XiaoMi-AI文件搜索系统
World File Search SystemMishra
收获后的运营和处理水果，蔬菜，香料和种植农作物产品教授H N Mishra农业和食品工程师
在价值链中，将原材料转换为最终消耗，因为它在链条中移动并增加价值。价值链中的利益相关者包括输入供应商，生产者，加工者，分销商，消费者，政府组织和非政府组织，监管机构，物流公司和功能组织。输入供应商为食品生产过程提供原材料。生产者参与了该领域的商品的增长和生产。处理器参与处理，制造和营销。分销商包括批发商和零售商，消费者参与了产品的购物和消费。政府和非政府组织制定了粮食可持续性和安全的政策和计划。监管机构参与监视和调节。物流公司参与移动和存储材料，金融组织参与向实体提供资金。因此，应将食物供应链视为价值链系统。
Michael Anis Mihdi Afnan、Cynthia Rudin、Vincent Conitzer、Julian Savulescu、Abhishek Mishra、Yanhe Liu 和 Masoud Afnan。2021. 人工智能在体外受精中选择胚胎的伦理实施。2021 年 AAAI/ACM 人工智能、伦理和社会会议 (AIES '21) 论文集，2021 年 5 月 19-21 日，美国虚拟活动。ACM，美国纽约州纽约，11 页。https://doi.org/10.1145/3461702.3462589
体外受精 (IVF) 是一种彻底改变不孕症治疗的临床技术。该过程包括在实验室中使卵子受精，然后将产生的胚胎移植到子宫中。自然受精和受孕是一种低效的过程，任何特定胚胎活产的几率都很低。自然和医学治疗的解决方案是创造多个胚胎，以便最终可能有一个胚胎着床。在自然界中，成本是怀孕时间，如果没有胚胎着床，则需要承受无子女的痛苦。在临床实践中，成本还以美元来衡量。为了提高临床实践的效率，人们非常重视选择最有可能着床的胚胎。实验室最近的一项创新是几天内对培养中的胚胎进行延时成像。这产生了数千个视觉数据点，并有望通过基于人工智能 (AI) 的模型增强胚胎选择过程。在本文中，我们概述了 IVF 过程，回顾了目前使用人工智能进行胚胎选择的方法，讨论了在此特定领域使用人工智能的伦理问题，并提出了有关这项新技术的伦理实施建议。最后，我们鼓励人工智能研究人员与生育临床医生合作，以有意义且合乎道德的方式推进这项研究。
Pradipta Kumar Mishra、Suresh Chandra Satapathy* 和 Minakhi 使用基于优化的深度卷积神经网络对 MRI 脑肿瘤图像进行分割
摘要：脑图像分割应该准确完成，因为它有助于预测致命的脑肿瘤疾病，从而可能控制事先知道的恶意脑图像片段。通过脑肿瘤分割程序可以提高脑肿瘤分析的准确性。早期的 DCNN 模型不考虑学习实例的权重，这可能会降低分割过程的准确性。考虑到上述观点，我们提出了一个框架，使用基于群体智能的算法（如遗传算法（GA）、粒子群优化（PSO）、灰狼优化（GWO）和鲸鱼优化算法（WOA））来优化 DCNN 模型的网络参数，例如权重和偏差向量。模拟结果表明，WOA 优化的 DCNN 分割模型优于其他三种基于优化的 DCNN 模型，即 GA-DCNN、PSO-DCNN、GWO-DCNN。
文章：Thakker, D.、Mishra, BK、Abdullatif, A. 等人（另外 2 位作者）（2020 年）可解释的人工智能用于开发智能城市解决方案。《智能城市》，3 (4)。第 1353-1382 页。ISSN 2624-6511
摘要：用于开发智能城市解决方案的传统人工智能 (AI) 技术，机器学习 (ML) 和最近的深度学习 (DL)，更多地依赖于利用最具代表性的训练数据集和特征工程，而不是可用的领域专业知识。我们认为，这种解决方案开发方法使得解决方案的结果更难解释，即通常无法解释模型的结果。城市决策者越来越担心人工智能解决方案缺乏可解释性，这被认为是此类基于人工智能的解决方案获得更广泛接受和信任的主要障碍。在这项工作中，我们调查了“可解释深度学习”作为“可解释人工智能”问题的一个子集的概念，并提出了一种使用语义网技术的新解决方案，并在欧盟委员会资助的项目中通过智能城市洪水监测应用程序进行了演示。监测易受洪水问题影响的关键地理区域的沟渠和排水系统是任何洪水监测解决方案的重要方面。该问题的典型解决方案包括使用摄像机实时捕捉受影响区域的图像，其中包含不同的物体，例如树叶、塑料瓶等，并构建基于深度学习的分类器来检测这些物体，并根据图像中这些物体的存在和覆盖范围对堵塞进行分类。在这项工作中，我们独特地提出了一种可解释的人工智能解决方案，使用深度学习和语义网技术构建了一个混合分类器。在这个混合分类器中，深度学习组件检测物体的存在和覆盖程度，并使用与专家密切协商后设计的语义规则进行分类。通过利用洪水环境中的专家知识，我们的混合分类器可以灵活地使用物体及其覆盖关系对图像进行分类。通过实际用例展示的实验结果表明，与仅使用深度学习的分类器相比，这种混合图像分类方法的图像分类性能平均提高了 11%（F 测量）。它还具有独特的优势，即整合专家的知识来定义决策规则来表示复杂的情况，并利用这些知识来解释结果。
1 ACES 101 电源管理实验室 RL Santanu Kumar Mishra 7801 7.300 6.300 45.990 2 ACES 101A Santanu Kumar Mishra FO Santanu Kumar Mishra 6249 3.100 3.
