XiaoMi-AI文件搜索系统
World File Search SystemAnom
使用异构数据集的基于联邦机器学习的同步相量网络异常检测系统：预印本
摘要 — 同步相量技术广泛应用于现代能源管理系统，用于在微观层面监测电网健康状况并实时执行必要的纠正措施；然而，集成相量设备和数据聚合器面临着多种网络安全威胁。本文提出了一种基于联邦机器学习 (FML) 的异常检测系统，用于检测同步相量网络中的几种数据完整性攻击。所提出的方法集成了水平 FML 技术，由基于变电站的本地模型和基于控制中心的全局模型组成。所提出的方法包括使用包含网络和电网信息的异构数据集训练本地模型，并通过共享模型梯度通过多次迭代更新全局模型。最后，将训练好的全局模型应用于识别网络攻击、正常运行和物理事件。为了验证概念证明，我们使用密西西比州立大学和橡树岭国家实验室生成的合成数据集，利用国家可再生能源实验室的高性能计算资源来训练和测试分类模型。我们的实验结果通过多项性能指标计算得出，结果表明，所提出的方法在二分类、三分类和多分类过程中表现出一致的性能，同时确保了同步相量数据的隐私。关键词——联合机器学习、同步相量、异常检测系统、网络安全。
对工业螺丝驾驶数据中异常检测的机器学习方法的比较研究Nikolai West
摘要本文研究了机器学习的应用（ML）方法在螺丝驾驶操作中的时间序列数据中的异常检测方法，这是制造业中关键的过程。利用一个新颖的开放访问现实世界数据集，我们探讨了几种无监督和监督的ML模型的功效。在无监督的模型中，DBSCAN以96.68％的精度和90.70％的宏F1得分表现出最佳性能。在监督模型中，随机森林分类器擅长于99.02％的精度，宏F1得分为98.36％。这些结果不仅强调了ML在提高制造质量和效率方面的潜力，而且还强调了其实际部署的挑战。这项研究鼓励对工业异常检测的ML技术进行进一步的研究和完善，从而有助于提高弹性，高效和可持续的制造过程。包括完整数据集以及基于Python的脚本的整个分析是通过专用存储库公开提供的。这种对开放科学的承诺旨在支持我们工作的实际应用和未来改编，以支持质量管理和制造业中的业务决策。关键字：异常检测，螺丝驾驶操作，收紧过程，监督学习，无监督学习。
引用Taksande A，Jameel PA，Rao R，Taksande B，DamkeS。胎儿中心脏异常的患病率诊断为心脏内回声焦点：
ntracardiac回声焦点（ICEF）是由胎儿心脏内部的超声来进行的，其亮度与骨骼的亮度相当。它首先由Schechter等人描述。[1]在1987年，在胎儿心脏的左心室中，它们归因于弦的增厚。通常，焦点没有声阴影，位于乳头肌肉附近或内部。它与房室瓣膜同步移动。在执行基本的回声二维图时，可以在4个腔室视图中可视化它[2]。ICEF最常在左心室中可视化，在右侧或两种情况下较少见。虽然左心室中的一个ICEF是最常见的发现，但经常会看到多个焦点。这些焦点的大小变化，但通常小于6 mm [1，2]。回声局灶性焦点表明对弦和乳头状肌肉的微观量化。回声灶与心脏结构异常和染色体异常越来越多。
主动脉窗口：分类，相关心脏异常，治疗选择和临床结果
结果：在研究期间，有25名儿童被诊断出患有APW。13例男性（52％），患者的中位年龄为三个月（8天至7.5岁）。两名患者在首次入院时通过超声心动图被诊断为冠状动脉瘘，并在导管后被诊断为APW。APW，以解决大型心室间隔缺陷。根据STS分类，患者中有32％（n = 8）为III型，32％（n = 8）为I型，16％（n = 4）是中间类型，12％（n = 3）为II型，4％（n = 1）为APW，APW aPW伴有主动脉中断。相关的心血管畸形为76％（n = 19）。15例患者（60％）接受了手术。在四名患者（16％）中进行了APW的经导管闭合。在四名患者（16％）中进行了APW的经导管闭合。
网格异常的情境意识的视觉分析
我们通过可视化在现有宽带有线电视网络设备上部署的电压传感器中的新数据来描述电力配电系统的几乎实时情况意识。我们基于Web的可扩展视觉分析平台支持交互式地理空间探索，时间序列分析以及在潜在异常事件中网格行为的汇总。宽带有线电视传感器网络提供了比大多数公用事业通常可以使用的局部空间分辨率的电气分配系统的观察能力，从而揭示了网络的运行状态，并有助于检测出易于的行为或与预期模式的偏差，尤其是在电动公用事业服务领域。我们概述了交互式地理空间和时间序列可视化组件的设计和验证以及在整个网络上提供元数据，历史和实时传感器数据的实时流的可扩展数据服务。我们在极端天气的时期介绍了平台，阐明了其协助检测影响功率可用性，质量，弹性和服务恢复的操作模式的能力。
使用机器学习方法在6G网络中的异常检测
