XiaoMi-AI文件搜索系统
World File Search SystemDetecting
带有空气传感器矩阵的电子鼻用于检测牛肉...
中国是世界肉类生产大国之一。随着人们对食品安全的日益关注，肉品品质也越来越受到人们的重视。传统的肉品品质检测方法受到样品制备和检测时间较长等诸多因素及主观性限制。采用多个独立的空气传感器组成传感器矩阵，对牛肉的新鲜度进行检测。结果表明，天津费加罗电子有限公司生产的空气传感器TGS2610、TGS2600、TGS2611、TGS2620、TGS2602可用于检测牛肉的新鲜度，TGS2442不适用。本研究为设计、制作经济实用的牛肉新鲜度检测仪奠定了基础。关键词：气敏传感器矩阵，牛肉新鲜度，电子鼻
一种用于检测物联网网络攻击的混合AI方法...
摘要： - 物联网（IoT）设备的快速扩散已转变为从医疗保健和农业到工业自动化的多个部门。但是，这种大规模的扩张导致脆弱性的相应增加，使IoT网络易受各种网络攻击。传统的安全方法通常由于设备异质性，资源限制和大规模部署而无法满足物联网的需求。本文提议使用人工智能（AI）技术，尤其是机器学习（ML）和深度学习（DL），以增强物联网系统中的网络攻击检测。对现有基于AI的攻击检测方法进行了全面调查，然后开发了结合了受监管，无监督和深度学习技术的混合模型。所提出的模型证明了攻击检测准确性，可伸缩性和效率的提高，同时降低了误报。该研究还讨论了将AI集成在物联网安全性中的挑战，潜在解决方案和未来方向。
检测和缓解种族范围的算法偏差-ERIC
自1990年代出现“大数据”以来，尽管有教育，但在各种社会领域中使用先进的统计技术来预测互动的结果已经激增（Baker等，2019；政府可获得性办公室[GAO] [GAO]，2022年）。用于预测结果的技术套件并为Orga-Nizations内部的决策提供了信息，被广泛称为“预测分析”。尽管在很大程度上看不见，但预测分析可以为教育机构内的无数决定，从大学入学（Hutt等，2019）和学生保留介入（Baker等，2019）到资源分配（Wayt，2019; Yanosky＆Arroway，2015）。在对近1,000所大学的调查中，证明了预测分析的普遍性，有89％的受访者报告对预测分析进行了一些投资（Parnell等，2018）。
使用框架级手写嵌入
摘要 - 在这项研究中，我们探讨了使用频谱图代表了用于评估神经退化性疾病的手写信号，包括42个健康对照（CTL），35名患有帕金森氏病的受试者（PD），21例患有阿尔茨海默氏病（AD）和15例患有帕克森病的疾病模仿（PDM）。我们使用基于多通道的固定尺寸和基于框架的频谱图应用了CNN和CNN-BLSTM模型进行二进制分类。我们的结果表明，手写任务和频谱渠道组合会显着影响分类性能。AD与CTL的F1得分最高（89.8％），而PD与CTL达到74.5％，PD与PDM的得分为77.97％。CNN始终优于CNN-BlstM。测试了不同的滑动窗口长度，以构建基于框架的频谱图。一个1秒的窗口最适合AD，更长的Windows改进的PD分类，并且窗口长度对PD与PDM的影响很小。索引项 - 手写，神经退行性疾病，固定尺寸频谱图，基于框架的频谱图，通道。
一种新的检测MRI脑肿瘤的混合系统
