XiaoMi-AI文件搜索系统
World File Search SystemMarquardt
2022 年网络安全 - 小型审计部门面临的挑战
1.IIA，2022 年北美内部审计脉搏，2022 年 3 月，https://www.theiia.org/en/content/research/pulse-of-internal-audit/2022/2022-north-american-pulse-of-internal-audit/ 2.SonicWall，2022 年 SonicWall 网络威胁报告，2022 年，https://www.sonicwall.com/2022-cyber-threat-report/。3.Steve Morgan，“2022 年网络安全年鉴：100 个事实、数据、预测和统计数据”，网络安全风险投资公司，思科，2022 年 1 月 19 日，https://cybersecurityventures.com/cybersecurity-almanac-2022/ 。4.Joe Hernandez，微软称 SolarWinds 攻击背后的俄罗斯黑客组织又来了”，NPR，2021 年 10 月 25 日更新，https://www.npr.org/2021/10/25/1048982477/russian-hacker-solarwinds-attack-microsoft 。5.Isabella Jibilian 和 Katie Canales，“美国正准备因 SolarWinds 网络攻击对俄罗斯实施制裁。以下是关于大规模黑客攻击如何发生以及为什么它如此重要的原因的简单解释”，Business Insider，2021 年 4 月 15 日更新，https://www.businessinsider.com/solarwinds-hack-explained-government-agencies-cyber-security-2020-12 。6.Andrew Marquardt，“拜登警告俄罗斯网络攻击，先例是什么？“去年一条主要输油管道遭黑客攻击，发生了什么？”《财富》，2022 年 3 月 22 日，https://fortune.com/2022/03/22/biden-warns-russian-cyber-attack-pipeline/。
2022 年网络安全 - 内部审计师协会
1 .IIA，2022 年北美内部审计脉搏，2022 年 3 月，https://www.theiia.org/en/content/research/pulse-of-internal-audit/2022/2022-north-american-pulse-of-internal-audit/ 2 .SonicWall，2022 年 SonicWall 网络威胁报告，2022 年，https://www.sonicwall.com/2022-cyber-threat-report/ .3 .Steve Morgan，“2022 年网络安全年鉴：100 个事实、数据、预测和统计数据”，网络安全风险投资公司，思科，2022 年 1 月 19 日，https://cybersecurityventures.com/cybersecurity-almanac-2022/ 。4 。Joe Hernandez，微软称 SolarWinds 攻击背后的俄罗斯黑客组织又来了”，NPR，2021 年 10 月 25 日更新，https://www.npr.org/2021/10/25/1048982477/russian-hacker-solarwinds-attack-microsoft 。5 。5 。Isabella Jibilian 和 Katie Canales，“美国正准备因 SolarWinds 网络攻击对俄罗斯实施制裁。以下是对大规模黑客攻击如何发生以及为什么它如此重要的原因的简单解释”，Business Insider，2021 年 4 月 15 日更新，https://www.businessinsider.com/solarwinds-hack-explained-government-agencies-cyber-security-2020-12 。6 。Andrew Marquardt，“拜登警告俄罗斯网络攻击，先例是什么？“去年一条主要输油管道遭黑客攻击，发生了什么？”《财富》，2022 年 3 月 22 日，https://fortune.com/2022/03/22/biden-warns-russian-cyber-attack-pipeline/。
