，功能展示新颖，充分满足学生高效学习的需求。
在日常临床实践中成功实施基于人工智能的胸部X光计算机辅助检测系统
因其成本低、扫描时间短、适应症广泛等优势，已成为一种诊断工具 [1]。在日常实践中，胸部 X 光片通常用于健康检查、术前风险评估、住院前的常规筛查以及对有症状的心肺疾病患者的评估 [2]。由于胸部 X 光片通常不包含明显的异常，但其分析需要仔细检查复杂的结构，因此读者忽视异常的风险很大 [1,3]。大量检查带来的繁重工作量给放射科医生带来了进一步的困难。因此，基于人工智能的计算机辅助诊断 (AI-CAD) 可以作为第二意见，提高放射科医生诊断的效率和准确性 [1,4,5]。此外，人工智能还可以在日常实践中帮助转诊临床医生进行胸部 X 光检查 [6,7]。当临床医生观察胸部X光片时，可能无法获得官方放射学报告。在这种情况下，使用X光片做出的医疗决定是基于转诊临床医生而不是放射科医生的解读，这种情况可能尤其发生在门诊或急诊室。根据经验水平，转诊临床医生有时可能对自己对胸部X光片的解释缺乏信心，并且可能无意中没有咨询肺病学或胸外科专家[8]。此外，他们可能会因为担心忽视患者的问题而要求进行不必要的CT扫描或后续影像检查。目前，对AI的期望越来越高，转诊临床医生意识到AI可能能够支持他们的决策过程[9,10]。许多
迭代机器学习辅助框架在焊料互连中的疲劳和蠕变损伤之间架起桥梁
摘要 — 电子系统中焊点寿命估算方法成本高昂且耗时，加上数据有限且不一致，对将可靠性考虑作为电子设备主要设计标准之一提出了挑战。在本文中，设计了一个迭代机器学习框架，使用一组自修复数据来预测焊点的使用寿命，这些数据通过热负荷规格、材料特性和焊点几何形状强化了机器学习预测模型。自修复数据集通过相关驱动神经网络 (CDNN) 迭代注入，以满足数据多样性。结果表明，在很短的时间内，焊点的寿命预测精度得到了非常显著的提高。分别评估了焊料合金和焊料层几何形状对焊点蠕变疲劳损伤演变的影响。结果表明，Sn-Ag-Cu 基焊料合金通常具有更好的性能。此外，蠕变和疲劳损伤演化在 Sn-Pb 和 Sn-Ag-Cu 基焊料合金中分别占主导地位。所提出的框架提供了一种工具，允许在制造的早期阶段对电子设备进行可靠性驱动的设计。
计算机辅助调度互操作性的当前状态
改善紧急通信中心 (ECC) 与急救人员之间以及跨辖区的数据通信对于机构响应和改善生命安全结果至关重要。辖区之间几乎没有数据共享，这对应急响应产生了不利影响。特别是在跨辖区事件中，缺乏数据共享会影响周边通信中心提供协调响应和援助的能力。国家 911 计划 (Program) 隶属于国家公路交通安全管理局 (NHTSA) 紧急医疗服务办公室，该计划认识到实现计算机辅助调度 (CAD) 系统互操作性和无缝数据共享存在挑战。该计划委托了 CAD 互操作性项目来研究 CAD 互操作性并确定可以实施哪些解决方案以进一步实现全国范围内的无缝数据共享。Mission Critical Partners, LLC (MCP) 获得了该项目。为了研究这个问题，该计划召集了一群代表北美各地 ECC 的利益相关者参加研讨会，讨论他们在 CAD 数据互操作性方面的经验、成功和挑战。利益相关者确定了无缝互操作性的许多障碍，包括构建与另一个 CAD 的双向接口的总体成本和复杂性，但也确定了以下是互操作性的主要障碍：
稳健高斯和非线性混合不变聚类特征辅助方法加速脑肿瘤诊断
