XiaoMi-AI文件搜索系统
World File Search SystemDict
GEM-Analytics：云到边缘的人工智能能源管理 ⋆
摘要。能源分析、预测和优化方法在管理热电联产 (CHP) 系统的能源生产中起着重要作用，有助于找到最合适的运行点。事实上，拥有此类热电联产系统的多个行业可以通过应用多种技术实时预测系统的最佳负载，从而显著降低总体成本。然而，这是一项复杂的任务，需要处理来自多个数据源（物联网传感器、智能电表等）的大量信息，并且在大多数情况下，由拥有 CHP 的公司的能源经理手动执行。因此，借助机器学习方法和雾计算等新先进技术可以显著简化和自动化处理大量数据的能源管理系统的实时分析和预测。在本文中，我们介绍了 GEM-Analytics，这是一个利用雾计算实现基于 AI 的方法在网络边缘进行能源分析的新平台。特别是，我们介绍了两个涉及热电联产厂的用例，这些工厂需要最佳策略来降低总体能源供应成本。在所有案例研究中，我们都表明我们的平台可以改善与基线相比的能源负荷预测，从而降低工业客户产生的成本。
通过浅的全基因组测序评估的循环肿瘤DNA的动态变化与NSCLC中检查点抑制剂的临床功效相关
针对PD-1/PD-L1轴的免疫检查点抑制剂（ICIS）是晚期非小细胞肺癌（NSCLC）患者的主要治疗选择，而无需吸毒致癌性改变。尽管如此，只有一部分患者受益于这种治疗。在这里，我们评估了浅层全基因组测序（SWG）对等离子体样品的值，以监测ICI的好处。我们将SWG应用于从45例用ICIS治疗的转移性NSCLC患者的血浆样品中提取的无细胞DNA（CFDNA）。在ICI治疗开始之前，在整个治疗过程中获得了150多个样品。从SWGS数据中，我们计算了肿瘤分数（TFX）和体拷贝数变化（SCNA）负担，并将其与ICI的有益和临床特征相关联。TFX与骨骼和肝脏的转移性病变相关，与ICI有益相关的高TFX（≥10％）相关。此外，无论基线时TFX水平如何，其在治疗样品中的评估能够更好地预先临床效率。最后，对于可以计算出SCNA负担的患者的一部分，负担增加与ICI治疗后的好处减少相关。因此，我们的数据表明，SWG对CFDNA的分析可以以具有成本效益的方式对ICI的两种潜在生物标志物（TFX和SCNA负担）进行构成，从而促进了多个串行样本分析。将需要较大的队列来确定其临床潜力。
使用机器学习方法预测针对 SARS-Cov-2 的候选药物化合物的生物活性
SARS-CoV-2 3CLpro 蛋白是 COVID-19 的主要治疗靶点之一，因为它在病毒复制中起着关键作用，具有各种高质量的蛋白质晶体结构，并可作为计算筛选具有改进的抑制活性、生物利用度和 ADMETox 特性的化合物的基础。ChEMBL 和 PubChem 数据库包含筛选针对 SARS-CoV-2 3CLpro 的小分子的实验数据，这扩大了学习模式和设计计算模型的机会，该模型可以在体外和体内测试之前预测任何药物化合物对抗冠状病毒的效力。在这项研究中，我们利用几个描述符评估了 27 个机器学习分类器。我们还开发了一个神经网络模型，该模型可以在 CheMBL 数据上以 91% 的准确率正确识别生物活性和非活性化学物质，在 CheMBL 和 Pubchem 的组合数据上以 93% 的准确率正确识别生物活性和非活性化学物质。非活性和活性化合物的 F1 分数分别为 93% 和 94%。在 XGB 分类器上使用 SHAP (SHapley Additive exPlanations) 从 PaDEL 描述符中找出此任务的重要指纹。结果表明，PaDEL 描述符在预测生物活性方面是有效的，所提出的神经网络设计是有效的，并且通过 SHAP 的解释因子正确地识别了重要的指纹。此外，我们使用包含超过 100,000 个分子的大型数据集验证了我们提出的模型的有效性。本研究采用了各种分子描述符来发现最适合此任务的描述符。为了评估这些可能的药物对抗 SARS-CoV-2 的有效性，需要进行更多的体外和体内研究。
通过浅的全基因组测序评估的循环肿瘤DNA的动态变化与NSCLC中检查点抑制剂的临床功效相关
