XiaoMi-AI文件搜索系统
World File Search SystemNetworks
利用蛋白质的网络的演变来逆转认知
（未通过同行评审认证）是作者/资助者。保留所有权利。未经许可就不允许重复使用。此预印本版的版权持有人于2025年3月2日发布。 https://doi.org/10.1101/2025.02.28.640897 doi：Biorxiv Preprint
影子游戏：俄罗斯虚假信息，犯罪网络...
意识形态和“有用的傻瓜”（俄罗斯术语）还允许俄罗斯媒体的影响力和宣传来渗透传统和在线空间，并具有虚假信息。他们要么相信俄罗斯的世界观，因此认为这有助于“多极性与和平”，或者在经济上支持这样做。俄罗斯的虚假信息网络存在于三个中央安第斯国家，但由于政府的支持和意识形态控制，在玻利维亚巩固了MAS的支持和意识形态控制（甚至导致2023年在2023年，帕尼纳·锡埃（PáginaSiete）等反对派媒体的有力关闭）。2同样，包括路易斯·阿斯总统和前总统埃沃·莫拉莱斯在内的MAS重复了俄罗斯大使馆的大部分宣传，虚假信息和彻头彻尾的谎言，污染了公众的言论，并对公众对俄罗斯对俄罗斯对外交事务的理解的理解，包括对乌克兰的外交作品的理解。
使用神经网络的一般电流轮廓充电的健康估计和增量能力分析的电池状态
摘要 - 递增能力分析（ICA）和不同的电压分析（DVA）通常需要电池降解监控的恒定当前条件，这限制了它们在现实情况下的适用性。本文提出了一种统一的方法，可以在一般充电当前概况下启用基于ICA/DVA的降解监测，这在文献中尚未解决。首先，提出了一种新颖的虚拟增量能力（IC）和不同电压（DV）的概念。第二，两个相关的卷积神经网络（CNN），称为U-NET和CONC-NET，是为了构建虚拟IC/DV曲线的构建，并估算了跨任何状态（SOC）范围内的一般充电概况的健康状况（SOH），以满足某些约束。最后，提出了两个称为移动U-NET和移动网络的CNN，分别替换了U-NET和Conv-NET以进行车载实现。它们会大大减少计算和内存需求，同时在虚拟IC/DV曲线构建和SOH估计中保留性能。在具有各种快速充电协议和SOC范围的电池模块的广泛实验数据集上进行了测试，拟议的U-NET和移动U-NET构造精确的虚拟IC/DV曲线可以提取有价值的降级功能。建议的Conv-NET和移动网络提供的模块级SOH估计值，根平方误差（RMSE）小于0.5％。关键字 - 增量容量分析；差分伏分析；非恒定电流充电；快速充电；卷积神经网络；健康状况估计
基于深残留网络（RESNETS）2631
从磁共振图像（MRI）中自动分割脑肿瘤是计算机视觉中具有挑战性的任务之一。许多建议研究在图像分割中使用深神经网络（DNN），因为它们在脑肿瘤图像的自动分割方面具有高性能。由于梯度扩散问题和复杂性，通常需要大量时间和额外的计算能力来训练更深的神经网络。在本文中，我们提出了一种自动技术，该技术根据深度残留学习网络（RESNET）来解决DNN的梯度问题。 重新连接可以实现更准确性，并且可以使训练过程与等效DNN相比更快。 为了实现此增强，重新连接添加了与卷积神经网络层平行的捷径跳过连接。 模拟示例已在Dataset Brats 2015上进行，以验证所提出的技术的优越性。 结果验证了所提出的技术分别为完整，核心和增强区域的改善精度分别为83％，90％和85％。 此外，它的平均计算时间（3倍）比其他DNN技术快。在本文中，我们提出了一种自动技术，该技术根据深度残留学习网络（RESNET）来解决DNN的梯度问题。重新连接可以实现更准确性，并且可以使训练过程与等效DNN相比更快。为了实现此增强，重新连接添加了与卷积神经网络层平行的捷径跳过连接。模拟示例已在Dataset Brats 2015上进行，以验证所提出的技术的优越性。结果验证了所提出的技术分别为完整，核心和增强区域的改善精度分别为83％，90％和85％。此外，它的平均计算时间（3倍）比其他DNN技术快。
EAGP：无线传感器网络的能源感知八卦协议
摘要。在无线传感器网络（WSN）中，通常由具有资源限制的节点组成，利用效率的流程对于增强网络寿命以及因此，在超密集和异质环境中的可持续性（例如智能城市）至关重要。特别是平衡在这种动态环境中有效传输数据所需的能量，这对降低数据冗余性的交易构成了重大挑战，这是降低数据冗余性的交易，同时实现可接受的交付率是一个基本的研究主题。通过这种方式，这项工作提出了一种新的能源感知的流行病协议，该协议使用网络能量的当前状态来通过自我调整每个节点转发行为自我调整为渴望或懒惰的局部残留电池来创建动态分布拓扑。模拟的评估证明了其在能耗，输送率和计算负担下的效率与经典八卦协议以及定向协议相比。
线虫表型网络的人工智能