摘要不规则的脑细胞的生长导致一种称为脑肿瘤（BT）的疾病。由于较低的肿瘤形状速率和范围很大，很难预测患者的生存机会。即使可以手动检测到癌症，也很困难且耗时，并且有产生假阳性结果的风险。这可以通过MRI完成，这是定位癌症所必需的。很难通过计算机辅助诊断系统可靠地可靠地识别MRI图像从MRI图像中识别出不同的疾病。在实验中，使用了三个公开访问的基准数据集。要在我们提出的方法中执行特征提取，采用了CNN模型，随后应用五个机器学习分类器：决策树（DT），天真贝叶斯（NB），自适应增强（ADABOOST），K-Nearest邻居（KNN）和支持向量机（SVM）。结果表明，通过在各种分类指标下优于其他尖端DL模型，提出的使用KNN分类器的CNN体系结构的性能要比以前的CNN模型更好。最后，所达到的F1得分，精度，召回和所提出模型的分类和检测的准确性值分别为99.58％，99.59％，99.58％和99.58％。进行比较研究，使用了其他转移学习模型。实验发现支持所提出的体系结构的强度，该结构已迅速加速并改善了BT的分类。设计的方法优于现有知识的主体，表明它是对BTS进行分类的快速而精确的方法。
NAMBU – JONA-LASINIO模型中的正则化效应
我们表明，由于（中）轴向异常，暗物质轴或轴突状颗粒（ALP）沿沿外部磁场的导体自发交替交流电流，从而意识到手性磁效应（CME）。我们提出了一个新的实验，以测量该电流以检测暗物质轴或ALP。这些诱导的电流是电子培养基效应，与轴突或ALP偶联与电子成正比，这取决于其显微镜物理。在实验设置中，一个由于CME引起的电流和真空电流的总和，这是由于异常的轴突耦合而导致的。与后者相比，CME电流通常是电子速度的一个因子，除非轴突或ALP偶联与电子的偶联比其与光子偶联以补偿Fermi速度抑制。但是，我们发现重新利用当前操作和计划的轴突卤素可能具有良好的敏感性来探测CME电流。
一种基于CNN检测虚拟现实的就地的方法
行动识别是推断时间序列数据（即视频序列。近年来，由于深度学习技巧的范围，机器学习的这一范围近年来取得了很大的进步。行动识别的用法是广泛的。它可以用于医疗场中，例如在秋季检测中。，也可以用于监视目的。动作识别的另一个重要用途是在人类计算机相互作用（HCI）的领域。在HCI中，我们关注的是设计Humans和计算机之间交流的最有效和直观的方式。这样的直观技术是使用手势进行相互作用。这取决于对用户执行的操作的成功识别。虚拟现实（VR）是HCI的一个子域，最近在研究中复兴。虽然在VR的许多方面都完成了许多开创性的工作，但仍然存在的一个空旷的问题是运动的问题。许多VR体验试图将有限的可用物理空间映射到更大的虚拟空间。这意味着不可能进行物理和虚拟身体翻译的一对一映射。解决了这一点，已经提出了许多人工运动技术，即传送，头部倾斜，在适当的位置等等。，将其行走在适当的位置是可以诱导更高水平的存在[2]，这在VR中是非常可取的。现有
用于从ECGS检测房颤的机器学习
背景：房颤（AF）是一种常见的心律不齐，可能导致心血管不良后果，但通常很难检测到。近年来，使用机器学习（ML）算法来检测AF。这项研究旨在系统地评估和总结ML算法在检测心电图（ECG）信号中AF时的整体诊断准确性。方法：搜索数据库包括PubMed，Web of Science，Embase和Google Scholar。所选的研究对诊断准确性进行荟萃分析，以综合敏感性和特异性。结果：总共包括14项研究，荟萃分析的森林图表明，汇总的灵敏度和特异性为97％（95％置信区间[CI]：0.94-0.99）和97％（95％CI：0.95-0.99）。与传统的机器学习（TML）算法（敏感性：91.5％），深度学习（DL）算法（敏感性：98.1％）相比表现出色。单独或组合使用多个数据集和公共数据集比使用单个数据集和专有数据集表现出更好的性能。结论：ML算法可有效检测来自ECG的AF。dl算法，尤其是基于卷积神经网络（CNN）的算法，与TML算法相比，在AF检测中表现出了出色的性能。ML算法的集成可以帮助较早的可穿戴设备诊断。