XiaoMi-AI文件搜索系统
World File Search Systemautomatic
日前和自动频率恢复储备市场上电池存储系统竞标的经济评估
在未来的电力系统中，低碳技术不仅要提供发电，还要提供频率稳定。电池系统是填补这一空白的一个有前途的解决方案。然而，有关其收入潜力的不确定性可能会阻碍投资。因此，我们应用基于代理的电力市场模型 AMIRIS 来模拟日前市场和自动频率恢复储备市场。为了演示模型设置，我们选择了可再生能源占比较高的场景。首先，我们使用 2019 年德国的历史市场数据对我们的模型进行回测。模拟结果的平均日前价格为 39.20 欧元/兆瓦时，接近历史价格 38.70 欧元/兆瓦时。其次，我们在 2030 年的情景下对这两个市场进行建模。模拟的日前市场价格平均高于今天观察到的价格，尽管我们发现大约 550 小时/年负载完全由可再生能源覆盖。模拟价格的方差与历史值相比略高。备用容量市场的竞标源自不参与日前市场的机会成本。这导致正备用价格高达 45 欧元/兆瓦，而负备用价格为 0 欧元/兆瓦。最后，我们评估电池存储的收入潜力。与 2019 年相比，我们看到日前市场的经济潜力有所提高，重要性也有所增加。高功率电池存储表现最佳，而往返效率的提高只会略微提高收入。尽管在德国进行了演示，但所提出的模块化方法可以适应国际市场，从而实现全面的电池存储评估。
SIBERprotectTM 提供快速的自动网络响应...
SIBERprotect 可以在下一代防火墙、端点解决方案、威胁/风险情报等提供的先进网络威胁检测技术可靠地识别网络攻击后，将 OT 安全地置于安全状态（隔离或隔离）。这些技术（其中一些增强了机器学习功能）用于通知 SIBERprotect 实施可信的网络攻击或操作威胁。然后，SIBERprotect 启动基于规则的设备管理序列，以保护选定的设备并启动其他所需的响应操作。然后可以对优先设备组进行快速评估和补救，从而限制污染风险。SIBERprotect 提供态势感知，同时启动紧急措施，以便设施能够更好地应对最坏情况。
人工智能和光学相干断层扫描自动表征人类动脉粥样硬化斑块
1. 上海交通大学生物医学工程学院，上海，中国；2. 哈尔滨医科大学附属第二医院心脏病科，哈尔滨，中国；3. 西班牙阿尔赫西拉斯，直布罗陀坎波健康信托基金会心脏病科；4. 美国纽约州纽约，长老会医院和哥伦比亚大学心脏病科介入血管治疗中心；5. 美国纽约州纽约，心血管研究基金会；6. 福建医科大学协和医院心脏病科，福建，福州；7. 日本和歌山医科大学心血管医学系；8. 中国医学科学院阜外医院，国家心血管病中心，北京；9. 爱尔兰国立戈尔韦大学兰姆转化医学研究所和 CURAM，爱尔兰，戈尔韦；10. 丹麦奥胡斯大学医院心脏病科
基于自适应动态逆的抗干扰与耦合纵向自动着舰控制律
摘要：基于非线性动态逆（NDI）设计了纵向自动着舰系统（ACLS）控制律，以实现抑制尾流、解耦横向状态和跟踪动态期望着陆点（DTP）的目的。首先，建立F/A−18飞机六面进近非线性着舰模型，获取气动、操纵面、极限状态等参数。其次，采用俯仰角控制跟踪期望纵向轨迹的策略。基于自适应NDI设计了自动功率补偿系统（APCS）、俯仰角速率、俯仰角和垂直位置控制环路，并详细推导了稳定性分析和原理描述。采用频率响应法设计了甲板运动补偿（DMC）算法。第三，通过遗传算法对控制参数进行优化。提出了一种综合考虑飞机速度、迎角（AOA）、俯仰速率、俯仰角和垂直位置的适应度函数。最后，在半实物仿真平台上进行了综合仿真。结果表明，所采用的自动着陆控制律既能达到良好的性能，又能抑制气流尾流和横侧耦合。