1 纳季兰大学医学院内科放射学系，纳季兰 61441，沙特阿拉伯；yealmalki@nu.edu.sa 2 世宗大学无人驾驶车辆工程系，首尔 05006，韩国；umair@sejong.ac.kr 3 Secret Minds，创业组织，伊斯兰堡 44000，巴基斯坦；engnr.waqasahmed@gmail.com 4 国立科技大学（NUST）机械与制造工程学院（SMME）机器人与智能机械工程系（RIME），H-12，伊斯兰堡 44000，巴基斯坦； karamdad.kallu@smme.nust.edu.pk 5 伊巴达特国际大学电气工程系，伊斯兰堡 54590，巴基斯坦 6 卡西姆大学医学院放射学系，沙特阿拉伯布赖代 52571；salduraibi@qu.edu.sa（SKA）；al.alderaibi@qu.edu.sa（AKA） 7 纳季兰大学工程学院电气工程系，沙特阿拉伯纳季兰 61441；miditta@nu.edu.sa 8 扎加齐格大学人类医学学院放射学系，埃及扎加齐格 44631；maatya@zu.edu.eg 9 纳季兰大学应用医学科学学院放射科学系，沙特阿拉伯纳季兰 61441； hamalshamrani@nu.edu.sa * 通信地址：amad.zafar@iiui.edu.pk † 这些作者作为第一作者对这项工作做出了同等贡献。
迈向阿尔茨海默病转化的多模式计算机辅助诊断工具
阿尔茨海默病 (AD) 是一种渐进性神经退行性疾病。它是老年人群发病和死亡的主要原因之一。AD 的主要症状包括记忆和执行功能障碍，这会极大地改变患者执行日常生活活动的能力。轻度认知障碍 (MCI) 患者表现出 AD 患者的许多早期临床症状，并且在其一生中很有可能转变为 AD。诊断标准依赖于临床评估和脑磁共振成像 (MRI)。许多团体正在努力帮助自动化此过程以改善临床工作流程。当前的计算方法侧重于预测 MCI 患者将来是否会转变为 AD。据我们所知，人们对开发能够为纵向跟踪的 MCI 患者队列提供 AD 转换诊断的自动化计算机辅助诊断 (CAD) 系统的关注有限。这很重要，因为这些 CAD 系统可以被初级保健提供者用来监测 MCI 患者。本文概述的方法解决了这一差距，并提出了一种计算效率高的预处理和预测流程，旨在识别与 AD 转换相关的模式。我们提出了一种新方法，利用可以在临床环境中轻松获取的纵向数据（例如 T1 加权磁共振图像、认知测试和人口统计信息）来识别 MCI 受试者的 AD 转换点，AUC = 84.7。相比之下，仅认知测试和人口统计就实现了 AUC = 80.6，这是一个具有统计学意义的差异（n = 669，p < 0.05）。我们设计了一个计算效率高的卷积神经网络，只需要在成像时间点之间进行线性配准。该模型架构结合了 Attention 和 Inception 架构，同时利用了横截面和纵向成像和临床信息。此外，还研究了驱动模型决策的顶级大脑区域和临床特征。这些包括丘脑、尾状核、颞平面和雷伊听觉言语学习测试。我们相信，我们的方法可以轻松地转化为医疗保健环境，作为 MCI 患者的客观 AD 诊断工具。
人工智能辅助夜视技术模拟
摘要——提出了一种新的自然色彩映射方法，将目标图像的渲染图像输出与庞大的参考图像数据库进行匹配。已经在使用的方法最终会产生假色。如果目标图像的“全局”颜色统计数据与实际夜视场景的统计数据差别太大，就会导致视觉不自然。在当今情况下，美国军方使用最先进的夜视系统，该系统结合了图像增强、可见图像和热图像。然后通过“图像超分辨率”用深度卷积网络处理融合数据。然后使用 YOLO 算法识别视觉中的主体（即背景、前景和物体），这有助于 AI 根据参考图像数据库识别和匹配颜色。由于系统 AI 结合了庞大的数据库学习，因此夜视图像中目标场景的预测配色方案匹配的概率很高。有许多可用的颜色映射方法，但本研究论文使用的是直方图匹配。