采用非线性自回归外生模型的可穿戴 sEMG 传感器多自由度假手指关节控制器
摘要：手臂、手和指尖的活动功能和感觉信息的丧失妨碍了患者的日常生活活动 (ADL)。现代仿生假手可以弥补失去的功能并实现多自由度 (DoF) 运动。然而，由于传感器有限和缺乏稳定的分类算法，市售的假手通常具有有限的自由度。本研究旨在提出一种通过表面肌电图 (sEMG) 估计手指关节角度的控制器。用于训练的 sEMG 数据是使用商用 EMG 传感器 Myo 臂带收集的。提取时域中的两个特征并将其输入到具有外生输入的非线性自回归模型 (NARX) 中。使用 Levenberg-Marquardt 算法对 NARX 模型进行预选参数训练。与目标相比，模型输出的回归相关系数 (R) 在所有测试对象中均大于 0.982，信号范围为 [0, 255] 的任意单位时均方误差小于 10.02。研究还表明，所提出的模型可用于日常生活运动，具有良好的准确性和泛化能力。
简单的语言摘要产前皮质类固醇可降低新生儿发病率和死亡率
该活动于2024年4月19日在三一商学院举行。这是痴呆症服务信息与开发中心（DSIDC）与理解运动之间的合作。人们认识到，医院，卫生中心和长期护理环境对使用它们的患者，公众和员工提出了非常特殊的方法。邀请了来自国内外专家的知识渊博而引人入胜的小组。其中包括Gesine Marquardt教授（德累斯顿技术大学）和露西·理查兹（Lucy Richards）（工作室LR和Better Company），他们涵盖了Finding的学术和美学要素。乔迪·莫里斯（Jody Morris）代表了都柏林的新方式发现中心，他对这个创新的空间进行了虚拟之旅。Derek Dockrell（HSE Estates），Aiden Turley（SJH）和Noel Greene（Evolve）向观众解释了将解决方案实施到医疗保健环境中的复杂性。阵容是由阿尔茨海默氏症协会的Saoirse凯利（Saoirse Kelly）采访了凯瑟琳·墨菲（Catherine Murphy Irish）爱尔兰痴呆症工作组，这使观众从患有痴呆症患者的角度找到了发现的经历。
通过机器预测模板打印的转移效率
摘要：进行实验，以获取有关模板打印转移效率的数据，并培训了基于机器学习的技术（人工神经网络）来预测该参数。实验中的输入参数空间包括五个不同级别的打印速度（在20至1120 mm/s之间）以及从0.34到1.69的模板孔的面积比。还研究了三种类型的无铅焊料糊，如下：3型（粒径范围为20-45 µm），4型4（20–38 µm），型5（10-25 µm）。输出参数空间包括打印沉积物的高度和面积以及相应的转移效率，这是沉积物粘贴体积与光圈体积的比率。最后，使用Levenberg -Marquardt培训算法对人工神经网络进行了经验数据。发现网络大小微调的最佳调整因子约为9，导致隐藏的神经元数为160。训练有素的网络能够以平均平均百分比误差（MAPE）低于3％的平均百分比误差（MAPE）来预测输出参数。但是，预测错误取决于输入参数的值，该值在本文中详细列出了。研究证明了机器学习技术在模具印刷过程的产量预测中的适用性。
jeffrey混合纳米流体的人工神经网络分析与陀螺仪微生物优化太阳热收集器效率
本文研究了由于Jeffrey杂交纳米流体流动而导致的太阳能储能，该流通过多孔介质用于抛物线槽太阳能收集器。在悬浮水基传热液中，还遇到了石墨烯和银纳米颗粒的热疗法和布朗运动的机制。旋转的微生物具有在纳米流体混合物中向上移动的能力，从而增强了纳米颗粒的稳定性和悬浮液中的流体混合。管理方程式的数学建模使用质量，动量，能量，浓度和微生物浓度的保护原理。非相似变量被引入尺寸管理方程式，以获取非量纲的普通微分方程。实施现金和鲤鱼方法来求解非二维方程。还使用Levenberg Marquardt算法为非维度的方程开发了人工神经网络。对应于影响纳米流体流和传热的不同参数的数值发现。观察到热曲线会随着达西和福切氏症参数的升级而增强。和Nusselt数字随着Deborah数字和延迟时间参数的升级而增强。熵生成可以随着Deborah数字和延迟时间参数的增强而降低。太阳能是最好的可再生能源。它可以满足行业和工程应用增长的能源需求。
与头部偏航旋转相关的脑电活动的识别