搬迁沙田污水处理厂往岩洞的实时大数据人工智能环境影响评估 (AIEIA) 执行摘要 搬迁沙田污水处理厂往岩洞（本项目）的环境影响评估中，位于沙田马场和周边河道的彭福公园鹭鸟林被列为环境指标之一。目前，香港对鸟类生态栖息地的监测主要以人为观察为主，而人为观察的时间间隔有限。由于繁殖季节环境变化微妙，人为不易分辨鸟类行为的细微变化。渠务署藉此机会与香港科技大学合作，通过在项目下对彭福公园鹭鸟林进行先导观察，探索将最先进的绿色人工智能 (AI) 技术融入环境监测。观察是明智行动的第一步。完整的阵列数据收集系统 (ADCS) 和实时数据提取管道架构经过全面设计，可实现模块化，并可成功部署在各种结构中，确保在所有环境中可靠运行。ADCS 具有多种优势，可满足户外环境长期监测的需求：(i) 自动连续录制；(ii) 高分辨率视频；(iii) 高帧率视频；(iv) 巨大的本地数据存储；(v) 保护恶劣环境（例如极端天气条件）。采用一种新的视频压缩标准高效视频编码 (H.265) 来处理、存储和传输高分辨率视频，同时保持视频质量。在户外环境中实现数据采集自动化之后，实施了 AI 算法，以从长达数月的数据中检测鸟类。本研究重点是检测大白鹭和小白鹭，即研究地点的主要鸟类。AI 算法开发的主要挑战是缺乏香港鸟类的标记数据集。为了解决这个问题，我们利用 3D 建模制作了大白鹭和小白鹭的合成鸟类数据集。在虚拟图像的开发过程中，我们应用了姿势和身体大小等显著特征的大量变化，这反过来又迫使模型专注于专家用来区分鸟类物种的细粒度鸟类特征，例如颈部和头部。经过训练的 AI 模型能够在不同背景下以高预测分数区分和定位鸟类物种，平均准确率达到 87.65%。我们的人工智能 ADCS 解决方案比传统的人工观察具有多种潜在优势，能够在不同的天气条件下为不同物种的鸟类计数、行为研究、空间偏好以及种间和种内相互作用提供密集的表面。这项研究的结果和发现有利于未来规划环境监测工作以及项目下的工作阶段，以尽量减少对彭福公园鹭鸟林的潜在环境影响。
搬迁沙田污水处理厂往岩洞的实时大数据人工智能环境影响评估 (AIEIA) 执行摘要 搬迁沙田污水处理厂往岩洞（本项目）的环境影响评估中，位于沙田马场和周边河道的彭福公园鹭鸟林被列为环境指标之一。目前，香港对鸟类生态栖息地的监测主要以人为观察为主，而人为观察的时间间隔有限。由于繁殖季节环境变化微妙，人为不易分辨鸟类行为的细微变化。渠务署藉此机会与香港科技大学合作，通过在项目下对彭福公园鹭鸟林进行先导观察，探索将最先进的绿色人工智能 (AI) 技术融入环境监测。观察是明智行动的第一步。完整的阵列数据收集系统 (ADCS) 和实时数据提取管道架构经过全面设计，可实现模块化，并可成功部署在各种结构中，确保在所有环境中可靠运行。ADCS 具有多种优势，可满足户外环境长期监测的需求：(i) 自动连续录制；(ii) 高分辨率视频；(iii) 高帧率视频；(iv) 巨大的本地数据存储；(v) 保护恶劣环境（例如极端天气条件）。采用一种新的视频压缩标准高效视频编码 (H.265) 来处理、存储和传输高分辨率视频，同时保持视频质量。在户外环境中实现数据采集自动化之后，实施了 AI 算法，以从长达数月的数据中检测鸟类。本研究重点是检测大白鹭和小白鹭，即研究地点的主要鸟类。AI 算法开发的主要挑战是缺乏香港鸟类的标记数据集。