XiaoMi-AI文件搜索系统
World File Search SystemKomp
b'插入\ xc3 \ xbchrung在软件开发软件中的编程中I（学习理论和实践）DEP学习游戏理论2D视觉和DEP学习数据挖掘计算机Grafik主题在功能编程学习研讨会研究项目'
b'插入\ xc3 \ xbchrung在软件开发软件中的编程中
çocuklukçğıTravmalarınn，Bistli Alkol-MaddeKullanımıVeCinselkompulsiyonlarararaİlişkisindeDuygudduygudüzenlem
目的：本研究旨在研究认知情绪调节策略在儿童创伤，危险的酒精和药物使用以及性强迫之间的关系中的中介作用。方法：研究涉及来自安卡拉大学的303名参与者。数据收集包括儿童创伤问卷，性强迫量表，成瘾概况指数筛查量表和认知情绪调节问卷。使用相关性，简单的线性回归和模型4分析了变量之间的关系，以进行中介分析。结果：研究发现，儿童创伤可以显着预测危险的酒精和使用，性强迫以及适应不良的认知情绪调节策略。此外，发现适应不良的情绪调节策略会显着影响性强迫。该分析还表明，儿童创伤通过这些不良适应性策略影响性强迫，突出了认知情绪调节在成瘾行为发展中的关键作用。结论：儿童创伤和认知情绪调节策略是成瘾风险过程中的重要因素。这些结果表明，针对情绪调节的干预措施可以帮助解决与创伤和成瘾有关的适应不良行为，从而为研究人员和从业者提供宝贵的见解。关键字：性强迫，儿童创伤，情绪调节，危险的酒精使用
Kesan Penggunaan Peranti数字Dan Amalan Pencegahan Pencegahan Terhadap Sindrom Penglihatan Komputer
大学生更容易受到计算机视觉综合征（CVS）的症状，这是由于数字设备（例如计算机，平板电脑和智能手机）在学习过程中的大幅增加而引起的，尤其是在Covid-19-19大流行期间。进行了这项研究是为了确定CVS综合征的患病率和在3年级学生和4年级学生中采取的预防措施的患病率，在马来西亚马来西亚校园吉隆坡（UKMKL）中。通过在线调查表的分布随机分配给80位受访者进行采样的横截面研究已被使用。分析发现，有90％的学生将智能手机用作学习过程中的主要数字设备，其中41.3％的人报告使用设备超过8小时。调查结果还表明，超过65％的受访者患有头痛和颈部疼痛（73.8％），背痛和眼痛（66.3％），以及发痒和水的眼睛（65.0％）。只有视力模糊和双视力的症状与数字设备的使用时间段有显着关系（p <0.05）。分析结果发现，有90％的学生采取了有效的预防措施，例如使用20-20-20规则在数字设备之间放松措施，以防止或缓解CVS症状。但是，这种预防措施与经历的简历症状没有发现显着的关系。这项研究的发现对于制定步骤的建议非常有用，作为学生的常规实践，可减少使用数字设备对视觉健康的负面影响。
红树林蟹壳（Scylla serrata）中的磷酸钙成分可作为牙髓封盖治疗的替代材料 Fadil Abdillah Arifi
摘要背景：磷酸钙在牙科中的应用可以作为牙髓盖髓治疗的替代材料。红树蟹壳含有较高的磷酸钙，可以作为牙髓盖髓治疗的替代材料。目的：测定红树林蟹壳（Scylla serrata）中磷酸钙的含量。方法：本研究为定量描述性研究，样本采集采用目的抽样法。结果:经XRD测试分析红树蟹壳中磷酸钙的含量,99.8%以羟基磷灰石的形式存在,0.2%以钙的形式存在。结论：采用X射线衍射（XRD）设备分析磷酸钙的含量，其中羟基磷灰石形式的磷酸钙含量为99.8%，钙形式的磷酸钙含量为0.2%。关键词： 锯缘青蟹壳（Scylla serrata）；牙髓盖顶；磷酸钙
使用计算机视觉来识别