1，现代科学大学（UMS）工程学院通信和电子工程系，也门，巴格达街，巴格达街，也门； mamoon530@gmail.com 2计算机工程系，计算机与信息技术学院，泰夫大学，P.O。Box 11099，Taif 21944，沙特阿拉伯； eng_rashid@hotmail.com（R.A.S. ）; ramohammed@tu.edu.sa（r.a.m.） 3计算机与信息科学学院信息技术系 Box 84428，Riyadh 11671，沙特阿拉伯4信息技术系，计算与信息学院，沙特电子大学，P.O。 Box 93499，Riyadh 11673，沙特阿拉伯5网络安全中心，信息科学技术学院，马来西亚Bangi 43600，MALAYSIA（UKM）的信息科学技术学院； hasankamrul@ieee.org *通信：msabdelhaq@pnu.edu.sa（M.A. ） ）; raed.ftsm@gmail.com（R.A.）Box 11099，Taif 21944，沙特阿拉伯； eng_rashid@hotmail.com（R.A.S.）; ramohammed@tu.edu.sa（r.a.m.）3计算机与信息科学学院信息技术系 Box 84428，Riyadh 11671，沙特阿拉伯4信息技术系，计算与信息学院，沙特电子大学，P.O。 Box 93499，Riyadh 11673，沙特阿拉伯5网络安全中心，信息科学技术学院，马来西亚Bangi 43600，MALAYSIA（UKM）的信息科学技术学院； hasankamrul@ieee.org *通信：msabdelhaq@pnu.edu.sa（M.A. ） ）; raed.ftsm@gmail.com（R.A.）3计算机与信息科学学院信息技术系Box 84428，Riyadh 11671，沙特阿拉伯4信息技术系，计算与信息学院，沙特电子大学，P.O。 Box 93499，Riyadh 11673，沙特阿拉伯5网络安全中心，信息科学技术学院，马来西亚Bangi 43600，MALAYSIA（UKM）的信息科学技术学院； hasankamrul@ieee.org *通信：msabdelhaq@pnu.edu.sa（M.A. ） ）; raed.ftsm@gmail.com（R.A.）Box 84428，Riyadh 11671，沙特阿拉伯4信息技术系，计算与信息学院，沙特电子大学，P.O。Box 93499，Riyadh 11673，沙特阿拉伯5网络安全中心，信息科学技术学院，马来西亚Bangi 43600，MALAYSIA（UKM）的信息科学技术学院； hasankamrul@ieee.org *通信：msabdelhaq@pnu.edu.sa（M.A. ） ）; raed.ftsm@gmail.com（R.A.）Box 93499，Riyadh 11673，沙特阿拉伯5网络安全中心，信息科学技术学院，马来西亚Bangi 43600，MALAYSIA（UKM）的信息科学技术学院； hasankamrul@ieee.org *通信：msabdelhaq@pnu.edu.sa（M.A.）; raed.ftsm@gmail.com（R.A.）
数字孪生驱动的网络物理系统的异常检测框架
近年来，数字孪生已成为现代信息物理系统 (CPS) 中活跃的研究领域之一。数字孪生与其物理对应物（称为工厂）高度交织在一起，因此它们不断交换数据以揭示有关整个系统的有用信息。这类 CPS 需要对各种类型的干扰（例如故障传感器和模型差异）具有鲁棒性，因为物理工厂的运行与数字孪生的模拟之间的相互作用可能会导致不良甚至破坏性的影响。为了解决这个问题，本文介绍了一种灵活的异常检测框架，用于监控基于数字孪生的 CPS 中的异常行为。具体而言，我们的方法集成了数字孪生和数据驱动技术，可检测和分类由于建模错误（例如不完整的模型）以及传感器和物理系统故障而导致的异常行为。该框架可以部署到任何通用 CPS，而无需完全了解数字孪生的内部模型。因此，我们的方法适用于各种类型的数字孪生实现，从而增强了传统的数据驱动异常检测机制。我们使用田纳西伊士曼过程模型展示了我们方法的性能。实验结果表明，即使在某种组合的情况下，我们的方法也能够有效地检测和分类来自物理工厂、传感器和数字孪生的异常源
使用自动编码器集成二阶滑模控制和异常检测以增强安全性和可靠性
摘要 本文提出了一个综合框架，通过集成二阶滑模控制 (2-SMC) 和基于机器学习和人工智能的先进异常检测和预测系统来提高四旋翼无人机的安全性和可靠性。本文提出了一种新的滑动流形方法，分为两个子系统，用于精确的位置和姿态跟踪，解决了设计四旋翼控制器的挑战。本文还使用 Hurwitz 稳定性分析对滑动流形的非线性系数进行了详细分析。它通过大量的模拟结果证明了所提方法的有效性。为了进一步评估四旋翼的安全性和可靠性，将异常检测和预测系统与位置和姿态跟踪控制相结合。该系统利用机器学习和人工智能技术实时识别和预测异常行为或故障，使四旋翼能够快速有效地应对危急情况。所提出的框架为设计四旋翼无人机的稳健和安全控制器提供了一种有前途的方法。它展示了先进的机器学习和人工智能技术在提高自主系统安全性和可靠性方面的潜力。
厚 Al0.85Ga0 中的异常过量噪声行为。...
Al 0.85 Ga 0.15 As 0.56 Sb 0.44 由于其电子和空穴电离系数之间的比率非常大，因此作为 1550 nm 低噪声短波红外 (SWIR) 雪崩光电二极管 (APD) 的材料最近引起了广泛的研究兴趣。这项工作报告了厚 Al 0.85 Ga 0.15 As 0.56 Sb 0.44 PIN 和 NIP 结构的新实验过剩噪声数据，测得的噪声在比以前报告的乘法值高得多的倍增值下（F = 2.2，M = 38）。这些结果与经典的 McIntyre 过剩噪声理论不一致，该理论高估了基于该合金报告的电离系数的预期噪声。即使添加“死区”效应也无法解释这些差异。解释观察到的低过量噪声的唯一方法是得出结论，即使在相对较低的电场下，该材料中电子和空穴碰撞电离的空间概率分布也遵循威布尔-弗雷歇分布函数。仅凭电离系数的知识已不足以预测该材料系统的过量噪声特性，因此需要提取该合金的电场相关电子和空穴电离概率分布。