为了解决这个问题，我们利用 3D 建模制作了大白鹭和小白鹭的合成鸟类数据集。在虚拟图像的开发过程中，我们应用了姿势和身体大小等显著特征的大量变化，这反过来又迫使模型专注于专家用来区分鸟类物种的细粒度鸟类特征，例如颈部和头部。经过训练的 AI 模型能够在不同背景下以高预测分数区分和定位鸟类物种，平均准确率达到 87.65%。我们的人工智能 ADCS 解决方案比传统的人工观察具有多种潜在优势，能够在不同的天气条件下为不同物种的鸟类计数、行为研究、空间偏好以及种间和种内相互作用提供密集的表面。这项研究的结果和发现有利于未来规划环境监测工作以及项目下的工作阶段，以尽量减少对彭福公园鹭鸟林的潜在环境影响。
SpikeDeep-classifier：一种基于深度学习的全自动离线脉冲分类算法
摘要 目的。电极设计的进步已导致微电极阵列具有数百个通道，可用于单细胞记录。在由此产生的电生理记录中，每个植入电极可以记录一个或多个神经元的尖峰活动 (SA) 以及背景活动 (BA)。本研究的目的是分离每个神经源的 SA。此过程称为尖峰排序或尖峰分类。高级尖峰排序算法非常耗时，因为在流程的各个阶段都需要人工干预。当前方法缺乏泛化能力，因为超参数的值并不固定，即使对于同一受试者的多个记录会话也是如此。在本研究中，提出了一种称为“SpikeDeep-Classifier”的全自动尖峰排序算法。所有评估数据的超参数值都保持不变。方法。提出的方法基于我们之前的研究 (SpikeDeeptector) 和一种新颖的背景活动拒绝器 (BAR)，它们都是监督学习算法和无监督学习算法 (K-means)。 SpikeDeeptector 和 BAR 分别用于提取有意义的通道并从提取的有意义的通道中去除 BA。一旦从数据中完全去除 BA，聚类过程就会变得简单。然后，对仅来自神经源的剩余数据应用具有预定义最大聚类数的 K 均值。最后，使用基于相似性的标准和阈值来保留不同的聚类并合并看起来相似的聚类。所提出的方法称为聚类接受或合并 (CAOM)，它只有两个超参数（最大聚类数和相似性阈值），在调整后对于所有评估数据保持不变。主要结果。我们将算法的结果与真实标签进行了比较。该算法在人类患者数据和公开可用的标记非人类灵长类动物 (NHP) 数据集上进行了评估。BAR 在人类患者数据集上的平均准确率为 92.3%，在 (K-means + CAOM) 之后进一步降低到 88.03%。此外，BAR 在公开可用的 NHP 标记数据集上的平均准确率为 95.40%，经过 (K-mean + CAOM) 后降至 86.95%。最后，我们将 SpikeDeep-Classifier 的性能与两位人类专家进行了比较，其中 SpikeDeep-Classifier 产生了可比的结果。意义。SpikeDeep-Classifier 在不同物种、不同大脑区域的多个记录会话的数据集上进行了评估
人工智能如何改变我们做出购买决策的方式？这对商标法意味着什么？商标法的核心在于如何购买商品和服务，而由于人工智能正在影响购买过程，因此从定义上讲它也影响着商标法。人工智能通过两种方式影响购买过程：（a）消费者可获得的品牌信息和（b）谁来做出购买决策。亚马逊的 Alexa 等人工智能个人零售助理有可能成为品牌向消费者提供的“守门人”，控制向消费者提供哪些品牌信息，并以纯粹的形式购买品牌产品，在人工智能所谓的“自动执行模型”中几乎不需要或根本不需要人为干预，从而有效地将传统的购物体验从“先购物后发货”模式颠覆为“先发货后购物”模式。