导入cv2导入numpy作为np def indeion_fruit（image_path）：＃读取image = cv2.imread（image_path），如果图像无：print（“找不到图像！”）返回＃更改为hsv hsv_image = cv2.cvtcolor（image，cv2.color_bgr2hsv）＃颜色范围的定义要检测水果类型＃红色范围（苹果的示例）lower_red = np.array（[0，100，100，100，100，100，100]） （hsv_image，lower_red，upper_red）＃黄色范围（例如香蕉）lower_yellow = np。 np.Array（[80，255，255]）green_mask = cv2.inrange（hsv_image，lower_green，upper_green）＃masks = {
使用计算机视觉技术在照片中的面部检测
摘要。本研究讨论了使用两个示例图像在照明和面部姿势方面的示例图像中实施用于面部检测的计算机视觉技术。开发的系统结合了Viola-Jones算法和卷积神经网络（CNN），以增强针对照明和面部取向变化的弹性。实验结果即使只有两个样本图像也显示出很高的精度。这项研究还开发了处理极端照明条件的预处理技术，并使用Python和OpenCV证明了有效的实施。关键字：面部检测，Viola-Jones，CNN，OpenCV摘要。本研究讨论了使用两个示例图像在照片中进行面部检测的计算机视觉技术的实施，这些示例图像具有不同的照明和面部姿势。系统开发的系统结合了中提琴和卷积神经网络（CNN）算法，以增加对照明和面部取向变化的抗性。实验结果表明，即使仅使用两个示例图像，它也显示出高度的准确性。这项研究还开发了预处理技术，以使用Python和OpenCV来克服极端的照明条件和实施效率。关键字：面部检测，Viola-Jones，CNN，OpenCV 1。简介
制作氧化Grafena（GO），然后在
Grafena氧化物（GO）在各种应用中具有非常广泛的潜力，并且其应用之一可以用作光催化剂。从以前的研究中，使用金属氧化物的Go和Go Composies可以降解可以污染水域的液体废物有机染料。由纺织工业活动产生的着色剂之一是Rhodamin B（RHB）。在这项研究中，使用鹰嘴豆修饰方法从石墨进行了GO的合成。使用NH 4 OH溶液通过沉淀法制造了GO/ZnO复合材料，该解决方案得到了超声处理过程的辅助过程，其中Zn（No. 3）2.6H 2 O用作使GO/ZnO复合材料的前体。降水导致的沉积物被中和，然后在70℃加热20小时以获取GO粉末。通过以70℃加热复合沉积物8小时而产生GO/ZnO粉末。XRD样本结果证实形成的GO并不完美。FTIR结果证实，GO样品具有羧基，羰基，羟基和环氧函数组。通过辐射可见的射线和阳光，在RHB上以60至100 ppm的浓度在RHB上测试了两个样品的光疗过程。光催化剂质量在0.01至0.05克的范围内变化，辐照时间为1至5小时。GO/ZnO样品的光有关测试结果显示，60 ppm RHB溶液的脱色百分比达到66.27％，光催化剂质量为0.05克，持续5小时。虽然GO样品在相同的质量和照射时间下将RHB 60 ppm溶液分解为99.97％。
预测糖尿病患者的朴素贝叶斯算法与梯度提升算法的比较
据估计，随着人口老龄化，糖尿病发病率将从19.9%增加到65-79岁的1.112亿人，预计到2030年糖尿病患者将继续增加到5.78亿人，到2045年将增加到7亿人。机器学习是人工智能的一种，旨在理解或识别数据结构并将数据转换为模型。机器学习在健康领域的应用正在迅速增长，越来越多的健康研究人员在研究中使用机器学习算法。一些机器学习算法可以用来做预测，其中之一就是预测糖尿病的分类算法。根据所用几种算法的比较结果，朴素贝叶斯和梯度提升分类算法具有其他算法的最佳值。梯度提升算法在线性样本上取得了较高的效果，准确率为77.09%，f值达到83.39%。朴素贝叶斯对随机样本测试的结果最优，准确率为 76.57%，f 度量值为 82.82%。分层样本测试结果中准确率最高的是梯度提升算法，准确率为77.34%，f值达到83.39%。