针对PD-1/PD-L1轴的免疫检查点抑制剂（ICIS）是晚期非小细胞肺癌（NSCLC）患者的主要治疗选择，而无需吸毒致癌性改变。尽管如此，只有一部分患者受益于这种治疗。在这里，我们评估了浅层全基因组测序（SWG）对等离子体样品的值，以监测ICI的好处。我们将SWG应用于从45例用ICIS治疗的转移性NSCLC患者的血浆样品中提取的无细胞DNA（CFDNA）。在ICI治疗开始之前，在整个治疗过程中获得了150多个样品。从SWGS数据中，我们计算了肿瘤分数（TFX）和体拷贝数变化（SCNA）负担，并将其与ICI的有益和临床特征相关联。TFX与骨骼和肝脏的转移性病变相关，与ICI有益相关的高TFX（≥10％）相关。此外，无论基线时TFX水平如何，其在治疗样品中的评估能够更好地预先临床效率。最后，对于可以计算出SCNA负担的患者的一部分，负担增加与ICI治疗后的好处减少相关。因此，我们的数据表明，SWG对CFDNA的分析可以以具有成本效益的方式对ICI的两种潜在生物标志物（TFX和SCNA负担）进行构成，从而促进了多个串行样本分析。将需要较大的队列来确定其临床潜力。
通过物理增强动态模式分解方法启用具有替代模型的替代预后学
计算模型提供了评估和预测物理系统健康和性能的基本定量工具。但是，由于其时间密集型的性质，高实现模型很少用于实时操作或大型优化循环。提高预后计算效率的一种常见方法是采用表面模型。这样的模型可以显着减少计算时间，以获得一些准确的损失。在这种情况下，提出了动态模式分解（DMD）的使用，以对锂离子（Li-ion）电池电量进行替代模型。dmd，但是尚未应用于PHM域，在PHM域中，非线性行为的远面预测对于传播断层或剩余有用的使用寿命至关重要。对于锂离子电池健康管理，DMD的标准应用仅使用可观察到的兴趣量无法捕获实验室测试中展示的电池的非线性排放。Koopman理论提供了一种机制，可以通过将非线性状态变量扩展到系统表示中，以在DMD框架中以高维线性模型进行高维线性模型进行交易。通过这种方式，DMD允许根据Koopman运算符的维度提供可配置的模拟精度。为了进行电池健康管理，我们使用了更高的物理模型的隐藏状态增强了可观察到的变量，以构建DMD代理。与高实现模型相比，替代物提高了计算效率，仅损失准确性，并实现了长期prog-
很少有时间分布的大脑连接状态预测人类认知能力
人类功能性脑连通性可以在时间上分解为高和低弹性的状态，定义为随着时间的流逝的大脑区域的共激活。具有特别高的共同相处的罕见状态已被证明可以反映固有功能网络结构的基本原理，并且是高度主题的。 但是，尚不清楚这种网络限制状态是否也有助于认知能力的个体变化，这些状态在很大程度上依赖于分布式大脑区域之间的相互作用。 通过引入一个新的基于特征向量的预测框架CMEP，我们表明，只有16个时间分离的时间范围（<10分钟10分钟的静止状态fMRI的1.5％）可以显着预测智力中的个体差异（n = 263，p <.001）。 根据以前的期望，个人的网络限制时间范围特别高，并不是预期的智能。 多个功能性脑网络有助于预测，所有结果在独立样本中复制（n = 831）。 我们的结果表明，尽管人类特异性功能连接的基本面可以从最高连接性的几个时间范围中得出，但需要时间分布的信息对于提取有关认知能力的信息是必需的。 此信息不仅限于特定的连接性状态，例如网络填充高弹性状态，而是在整个大脑连接时间序列的整个长度上都反映了。具有特别高的共同相处的罕见状态已被证明可以反映固有功能网络结构的基本原理，并且是高度主题的。但是，尚不清楚这种网络限制状态是否也有助于认知能力的个体变化，这些状态在很大程度上依赖于分布式大脑区域之间的相互作用。通过引入一个新的基于特征向量的预测框架CMEP，我们表明，只有16个时间分离的时间范围（<10分钟10分钟的静止状态fMRI的1.5％）可以显着预测智力中的个体差异（n = 263，p <.001）。根据以前的期望，个人的网络限制时间范围特别高，并不是预期的智能。多个功能性脑网络有助于预测，所有结果在独立样本中复制（n = 831）。我们的结果表明，尽管人类特异性功能连接的基本面可以从最高连接性的几个时间范围中得出，但需要时间分布的信息对于提取有关认知能力的信息是必需的。此信息不仅限于特定的连接性状态，例如网络填充高弹性状态，而是在整个大脑连接时间序列的整个长度上都反映了。
Kerdvibulvec, C. 和 Chen, L. (2020)。新冠疫情期间增强现实和人工智能的力量。在 C. Stephanidis、M. Kurosu、H. Degen 和 L. Reinerman-Jones (Eds.) 中，HCI International 2020 - 最新论文：多模态和智能：第 22 届 HCI 国际会议，HCII 2020，丹麦哥本哈根，2020 年 7 月 19-24 日，会议录 (第 12424 卷，第 467-476 页)。（计算机科学讲义（包括人工智能讲义和生物信息学讲义子系列）；第 12424 卷 LNCS）。施普林格国际出版公司。 https://doi.org/10.1007/978-3-030-60117-1_34 阿尔斯特大学研究门户中的出版记录链接