商标法的许多关键方面都涉及人性的弱点。如果您考虑商标法和实践中的一些“流行词”，例如“混淆”、“不完全记忆”、“联想”和“商标混淆”，这些概念都围绕着人类的弱点。然而，人工智能有可能从购买过程中消除“人性”和“弱点”。人工智能应用程序可以通过“给我买个灯泡”等一般命令来购买产品。人类消费者与人工智能应用程序购买的灯泡品牌没有任何互动。人工智能应用程序会混淆吗？它会混淆商标吗？人工智能应用程序甚至会通过传统的听觉、语音和概念比较商标的方式来评估产品购买，这就是所谓的人工智能黑箱问题吗？人工智能应用程序经常受到个人消费者过去购买决策的影响，而人工智能应用程序做出购买决定或建议的原因有时可能难以理解。在这些情况下，知识产权侵权责任问题也引起了重要的问题。然而，即使人工智能应用程序不做出购买决策，它仍然会影响消费者在做出购买决策时可用的品牌信息。例如，亚马逊 Alexa 平均只向消费者推荐三种产品。它控制着向消费者推荐什么品牌产品，它而不是人类消费者掌握着所有的品牌信息。然而，人工智能对购买过程的影响必须放在历史背景中来看待。人工智能的兴起是新的，但并非史无前例。现代商标法诞生于十九世纪，并发展到现代。然而，在此期间，购买过程并非一成不变，而是发生了变化。我们只需看看从传统的十九世纪“店主”购买产品模式到二十世纪二十年代超市发明的变化，从互联网和社交媒体的兴起到人工智能的兴起。商标法已经适应并发生了变化，实际上可以说是适应性最强的知识产权法形式。例如，关于人工智能应用程序的责任问题，我们已经可以从关键词广告的案例中得到指导，例如谷歌法国，它是随着互联网购物的兴起而发展起来的。如果购买过程中的“参与者”如人工智能应用程序在购买决策/过程中扮演更被动的角色，则人工智能应用程序提供商不太可能被追究责任，如果人工智能应用程序在购买决策中扮演更积极的角色，并且可以说人工智能提供商在购买决策中强烈影响消费者，则更有可能发现责任。商标法已经适应了购买过程的变化，并且它将再次适应。HGF 合伙人兼特许商标律师 Lee Curtis
人工智能如何改变我们做出购买决策的方式？这对商标法意味着什么？商标法的核心在于如何购买商品和服务，而由于人工智能正在影响购买过程，因此从定义上讲它也影响着商标法。人工智能通过两种方式影响购买过程：（a）消费者可获得的品牌信息和（b）谁来做出购买决策。亚马逊的 Alexa 等人工智能个人零售助理有可能成为品牌向消费者提供的“守门人”，控制向消费者提供哪些品牌信息，并以纯粹的形式购买品牌产品，在人工智能所谓的“自动执行模型”中几乎不需要或根本不需要人为干预，从而有效地将传统的购物体验从“先购物后发货”模式颠覆为“先发货后购物”模式。商标法的许多关键方面都涉及人性的弱点。如果您考虑商标法和实践中的一些“流行词”，例如“混淆”、“不完全记忆”、“联想”和“商标混淆”，这些概念都围绕着人类的弱点。然而，人工智能有可能从购买过程中消除“人性”和“弱点”。人工智能应用程序可以通过“给我买个灯泡”等一般命令来购买产品。人类消费者与人工智能应用程序购买的灯泡品牌没有任何互动。人工智能应用程序会混淆吗？它会混淆商标吗？人工智能应用程序甚至会通过传统的听觉、语音和概念比较商标的方式来评估产品购买，这就是所谓的人工智能黑箱问题吗？人工智能应用程序经常受到个人消费者过去购买决策的影响，而人工智能应用程序做出购买决定或建议的原因有时可能难以理解。在这些情况下，知识产权侵权责任问题也引起了重要的问题。