XiaoMi-AI文件搜索系统
World File Search SystemLund
伦德海姆：探索动作冒险视频游戏中的情感音频技术
本文讨论了 Lundheim，这是一款使用 Unity 制作的视频游戏原型，它采用了基于情感计算技术的交互机制，用于控制游戏的视听方面。该项目基于一个名为“Lundheim”的虚构古挪威王国，在那里，情感融入了现实结构。该游戏利用了 Russell 的情感圆形模型，提供了四个符文，它们与圆形模型的不同部分相对应。玩家必须通过输入相应的情绪状态来激活每个符文，使用消费级 Interaxon Muse 脑电图 (EEG) 头带捕获情绪。激活每种情绪都会触发粒子效果和相应的声音材料（包括交互式音乐），这些材料由 Wwise 视频游戏音频中间件软件实现。因此，该项目展示了情感技术和声音在视频游戏中的新颖实现，为该研究领域的讨论做出了贡献。
引用本文：Roosa Wingström、Johanna Hautala 和 Riina Lundman (2022)：重新定义人工智能时代的创造力？计算机科学家和新媒体艺术家的观点，《创造力研究杂志》，DOI：10.1080/10400419.2022.2107850
摘要 人工智能 (AI) 已经突破了创造力研究。创造性人工智能系统的进步挑战了创造力的共同定义，传统上该定义侧重于五个要素：参与者、过程、结果、领域和空间。此外，科学家和艺术家等创意工作者越来越多地在他们的创作过程中使用人工智能，而共同创造力的概念已经出现，用来描述人机混合的创造力。这些问题引发了一个问题：在人工智能时代，创造力是否需要重新定义。目前，共同创造力主要在预先组织的实验室环境中的计算机科学框架内进行研究。这项研究从人类科学的角度出发，采访了 52 位在芬兰使用人工智能的计算机科学家和新媒体艺术家。结果表明，科学家和艺术家使用相似的元素来定义创造力。然而，人工智能在科学和艺术创作过程中的作用不同。科学家需要人工智能来产生准确和值得信赖的结果，而艺术家则使用人工智能来探索和玩耍。与科学家不同，一些艺术家也认为他们与人工智能合作的工作是共同创造的。我们认为共同创造力可以解释人工智能时代的当代创造过程，并应该成为未来创造力研究的重点。
i H. Lundbeck A/S 199148222 新 A 股上市及...
本文件（“上市文件”）涉及根据丹麦法律对 H. Lundbeck A/S（“ Lundbeck ”、“公司”或“发行人”）现有普通股（“现有股份”）进行股份拆分（“股份拆分”），这些股份获准在 Nasdaq Copenhagen A/S（“Nasdaq Copenhagen”）交易并正式上市，并将现有股份转换为具有不同投票权的两类股份，从而允许新的 A 类股份（“ A 股”）和新的 B 类股份（“ B 股”）在 Nasdaq Copenhagen 交易并正式上市（“上市”）。Lundbeck 的现有股份目前在 Nasdaq Copenhagen 上市，ISIN 编号为 DK0010287234，交易代码为“LUN”。股份拆分完成后，Lundbeck 将拥有由 A 股和 B 股组成的 A 类股份由 B 股组成（统称“股份”），两股均获准在纳斯达克哥本哈根交易所交易并正式上市。本上市文件不构成任何司法管辖区内出售任何 A 股或 B 股的要约或购买任何 A 股或 B 股的要约邀请。发行上市文件或股份拆分并不构成股份的要约或股份出售。
已发布版本的引文 (APA)：Olczak, J.、Pavlopoulos, J.、Prijs, J.、Ijpma、FFA、Doornberg, JN、Lundstrom, C.、Hedlund, J. 和 Gordon, M. (2021)。向临床医生和医疗保健利益相关者展示人工智能、深度学习和机器学习研究：带有指南和临床人工智能研究 (CAIR) 清单提案的入门参考。Acta Orthopaedica，92(5)，513-525。https://doi.org/10.1080/17453674.2021.1918389
机器学习 (ML)、深度学习 (DL) 和人工智能 (AI) 在骨科和其他医学领域越来越普遍。人工智能于 1955 年被定义为“制造智能机器的科学和工程”，其中智能是“学习并执行适当技术以解决问题和实现目标的能力，适合不确定、不断变化的世界中的情况”（Manning 2020）。机器学习意味着从数据中学习而不是遵循明确规则的模型和算法。深度学习 (DL) 是一种使用大型多层人工神经网络的 ML 形式。神经网络是受生物网络影响的信息处理计算算法。它们由多层进行通信的“神经元”组成。通过训练神经元如何通信，可以产生解决特定问题的交互。DL 是目前最成功和最通用的 ML 方法（Michie 等人 1994，Manning 2020）。计算硬件（如专用图形处理器 [GPU] 和云计算）方面的最新技术突破