摘要。由严重急性呼吸综合征冠状病毒 2 (SARS-CoV-2) 引起的 Covid-19 疫情给世界各地的科学界，包括计算机科学界带来了许多重大挑战。与此同时，随着社交媒体和智能手机在世界各地连通性的提高，计算机科学的兴起，增强现实 (AR) 和人工智能 (AI) 领域最近发展非常迅速。增强现实是一个新兴的物理场景领域，其中物理世界中的事物与虚拟世界混合在一起，而人工智能是一个流行的领域，用于机器模拟人类智能，即被编程为像人类一样观察、思考和理解。本文介绍了 Covid-19 疫情期间增强现实和人工智能的最新发展。首先，我们重点介绍一下最近使用增强现实应对 Covid-19 危机的工具。例如，我们回顾了基于增强现实的用于检测病毒症状的热成像眼镜，以及增强现实在教育任务中的方法，这些方法可以帮助人们有效地克服隔离，进行在线学习。其次，我们讨论了最近使用人工智能智能抗击 Covid-19 大流行的工具的概述。我们的讨论包括用于近似和让人们为预防病毒做好准备的人工智能方法，使用非线性回归网络 (NAR) 预测病毒的大小、长度和结束时间的 Covid-19 疫情预测方法，以及用于估计致命病毒爆发趋势的易感-暴露-感染-移除 (SEIR) 模型。最后，我们提出了增强现实和人工智能之间的优势和有希望的未来整合，以解决 Covid-19 危机后的研究问题。
使用自动化的机器学习来升级一级生产力
摘要。在时间和时间上估计总生产率（GPP）对于理解陆地生物圈对气候变化的反应至关重要。eddy covari-ance塔塔在生态系统量表上提供了GPP的原位估计，但是它们稀疏的地理分布限制了更大尺度的推断。机器学习（ML）技术已用于通过使用卫星遥感数据在空间上推出本地GPP测量来解决此问题。但是，重新设备模型的准确性可能会受到模型选择，参数化和解释特征的选择等不确定性的影响。自动化ML（AUTOML）的最新进展提供了一种新型的自动化方法，可以选择和合成不同的ML模型。在这项工作中，我们通过培训有关GPP在243个全球分布地点的GPP测量的三个主要汽车框架来探索汽车的潜力。我们根据不同的遥感解释变量集，比较了他们预见GPP及其空间和时间变异的能力。例外变量仅来自中等分辨率的光谱仪（MODIS）表面反射数据和光合作用的辐射，该变量在GPP中每月可变性的70％以上，而卫星衍生的Prox-ees，而范围衍生的Prox-IES用于冠层结构，光合作用，环境和环境，并将其流动性地层和ERANIALIAD RARIA raria rariacy（ERAL）变体（erean）。框架的预测能力。我们发现，自动框架的自动框架始终优于其他自动框架，以及预测GPP的经典随机森林回归器，但具有较小的性能差异，达到了
小农户的侵害性和风险行为对Nyando盆地CSV的气候诱发压力：设计家庭和乡村级别方法的影响
Playfair Cipher作为对称的哭泣方法，同时加密字母对。本研究旨在通过合并修改后的Blum Blum Shub算法并利用Keystream值来增强Playfair Cipher的安全性。Blum Blum Shub算法通过引入四个Blum Prime数量进行修改，从而使质量分解复杂化。这些素数用于生成随机数，随后通过映射生成序列的等效字符来形成键。在此调查中，我们确保安全的钥匙交换，并在将相关字符与Bigrams组合时，消除了Fuller字符的必要性。此外，我们通过更改Playfair Cipher的加密机制来掩盖了明文和密文大范围之间的关系。值得注意的是，收件人不会直接接收钥匙；不胜枚举，它独立生成与发件人相同的密钥，从而解决了密钥交换挑战。所提出的算法使用MATLAB软件在HP计算机上进行评估，并根据雪崩效应，频率分析，密钥生成，密钥交换和针对暴力力量攻击的能力进行评估。仿真结果表明，提出的算法产生了高雪崩效应。它产生一个复杂的钥匙，具有挑战性，并且需要大量时间才能破解隐性分析攻击。单个明文特征的轻微修改导致平均雪崩效应为80％。因此，提出的方法比扩展算法更安全。关键字 - Playfair，修改BBS，KeyStream，Me-Dian，CCM，平均索引值