然而，即使人工智能应用程序不做出购买决策，它仍然会影响消费者在做出购买决策时可用的品牌信息。例如，亚马逊 Alexa 平均只向消费者推荐三种产品。它控制着向消费者推荐什么品牌产品，它而不是人类消费者掌握着所有的品牌信息。然而，人工智能对购买过程的影响必须放在历史背景中来看待。人工智能的兴起是新的，但并非史无前例。现代商标法诞生于十九世纪，并发展到现代。然而，在此期间，购买过程并非一成不变，而是发生了变化。我们只需看看从传统的十九世纪“店主”购买产品模式到二十世纪二十年代超市发明的变化，从互联网和社交媒体的兴起到人工智能的兴起。商标法已经适应并发生了变化，实际上可以说是适应性最强的知识产权法形式。例如，关于人工智能应用程序的责任问题，我们已经可以从关键词广告的案例中得到指导，例如谷歌法国，它是随着互联网购物的兴起而发展起来的。如果购买过程中的“参与者”如人工智能应用程序在购买决策/过程中扮演更被动的角色，则人工智能应用程序提供商不太可能被追究责任，如果人工智能应用程序在购买决策中扮演更积极的角色，并且可以说人工智能提供商在购买决策中强烈影响消费者，则更有可能发现责任。商标法已经适应了购买过程的变化，并且它将再次适应。HGF 合伙人兼特许商标律师 Lee Curtis
使用全自动分割方法
背景：正电子发射断层扫描（PET）越来越多地用于用于治疗评估目的。尽管如此，由于空间分辨率低和PET图像的高噪声水平，PET图像中的病变体积识别是放射线学过程中至关重要且仍然具有挑战性的步骤。目前，生物靶标体积（BTV）由核医生手动轮廓，并具有昂贵且依赖操作员的程序。这项研究旨在使用全自动手术，并使用这些BTV提取放射线特征，以在对治疗反应与否的患者之间进行分层，从而在接受L- [11 C]蛋氨酸（11C] PET的患者中获取BTV。出于这些目的，使用建议的方法划定了31种用于预测性评估的脑转移，用于治疗后的随访评估25个。依次使用11C-MET PET研究和相关的体积分割来提取108个特征，以研究放射线分析在脑转移患者中的潜在应用。已实施了一种新型的统计系统，以减少特征和选择，而判别分析被用作特征分类的方法。结果：对于预测性评估，在功能降低和选择后，有3个特征（非球性，低强度跑步和复杂性）能够区分响应者和非反应器患者。与使用所有功能相比，使用三个选定特征（敏感性为81.23％，特异性为73.97％，精度为78.27％）的组合获得了患者歧视的最佳表现。其次，对于后续评估，为8个特征（SUV平均值，SUL峰，SUV，SUL峰值面积面积，SUV平均值量表，表面平均SUV 3，SUL峰值峰值 - 峰值 - 峰值和第二个角度矩和第二个角动力）均在判别分析中具有最佳性能，敏感性86.28％（敏感性86.28％），特定于87.75％，并精确86.75％），精确86.75.75％。 特征。
利用可分离卷积神经网络处理脑电信号，自动评分睡眠阶段
如今，在深度学习研究中，有一种趋势是开发具有数百万个可训练参数的网络。然而，这种趋势有两个主要缺点：过度拟合和资源消耗，因为这些网络提取的特征质量低下。本文介绍了一项专注于睡眠脑电信号评分的研究，以衡量通过不同技术减少特征数量而增加特征压力是否会带来好处。这项工作还研究了增加输入信号数量以允许网络提取更好特征的便利性。此外，值得一提的是，所提出的模型实现了与最先进技术相当的结果，但可训练性降低了 1000 倍，并且所提出的模型使用了整个数据集，而不是已发表文献中的简化版本。