安装：计算机日记
在通信网络上发送数据或信息的过程中，与个人数据和身份相关的各种类型的数据和重要信息通常在网络上进行交易。这可以由不负责任的各方利用，以通过复制个人数据或信息来获得个人利益。因此，通过通信网络发送的数据需要保护。根据法律号2022年27号，个人数据保护包括保护个人数据并保证个人数据主体的宪法权利的所有努力。基于此，研究目标是为用户提供以个人数据形式为文本数据提供额外安全性的选项。BASE64应用程序通过将明文更改为密文来提供数据安全性，该信息的信息结构与原始信息形式大不相同。使用base64算法的文本数据安全应用程序是使用统一建模语言（UML）系统开发方法设计的。关于应用程序开发，使用的框架是模块化的。因此，使用此应用程序，文本数据具有其他数据安全选项，以避免可能有害的行为。
脑启发计算 脑启发计算
背景：类脑计算将传统计算技术与受人脑启发的计算和认知思想、原理和模型相结合，以构建智能信息系统，用于我们的日常生活。图像和语音处理、盲信号分离、创造性规划和设计、决策、自适应控制、知识获取和数据库挖掘只是类脑计算应用的一些领域。我们对大脑功能了解得越多，信息系统就越智能。本书还介绍了心智和意识建模的一个主题，以及人工智能领域的其他新理论模型和应用。人脑是一种非常节能的装置。从计算角度来说，它仅需 20 瓦的功率就能每秒执行相当于十亿亿亿亿次浮点运算（1 后面跟着 18 个零）的数学运算。相比之下，世界上最强大的超级计算机之一“橡树岭前沿” (Oak Ridge Frontier) 最近演示了百亿亿次计算能力。然而，要实现这一壮举需要数百万倍的功率，即 20 兆瓦。我和我的同事希望通过大脑来指导开发强大而节能的计算机电路设计。你看，能源效率已经成为阻碍我们制造更强大的计算机芯片的一个主要因素。虽然更小的电子元件已成倍地提高了我们设备的计算能力，但进展却正在放缓。有趣的是，我们对大脑如何运作的看法一直是计算机世界的灵感源泉。为了理解我们是如何得出这种方法的，我们需要简单回顾一下计算的历史。人脑是宇宙中最复杂的物体之一。它能够在不断变化的环境中执行高级认知任务，例如抽象、概括、预测、决策、识别和导航。大脑这种较高的认知能力得益于它的功耗非常低，只有20W。大脑能效高的原因主要有两点：一是信息交换和处理是事件驱动的；因此，尖峰能量仅在需要的时间和地点被消耗。其次，神经元和突触位于同一个神经网络中，高度互联，每个神经元平均与104个其他神经元相连。神经元/突触共位意味着数据处理（由突触兴奋和神经元放电组成）和记忆（由突触权重和神经元阈值组成）在大脑内共享同一位置。许多研究工作旨在模仿人类大脑的计算类型，以实现非凡的能源效率。这是神经形态工程的目标，其中，脉冲神经网络（SNN）是利用人工神经元和突触开发出来的。 SNN 通常采用与 Rosenblatt 和 Minsky 开创的传统感知器网络相同的全连接 (FC) 架构。然而，在 SNN 中，神经元和突触通常表现出对施加的尖峰的时间依赖性响应，例如神经元内的整合和发射以及跨突触的兴奋性突触后电流 (EPSC)。这与用于计算机视觉和语音识别的人工智能 (AI) 加速器中的传统人工神经网络 (ANN) 形成对比，其中信息是同步的并且基于信号幅度而不是时间。大多数 SNN 通常依赖于互补金属氧化物半导体 (CMOS) 技术，具有两个显著的关键优势：首先，CMOS 技术在半导体行业生态系统中广泛可用，包括设计、制造和鉴定，为基于 CMOS 的神经形态工程成为成熟主题创造了条件。其次，CMOS晶体管可以按照摩尔定律小型化，其中减小