XiaoMi-AI文件搜索系统
World File Search SystemIIoT
信息手册
计算机视觉、物联网、网络物理系统、自然语言处理、农业人工智能、将机器学习应用于音频、语音、文本、图像、语音/音频中的关键词识别、语音理解、音频/语音检索、数据挖掘、机器学习、社交媒体挖掘、物联网、优化算法、无线传感器网络、边缘计算、高性能计算。量子机器学习、量子通信、通信系统的人工智能/机器学习：联邦学习、移动边缘计算、工业物联网（IIoT）和云计算、先进移动通信（5G/6G）、先进计算机网络中的博弈论应用、人工智能、深度学习和软计算、区块链、密码学、安全和隐私、工业物联网、安全中的人工智能/机器学习应用。 兼职/自费/赞助：脑机接口、机器学习、计算机视觉、物联网、网络物理系统、自然语言处理、农业人工智能、将机器学习应用于音频、
NextG 无线连接点上的工业数字孪生... - arXiv
摘要 — 通过融合最新的通信和控制技术、计算和数据分析技术以及模块化制造，工业 4.0 促进通过信息物理系统 (CPS) 和数字孪生 (DT) 集成信息物理世界，以监控、优化和预测工业过程。DT 是一种新兴的但概念上不同于 CPS 的结构。与 CPS 一样，DT 依靠通信来创建对象或物理过程的高度一致、同步的数字镜像。此外，DT 还使用此精确图像上的内置模型来模拟、分析、预测和优化它们的实时操作。随着工业物联网 (IIoT)、边缘和云计算、机器学习、人工智能和高级数据分析的最新进展，DT 正在行业中迅速传播。然而，现有文献缺乏从通信和计算的角度识别和讨论这些技术在支持 DT 的行业中的作用和要求。在本文中，我们首先介绍 DT 在智能行业中的功能方面、吸引力和创新用途。然后，我们通过系统地回顾和反思下一代 (NextG) 无线技术（例如 5G 及更高网络）、各种工具（例如信息时代、联合学习、数据分析）以及网络计算中的其他有前景的趋势的最新研究来阐述这一观点
Pignus -Padua Research Archive
在本文中，我们介绍了第一个综合IDS框架，该框架结合了效果效果 - 映射技术和级联模型，以解决上述问题。我们称我们提出的解决方案在工业互联网（Pignus）中提出的深度学习模型入侵检测。Pignus集成了自动编码器（AE），以选择最佳特征，并将级联反向后背传播神经网络（CFBPNN）进行分类和攻击检测。级联模型使用从初始层到输出层的互连链接，并确定正常和异常的行为模式并产生完美的分类。我们在五个流行的IIOT数据集上执行了一组实验：气管管道，储水箱，NSLKDD+，UNSW-NB15和X-IIOTID。我们将Pignus与最先进的模型进行了比较，从精度，假阳性比率（FPR），精度和召回率进行了比较。结果表明，Pignus提供的精度超过95％，平均比现有型号高25％。在其他参数中，Pignus显示出20％的FPR，10％的回忆10％，精度提高了10％。总的来说，Pignus证明了其效率为IIOTS的IDS解决方案。因此，Pignus是IIOTS的有效解决方案。
物联网网络安全中区块链的潮汐
摘要：本文调查了网络（IoT）网络中网络安全中区块链技术的实施，并提出了一个综合框架，将区块链技术与入侵检测系统（IDS）集成在一起以增强IDS性能。本文回顾了来自各个领域的文章，包括AI，区块链，ID，IoT和工业物联网（IIT），以确定该领域的新兴趋势和挑战。对结合AI和区块链的各种方法的分析表明，将AI和区块链整合到转换ID的可能性。本文的结构为进一步研究的基础奠定了基础，并为开发ID的开发提供了蓝图，该IDS可访问，可扩展，透明，不可变和分散。案例研究的示范集成了AI和区块链，显示了将二人组合以增强性能的可行性。尽管资源限制和隐私问题构成的挑战，但值得注意的是，区块链是确保IoT网络的关键，并且在这一领域的持续创新是必要的。需要进一步研究轻巧的加密，有效的共识机制和隐私技术，以实现物联网中具有区块链驱动的网络安全的所有潜力。
推理建模能够实现早期检测和有效...