人工智能能否重新编程新闻编辑室？自动化新闻中的信任、透明度和道德 计算机程序能否撰写引人入胜的新闻报道？路透社最近发布的《技术趋势与预测》报告中显示，在接受调查的 200 名数字领袖、编辑和首席执行官中，78% 表示投资人工智能 (AI) 技术将有助于确保新闻业的未来 (Newman, 2018)。然而，探索这些新的报道方法给那些已经在努力理解人类记者和计算工作之间复杂动态的人们带来了一系列无法预料的道德问题。在新闻编辑室实施自动化叙事向记者提出了一些问题：如何保持和鼓励报道的准确性和公正性，以及对他们所服务的受众的透明度。新闻编辑室的人工智能已经从一个想法发展成为现实。 1998 年，计算机科学家 Sung-Min Lee 预测人工智能将在新闻编辑室得到应用，届时“机器人代理”将与人类记者一起工作，有时甚至代替人类记者工作 (Latar, 2015)。2010 年，Narrative Science 成为第一家利用人工智能将数据转化为叙事文本的商业企业。Automated Insights 和其他公司紧随 Narrative Science 之后，通过自动叙事将 Lee 的“机器人代理”带入新闻编辑室。虽然当今的新闻编辑室正在使用人工智能来简化各种流程，从跟踪
人工智能可以重新编程新闻编辑室吗？自动化新闻中的信任、透明度和道德 计算机程序可以编写引人入胜的新闻故事吗？在路透社最近的一份技术趋势和预测报告中，接受调查的 200 名数字领导者、编辑和首席执行官中，78% 表示投资人工智能 (AI) 技术将有助于确保新闻业的未来 (Newman, 2018)。然而，探索这些新的报道方法，为那些已经在努力理解人类记者和计算工作之间复杂动态的人带来了一系列无法预见的道德问题。在新闻编辑室实施自动化叙事向记者提出了如何保持和鼓励报道的准确性和公正性以及对他们所服务的受众的透明度的问题。新闻编辑室中的人工智能已经从一个想法发展成为现实。1998 年，计算机科学家 Sung-Min Lee 预测人工智能将在新闻编辑室得到应用，届时“机器人代理”将与人类记者一起工作，有时甚至代替人类记者 (Latar, 2015)。2010 年，Narrative Science 成为第一家使用人工智能将数据转化为叙事文本的商业企业。Automated Insights 和其他公司紧随 Narrative Science 之后，通过自动化讲故事的方式将 Lee 的“机器人代理”带入新闻编辑室。虽然当今的新闻编辑室正在使用人工智能来简化各种流程，从跟踪突发新闻、收集和解释数据、核实在线内容，甚至创建聊天机器人来向用户推荐个性化内容，但自动生成文本和视频故事的能力促使整个行业转向自动化新闻，或“使用软件或算法自动生成新闻故事而无需人工干预的过程”(Graefe, 2016)。《福布斯》、《纽约时报》、《华盛顿邮报》、《ProPublica》和彭博社只是当今在新闻报道中使用人工智能的部分新闻编辑室。《华盛顿邮报》的“内部自动化叙事技术”Heliograf 只是新闻编辑室利用人工智能扩大其在体育和金融等严重依赖结构化数据的领域的报道的众多例子之一，“让记者专注于深入报道”（Gillespie，2017 年）。人工智能有可能让新闻编辑室和报摊的记者都变得更好。通过自动化，现在可以进行大量的新闻报道新闻智库 Polis 在其 2019 年新闻 AI 报告中透露，新闻编辑室使用人工智能的主要动机是“帮助公众应对新闻过载和错误信息的世界，并以便捷的方式将他们与与他们的生活相关、有用和有益的可靠内容联系起来”（Beckett，2019 年）。