1 ACES 101 电源管理实验室 RL Santanu Kumar Mishra 7801 7.300 6.300 45.990 2 ACES 101A Santanu Kumar Mishra FO Santanu Kumar Mishra 6249 3.100 3.000 9.300 3 ACES 101B Avinash Joshi FO Avinash Joshi 7801 3.100 3.000 9.300 4 ACES 102 电源管理实验室 RL Avinash Joshi 7801 5.300 3.300 17.490 5 ACES 103 低功耗实验室 RL P.Sensarma 和 Sandeep Anand 7482 7.300 6.300 45.990 7 6 ACES 103A Sandeep Anand FO Sandeep Anand 7131 3.100 3.000 9.300 7 ACES 103B Parthasarathi Sensarma FO Parthasarathi Sensarma 7076 3.100 3.000 9.300 8 ACES 104 SC 斯里瓦斯塔瓦 FO S C 斯里瓦斯塔瓦 7625 5.300 3.300 17.490 C.交流。1 9 ACES 105 电源系统实验室 RL S C Srivastava, S.N.Singh & Saikat Chakrabarti 6738 6.100 16.700 101.870 10 ACES 105A S N Singh FO S N Singh 3.100 3.000 9.300 11 ACES 105B Saikat Chakrabarti FO Saikat Chakrabarti 6598 3.100 3.000 9.300 12 ACES 105C 客座教授 FO 客座教授 3.100 3.000 9.300 13 ACES 105D A.Mohapatra FO A.Mohapatra 3.100 3.000 9.300 14 ACES 106 S N Singh FO S N Singh 7009 5.100 3.300 16.830 C. Ac.1 15 ACES 107 智能信息实验室 RL 7032 7.400 6.100 45.140 16 ACES 107A 博士生教室 PG 7007 3.100 3.000 9.300 17 ACES 107B Nishchal K Verma FO 6524 3.100 3.000 9.300 18 ACES 113 同步相量实验室 RL Saikat Chakrabarti 6.500 5.900 38.350 C. Ac.19 ACES 114 RL S N Singh 20 ACES 115 RL S C Srivastava 21 ACES 116 电气车间 WS Ram Nath Pal 7882 10.300 11.900 122.570 8 22 ACES 117 毫米波实验室 RL Md.Jaleel Akhtar 6328 4.500 2.800 12.600 1 1 23 ACES 122 光电子实验室 RL Utpal Das 6084 5.000 3.100 15.500 C. Ac 1 24 ACES 123 光电子实验室 RL Utpal Das 7360 8.500 9.500 80.750 C. Ac 25 ACES 124 RL Dinesh Kumar 7628 26 ACES 125 RL 7628 27 ACES 126 RL 7628 28 ACES 127 RL 7628 29 ACES 128 RL Dinesh Kumar 7628 4.800 3.100 14.880 3 30 ACES 129 光电子实验室 RL Utpal Das 7360 8.500 6.300 53.550 C. Ac 31 ACES 201 移动通信实验室 RL 7897 7.300 6.300 45.990 32 ACES 201A 实验室 RL 7897 3.100 3.000 9.300 33 ACES 201B A K Chaturvedi FO 7613 3.100 3.000 9.300 34 ACES 202 Rakesh K Bansal FO Rakesh K Bansal 7075 5.300 3.200 16.960 35 ACES 203 MIPS 实验室 RL 6677 7.300 6.300 45.990 36 ACES 203A RA 房间 PG 6677 3.100 3.000 9.300 37 ACES 203B Rajesh Mahanand Hegde FO 6248 3.100 3.000 9.300 38 ACES 204 无线传感器网络实验室 RL Rajesh Mahanand Hegde 6753 5.000 3.300 16.500 C.Ac1