XiaoMi-AI文件搜索系统
World File Search SystemXGB
设备使用机器学习的设备健康监测...
现代文明中科学技术的快速增长导致机械和设备的规模，复杂性和自动化的增加。现代工业生产的两个最重要方面是问题识别和机械状况监测。通过有效的状况监测使早期问题检测成为可能，这在考虑到生产效率，操作可靠性，维护成本和停机时间等变量时至关重要。研究问题的识别和机械的健康监测具有实际意义。为了进行设备监控和故障诊断的目的，记录了有关设备的温度，振动，噪声水平和润滑状态的信息。之后，该信息被用来确定该问题的主要来源，并采取补救措施。条件监视系统的核心元素是故障预测，功能提取和问题诊断。特征提取和故障诊断对于正常检测，问题定位和失败严重性预测至关重要。本文包括故障诊断和计算智能在状态监控和故障检测中的应用，本文还介绍了一种使用机器学习（ML）技术进行设备状态监测的方法。流行的机器学习（ML）分类方法，例如随机森林（RF），随机树（RT），天真贝叶斯（NB），XG Boost（XGB）和Logistic Recression（LR），用于组装。紧迫需要提高机器的可靠性并减少由于机器故障而导致的生产损失的可能性，这是对机器状况监测的越来越重视的原因。关键字：故障预测，机器学习，天真的贝叶斯，生产，随机森林，随机树，意外的停机时间。
4CAC：使用机器学习和装配图的元基因组重叠群的4类分类器
抽象的微生物群落通常具有细菌，古细菌，质粒，病毒和微核生素的混合物。在相对的含量丰度中，Y等人与细菌进行了复杂的相互作用。Moreo Ver，病毒和质粒作为移动遗传元素，在水平基因转移和微生物种群中抗生素耐药性中起着重要作用。由于难以识别微生物群落中的病毒，质粒和微核生素，因此我们对这些次要类别落后于细菌和古细菌的差异。resse，将分类器被用来分开，将一个或多个次要类别与元基因组组件中的细菌和古细菌分开。ho w e v er，这些分类器通常是阶级不平衡问题，从而导致识别次要类别的精确度较低。在这里，我们开发了一个称为4CAC的分类器，能够从元素组组件中同时识别病毒，质粒，微核细胞和原核生物。4CAC使用se v er序列长度调整后的XGB OOST模型生成了初始的F我们的分类，并使用汇编图进一步对分类进行了分类。对所采用和真实的元基因组数据集进行的表明，在简短读取中，4CAC显然优于现有的分类器及其组合。 长期读取，除非少数类的丰度为very lo w，否则它也会显示出优势。 4CAC的运行速度比其他分类器快1-2个数量级。表明，在简短读取中，4CAC显然优于现有的分类器及其组合。长期读取，除非少数类的丰度为very lo w，否则它也会显示出优势。4CAC的运行速度比其他分类器快1-2个数量级。4CAC软件可从https：//github.com/ shamir-lab/ 4cac获得。
增材制造中打印质量预测的光谱特征分析：基于声学的方法
摘要：增材制造 (AM) 工艺中的质量预测至关重要，特别是在航空航天、生物医学和汽车等高风险制造业。声学传感器已成为一种有价值的工具，可通过分析特征和提取独特特征来检测打印图案的变化。本研究重点关注熔融沉积成型 (FDM) 3D 打印样品立方体 (10 mm × 10 mm × 5 mm) 的声学数据流的收集、预处理和分析。以 10 秒为间隔提取不同层厚度的时域和频域特征。使用谐波-打击源分离 (HPSS) 方法对音频样本进行预处理，并使用 Librosa 模块对时间和频率特征进行分析。进行了特征重要性分析，并使用八种不同的分类器算法（K最近邻（KNN）、支持向量机（SVM）、高斯朴素贝叶斯（GNB）、决策树（DT）、逻辑回归（LR）、随机森林（RF）、极端梯度提升（XGB）和轻梯度提升机（LightGBM））实施机器学习（ML）预测，以基于标记数据集对打印质量进行分类。使用具有不同层厚度的三维打印样品（代表两种打印质量水平）生成音频样本。从这些音频样本中提取的频谱特征作为监督ML算法的输入变量，以预测打印质量。调查显示，频谱平坦度、频谱质心、功率谱密度和RMS能量的平均值是最关键的声学特征。使用包括准确度分数、F-1分数、召回率、精确度和ROC / AUC在内的预测指标来评估模型。极端梯度提升算法脱颖而出，成为最佳模型，预测准确率为 91.3%，准确率为 88.8%，召回率为 92.9%，F-1 得分为 90.8%，AUC 为 96.3%。这项研究为使用熔融沉积模型进行基于声学的 3D 打印部件质量预测和控制奠定了基础，并可扩展到其他增材制造技术。
基于人工智能的主动网络取证框架
摘要在现代时期达到了前所未有的高度，大多数人口使用互联网进行各种类型的通信。能够像这样即兴发挥真是太好了。由于这种趋势，黑客越来越专注于以多种方式攻击系统/网络。当黑客实施数字犯罪时，会以被动的方式进行检查，这有助于识别肇事者。然而，在现代时期，人们不希望等待攻击发生。用户希望能够在网络攻击对系统造成损害之前预测它。这可以在本研究中提出的主动取证框架的帮助下实现。所提出的系统结合了被动和主动框架。主动部分将使用基于机器学习的分类算法来预测攻击。一旦预测到攻击，所提框架的反应元素将用于调查谁试图发起攻击。建议的系统通过提出一种加密方法进一步强调完整性和机密性，该方法先加密主动模块的报告，然后在反应模块中解密。本文将建议的基于椭圆曲线密码学的安全模型与几种现有的安全方法进行了比较。还对多种基于机器学习的分类算法进行了比较，以确定哪种算法最适合所提出的网络取证框架。准确度、召回率、精确度和 F1 值是用于评估各种基于机器学习的算法的性能指标。根据分析，建议的网络取证框架最好使用极端梯度增强 (XGB) 技术来实现。关键词：人工智能、机器学习、网络取证框架、网络犯罪、网络安全。1.简介 网络取证操作的概念是通过捕获、记录和分析涉嫌用于网络漏洞和调查的网络来工作，以检测网络和现有 IT 基础设施中的错误并返回攻击者源头以起诉网络犯罪分子[1]。网络取证是数字取证的一小部分。由于互联网连接的快速增长，网络内犯罪的程度不断提高，这给执法机构和组织带来了困难，迫使执法机构和组织进行特别调查。这是一个捕获、记录和分析事件的过程；识别对计算机程序的访问；并搜索此类事件的证据。熟练的攻击者可以检测取证网络上的流量，这需要专业知识和弹性。取证网络可帮助调查人员追踪攻击的原因和影响，面临许多挑战，例如时间、速度、准确性、存储位置、性能等。网络安全面临的最大挑战是法律可靠性；网络需要