摘要：自动识别头部运动过程中的人类大脑刺激可能会为人机交互 (HCI) 带来重大进步，对严重残疾人群和机器人技术都有重要应用。本文提出了一种基于神经网络的识别技术，通过脑电图信号识别参与者在受到视觉刺激时的头部偏航旋转。目标是识别脑电活动与由参与者左手边/右手边的灯打开/关闭触发的头部运动之间的输入输出函数。该识别过程基于“Levenberg-Marquardt”反向传播算法。在十名参与者身上获得的结果跨越两个多小时的实验，显示了所提出的方法在识别与头部转动相关的脑电刺激方面的能力。对每个参与者的每个实验相关的脑电图信号进行初步分析。预测的准确性由同一文件的训练和测试试验之间的显著相关性证明，在最佳情况下，相关性达到 r = 0.98，MSE = 0.02。在第二次分析中，对一名参与者的 EEG 信号进行训练的输入输出函数由其他参与者的 EEG 信号进行测试。在这种情况下，低相关系数值表明，当对不同的受试者进行训练和测试时，分类器的性能会下降。
对碳实体的影响
使用CO 2注入增强的石油回收（EOR）是有希望的，经济和环境益处是一种积极的气候变化方法。然而，CO 2注射的较低扫描效率仍然是一个挑战。CO 2 -FOAM注射已被提议作为一种补救措施，但其对特定储层的实验室筛查是昂贵且耗时的。在这项研究中，使用机器学习模型来预测CO 2-FOAM洪水期间的石油回收因子（ORF）。四个模型，包括通用回归神经网络（GRNN），具有Levenberg - Marquardt优化（CFNN-LM），具有贝叶斯正则化（CFNN-BR）（CFNN-BR）的级联向前神经网络的级联向前神经网络以及基于实验数据的实验数据，以贝叶斯正则化（CFNN-BR）（CFNN-BR）（CFNN-BR）（CFNN-BR）和极端梯度提升（XGBoost）。结果表明，GRNN模型的表现优于其他模型，总体平均绝对误差为0.059，R 2为0.9999。使用威廉姆斯图对GRNN Model的适用性域进行了验证，并对CO 2 -FOAM洪水项目进行了不确定性分析。这项研究的新颖性在于开发一种基于机器学习的方法，该方法在CO 2-FOAM实验中对ORF进行了准确且具有成本效益的预测。这种方法具有显着减少CO 2 -FOAM注入所需的筛查成本和时间的po态，从而使其成为更可行的碳利用和EOR策略。
俄克拉荷马州森林行动计划，2020
没有以下个人，机构和组织的宝贵贡献，俄克拉荷马州的森林行动计划，计划更新和计划修订将是不可能的。Lead Agency: ODAFF – Oklahoma Forestry Services Oklahoma Forestry Services Program and Field Staff: Mark Goeller, Scott Huff, Andy James, Mark Bays, Drew Daily, Dieter Rudolph, Ryan Baldrachi, Mo Rice, Jason Whaley, Tom Murray, Michelle Finch-Walker, Suzanne McCombs, Doug Zook, Jeri Irby, David Porterfield, Ryan Oberst,约书亚·布拉德利（Joshua Bradley），伊丽莎白·科比什利（Elizabeth Corbishley），杰克·海南（Jack Heinen），凯尔西·达姆斯（Kelsey Dahms），凯文·凯斯（Kevin Keys），布罗克·希尔（Brock Hill），威尔·菲佛（Will Phifer），克雷格·马克尔特（Craig Marquardt），卡莱布·菲尔德（Caleb Fields），莱利·科伊（Riley Coy），JT艾伦（Jt Allen），克雷格·艾伦（JT Allen），克雷格·朗（Craig ander），克雷格·朗（Craig longshore），埃文·埃文（Evan Long）。
利用人工神经网络达到风速...
电力被普遍认为是增强生活水平的关键因素。因此，安全的电能消耗对于有效的国家能源管理至关重要。要这样做，需要对电力需求进行细致的评估。通过可行性研究找到可行的位置，并测量当地风速是建立植物风能之前的必要步骤。风速和模拟的估计可以用于进行这些评估。这项研究使用了人工神经网络（ANN），其中包括Levenberg-Marquardt（LM）学习算法来估计利比亚市Dernah的风速。利比亚气象中心的一年数据已用于训练，测试和验证ANN以预测小时风速。通过神经元计数为10、20、30、40和50，对ANN的结构进行了评估，从而使我们能够确定神经元的最佳数量以进行准确的预测。使用从Levenberg-Marquardt方法（LMA）获得的结果以及均方误差（MSE）和确定系数（R²）进行估计分析。结果表明，具有10个神经元的Levenberg-Marquardt方法表现最佳，R2的值为0.99661，MSE为0.000250。这些发现证实，可以在合理的范围内计算风速，因为它们表明基于可用的微不足道的气象数据的风速估计几乎与测量值匹配。