通常，优化资产效率会对可靠性产生不利影响，反之亦然。客观确定最佳权衡的唯一方法是通过数据辨别。工厂经理经常提出的一些代表性问题，以及理想情况下数据驱动的决策应该回答的问题包括：• 我是否应该在更高的温度下运行这个固定床反应器以实现更高的转化率？如果是这样，这将如何影响我的催化剂活性以及反应器的整体机械完整性？• 考虑到维护成本和压缩机可能降低的等温效率之间的权衡，我应该何时维修我的多级压缩机的中间冷却器？• 我是否可以在不增加计划外维护成本的情况下延长工厂停机间隔时间？这样的例子不胜枚举。整个行业对“大数据”的兴趣高涨表明，这些运营问题的客观、敏捷和有见地的答案现在可能触手可及。当然，通过工业物联网 (IIoT) 的进步而实现的数字控制系统、数据历史记录和额外的传感器监控点为制造公司提供了前所未有的数据量。然而，这些高维数据集通常具有具有挑战性的信噪比和高度的相关性/冗余性，同时本质上是非因果性的（即，单个传感器读数的变化并不总是能够绘制
NextG 无线网络与计算智能交汇处的工业数字孪生：一项调查
通过融合最新的通信和控制技术、计算和数据分析技术以及模块化制造，工业 4.0 促进通过信息物理系统 (CPS) 和数字孪生 (DT) 集成信息物理世界，以监控、优化和预测工业过程。DT 支持与工业物理对象/过程的数字图像进行交互，以模拟、分析和控制它们的实时运行。随着工业物联网 (IIoT)、边缘和云计算、机器学习、人工智能和高级数据分析等跨学科的进步，DT 正在众多行业中迅速传播。然而，现有文献缺乏从通信和计算的角度识别和讨论这些技术在支持 DT 的行业中的作用和要求。在本文中，我们首先介绍 DT 在智能工业中的功能方面、吸引力和创新用途。然后，我们通过系统地回顾和反思下一代 (NextG) 无线技术（例如 5G 及以上网络）和设计工具以及当前计算智能范式（例如边缘和云计算支持的数据分析、联邦学习）的最新研究趋势，详细阐述了这一观点。此外，我们讨论了不同通信层的 DT 部署策略，以满足工业应用的监控和控制要求。我们还
使用机器学习技术实现可持续、可靠的医疗保健自动化和数字化
医疗 4.0 与工业 4.0 保持一致，具有显著的优势。主要引用最近和现有的流行病，对工业物联网 (IIoT)、自动化、数字化和机器学习技术进行预测和预测的需求一直是人们所依赖的技术。在这方面，医疗行业的数字化和自动化已成为加速诊断和为从业者提供方便的第二意见的实用工具。医疗保健的可持续性有几个目标，如降低成本和降低排放率，同时保证有效的结果和易于诊断。在本文中，我们尝试采用深度学习技术来预测脑肿瘤的阶段。深度学习方法可帮助从业者将患者的状况与类似受试者联系起来，并评估和预测未来因脑肿瘤引起的异常。流行的数据集已用于对预测过程进行建模。机器学习是处理复杂模式时处理监督分类的最成功工具。该研究旨在将这种机器学习技术应用于对不同类型肿瘤的大脑图像进行分类：脑膜瘤、神经胶质瘤和垂体瘤。在python环境中进行模拟，并使用标准指标进行分析。
中国的供应链策略和印度的电子行业
半导体芯片设计的进步 - 通过组合较小的芯片来提高性能和效率。较高的晶体管密度 - 提高芯片性能并降低功率使用。AI处于边缘 - AI驱动的设备可更快地启用自动化和智能系统的本地数据处理。神经形态计算模仿人脑的有效AI处理。可持续性的重点 - 通过更好的回收和更长的产品生命周期来减少电子废物的努力。开发节能电子设备以降低环境影响。物联网（IoT）增长 - 增加连接的设备可驱动数据收集和自动化。工业物联网（IIT）提高了制造和物流的效率。5G和未来连接5G扩展 - 启用更快的速度和新的技术应用程序。6G研究 - 正在进行更大的连接性。灵活且可穿戴的电子设备可折叠显示器 - 正在推进手机，可穿戴设备和标牌可穿戴技术 - 智能手表继续随着新功能而发展。量子计算进度 - 仍处于早期阶段，但在药物发现，材料科学和加密技术方面具有潜力。正在进行研究以开发强大而稳定的量子计算机。
基于机器学习的预测性维护模型 - IEOM
摘要 生产系统受到由操作和环境条件引起的性能下降和故障的影响。事实上，计划外、计划外的维护 (UUM) 实践会导致生产力下降、生产损失、昂贵的劳动力（呼叫、加班）和设备损坏。然而，预测性维护 (PdM) 是一种基于条件的维护策略 (CBM)，近年来在从业者中越来越受欢迎，它在需要时执行维护行动，避免不必要的预防措施或故障。机器学习 (ML) 已成为维护策略中缓解这些挑战的一种先进诊断方法。尽管如此，由于负责数据收集和执行的工业物联网 (IIoT) 不成熟，基于 ML 的 PdM 策略仍处于起步阶段。实施基于 ML 的 PdM 是一个困难且昂贵的过程，尤其是对于那些通常缺乏必要技能和财务和劳动力资源的公司而言。因此，需要进行成本导向分析来确定何时实施基于 ML 的 PdM。拟议的研究开发了 ML 算法，并为考虑航空行业的从业者和研究人员提供了一个智能 PdM 模型和框架。本文的贡献有两个方面。首先是开发基于 ML 的预测维护模型。分析表明，随机森林的表现优于其他模型，在平均
物理感知机器学习替代实时制造数字双胞胎
在过去的十年中，制造系统的数字化转型改进了制造过程的交互和控制[1,2]。随着计算机化和互连的范围，车型制造系统在物理和虚拟世界之间具有更高水平的自动化和更牢固的联系[3-5]。这种数字化转型影响了业务模型，环境，生产系统，机器，运营商，产品和服务，从而导致智能制造或制造4.0的出现。该领域集成了新一代信息技术（工业互联网（IIOT），大数据，云计算，ML）和制造应用[6]。数字双胞胎（DT）是用于操作4.0的能力技术之一，在智能制造中提供了网络物理整合[7-9]。dt由一个虚拟模型组成，该模型模拟了物理制造部分的实际状态，还包括制造过程的模拟。它不断吸收传感器数据以更新模型的虚拟状态，以匹配制造过程的不同阶段[10-12,9]。dts提供了复杂的制造过程的集成，数据驱动的，多物理，多尺度的，概率的模拟。DT可以在从单件设备到整个工厂甚至完整供应链的尺度上使用[13]。dts可以访问生产系统中的物理数据，