线虫秀丽隐杆线虫是生物学研究中的关键模型生物，因为它与人类的遗传相似性及其在研究复杂过程中的效用。传统的图像分析方法（例如使用ImageJ的方法）是劳动密集型的，这导致了AI的整合。本研究介绍了一个具有三种机器学习模型的AI框架：Wor-Mgan，一种生成对抗网络，用于生成合成线虫图像以增强训练数据；蠕虫，用于精确运动跟踪；和蠕虫，以进行准确的解剖测量。一起，这些工具显着提高了表型分析的效率和准确性。wor-mai具有高通量数据集分析的巨大潜力，在系统生物学，药物发现和衰老方面进行了研究。该框架简化了工作流程，可以在秀丽隐杆线虫研究中更快，更精确的发现。
基于DRBRO的基于动态增强的路线优化，用于在移动临时网络中发现有效的路线发现
已经通过无线网络中的路线发现方法探索了各种研究。Perkins和Royer（1999）开发了AODV，这是一种反应性协议，可降低开销的路由，但经历了高潜伏期。Johnson等人。 （2001）提出了DSR，允许源路由，但面临可扩展性问题。 Clausen和Jacquet（2003）引入了优化的链路状态路由（OLSR）协议，该协议保持了主动的路线，但能源消耗增加。 Zhang等人提出的基于增强学习的路由。 （2020）增强了适应性，但需要更高的计算。 Sharma等。 （2022）合并聚类以优化路由，减少控制开销，但缺乏实时适应性。 Viji Gripsy等。 （2023）集中于AI驱动的优化如何增强无线传感器网络中的异常检测和节能路由。 提出的基于动态增强的路线优化（DRBRO）是通过集成增强学习和实时流量分析以进行更高数据包提供，优化能耗和改善网络昏迷性的基于这些进步的。Johnson等人。（2001）提出了DSR，允许源路由，但面临可扩展性问题。Clausen和Jacquet（2003）引入了优化的链路状态路由（OLSR）协议，该协议保持了主动的路线，但能源消耗增加。Zhang等人提出的基于增强学习的路由。 （2020）增强了适应性，但需要更高的计算。 Sharma等。 （2022）合并聚类以优化路由，减少控制开销，但缺乏实时适应性。 Viji Gripsy等。 （2023）集中于AI驱动的优化如何增强无线传感器网络中的异常检测和节能路由。 提出的基于动态增强的路线优化（DRBRO）是通过集成增强学习和实时流量分析以进行更高数据包提供，优化能耗和改善网络昏迷性的基于这些进步的。Zhang等人提出的基于增强学习的路由。（2020）增强了适应性，但需要更高的计算。Sharma等。（2022）合并聚类以优化路由，减少控制开销，但缺乏实时适应性。Viji Gripsy等。 （2023）集中于AI驱动的优化如何增强无线传感器网络中的异常检测和节能路由。 提出的基于动态增强的路线优化（DRBRO）是通过集成增强学习和实时流量分析以进行更高数据包提供，优化能耗和改善网络昏迷性的基于这些进步的。Viji Gripsy等。（2023）集中于AI驱动的优化如何增强无线传感器网络中的异常检测和节能路由。提出的基于动态增强的路线优化（DRBRO）是通过集成增强学习和实时流量分析以进行更高数据包提供，优化能耗和改善网络昏迷性的基于这些进步的。
神经网络的机器学习库的比较分析：基准研究
这项全面的基准测试研究探讨了三个著名的机器学习库的性能：Pytorch，带有Tensorflow后端的Keras和具有相同标准，软件和硬件的Scikit-Learn。评估包括两个不同的数据集：“学生表现”和“大学参加计划分类”，由Kaggle平台支持使用前馈神经网络（FNNS）作为建模技术。调查结果表明，Pytorch和Keras凭借Tensorflow Backend Excel在“大学参加计划分类”数据集中，Pytorch在这两个类别中都能达到无可挑剔的精度，召回和F1得分。虽然Scikit-Learn表现出值得称赞的性能，但在这种情况下，它落后于这些库。在“学生表现”数据集中，所有三个库都提供了可比的结果，而Scikit-Learn的精度最低为16％。带有Tensorflow后端的Keras和Pytorch的精度分别为23％。此外，当面对各种数据集类型时，本研究为每个图书馆的独特优势和缺点提供了宝贵的见解。pytorch成为要求需要高性能的任务的首选选择，而Scikit-Learn对于具有适度的计算需求的简单任务证明是有利的。带有张力的后端的凯拉斯在性能和用户友好之间取得平衡。这项基准测试努力为机器学习从业人员提供了宝贵的指导，以选择根据其项目要求量身定制的最合适的图书馆或框架。关键字 - 机器学习，Pytorch，Tensorflow，Scikit-Learn，神经网络它强调了图书馆选择在获得机器学习努力中的最佳结果中的关键作用。