引用本文：Jakub Olczak、John Pavlopoulos、Jasper Prijs、Frank F A Ijpma、Job N Doornberg、Claes Lundström、Joel Hedlund 和 Max Gordon (2021)：向临床医生和医疗保健利益相关者介绍人工智能、深度学习和机器学习研究：带有指南和临床人工智能研究 (CAIR) 清单提案的入门参考，Acta Orthopaedica，DOI：10.1080/17453674.2021.1918389
机器学习 (ML)、深度学习 (DL) 和人工智能 (AI) 在骨科和其他医学领域变得越来越普遍。人工智能于 1955 年被定义为“制造智能机器的科学与工程”，其中智能是“学习并执行适当技术以解决问题和实现目标的能力，适合不确定、不断变化的世界中的情况”（Manning 2020）。机器学习意味着从数据中学习而不是遵循明确规则的模型和算法。深度学习 (DL) 是一种使用大型多层人工神经网络的 ML 形式。神经网络是受生物网络影响的信息处理计算算法。它们由多层进行通信的“神经元”组成。通过训练神经元如何通信，可以产生解决特定问题的相互作用。DL 是目前最成功和最通用的 ML 方法（Michie 等人1994 年，Manning 2020 年）。计算硬件方面的最新技术突破（如专用图形处理器 [GPU] 和云
请引用原文：Du, B., Lund, PD, & Wang, J. (2021). 结合 CFD 和人工神经网络技术预测全玻璃直真空管太阳能集热器的热性能。能源，220，文章 119713。https://doi.org/10.1016/j.energy.2020.119713
本文分析了一种新型全玻璃直通真空管集热器的热性能建模和性能预测。开发了管的数学模型，并将其纳入 CFD 软件进行数值性能模拟。为了提高集热器的热性能预测，考虑了不同的人工神经网络 (ANN) 模型。采用包含 200 多个样本的综合实验数据集对模型进行测试。将热模拟模型与 ANN 模型相结合，使用建模的集热器输出作为输入模型之一，显著提高了 ANN 模型的预测精度。与 ANN 模型相比，仅基于 CFD 模型的预测精度最差。卷积神经网络 (CNN) 模型被证明是预测精度最好的 ANN 模型。关键词：太阳能集热器；真空管；神经网络；多元线性回归；CFD；热性能；预测
使用不透明的人工智能实现智能电网 - 隆德大学出版物
SAMMANFATTNING（最多 200 人）：深度学习是一种新兴的机器学习技术，可以在大量数据中找到复杂的模式。这使得它可用于智能电网中的多种应用，这些应用通常涉及处理大量数据。然而，有理由怀疑它的适用性，因为深度学习的黑箱性质可能是一个问题，因为电网是重要的基础设施，包含致命的电流。智能电网的专业人士接受了采访，以了解与机器学习可解释性有关的八个问题的重要性。调查结果显示，对于一些与控制电网相关的用途，信任至关重要，不太可能使用黑箱算法。对于提供建议和预测等其他用途，研究发现，信任或信息量是结果有用的必要条件，尽管信任可以通过强大的记录来实现，而不是通过解释系统的能力。其他问题的重要性各不相同，但都不是关键问题。
隆德宽带中子设施
所有能量的中子都是重要的物质探测器，对科学和工业领域越来越多的应用至关重要。对于许多新颖的发展和培训目的，提供直接且经济实惠的中子获取途径的专用本地设施是社区的迫切需求。隆德宽带中子设施 (LBNF) 的设计考虑到了这一点，并降低了进入门槛。LBNF 由隆德大学核物理系主办，由中子学小组运营，提供完善的以用户为中心的基础设施、核物理和探测技术专业知识，以及来自加速器中子源和中子发射放射源的中子获取途径。自 2014 年以来，该设施一直作为 ESS 相关探测器和材料研发的基础设施以及教育平台 [1]。目前，LBNF 的 3 MeV Pelletron 加速器正在升级，配备专用的中子生产光束线。预计中子通量将从大约106n/s（放射源）或108n/s（中子发生器）增加到1010n/s，这将为其他领域的应用开辟新的可能性。
瑞典隆德斯科讷大学医院儿童心脏中心
2.7. 您是否有基于贵组织经验的具体案例，或者能否为我们提供与高度专业化的医疗保健/CoE 或 HSHC 的专业标准和规范相关的参考文献或链接（例如质量标准、指南、共识文件）？