XiaoMi-AI文件搜索系统
World File Search Systemdataset
凸轮重新分析：大气组成的21年数据集
•前MLS周期的偏差不同•平流层臭氧偏见在2004年8月以后非常稳定•对流层臭氧受仪器变化的影响大于总柱或平流层臭氧•在2018年之后增加北极的臭氧偏见（Driffing Noaa-19）•2005 - 2018年对流层臭氧的稳定性能
公众咨询——关于为人工智能系统设计构建数据集的人工智能操作指南
虽然最小化原则要求为实现目标而选择的方法尽可能高效利用数据，但它并没有规定明确的阈值，也不禁止收集大型数据集。另一方面，CNIL 要求在开始收集之前尽可能地预测数据收集并识别必要的数据，以便只处理对人工智能系统设计绝对必要的数据。在这方面，遵守最小化原则的条件已经明确：深度学习方法必须保留在没有更经济的替代方案的情况下使用，并且必须得到证明。同样，需要使用特别识别类型的数据（例如视频或照片）的解决方案必须是实现目标所必需的。
IDCC25 作者和审稿人使用生成式 AI 工具的指南 本指南基于：Lin, Z. (2024)。面向学术出版的 AI 政策框架，认知科学趋势，28(2)，85-88。检索自 https://doi.org/10.1016/j.tics.2023.12.002 定义 生成式 AI 是一种人工智能技术，可以生成各种类型的内容，包括文本、图像、音频和合成数据。示例包括但不限于 ChatGPT、NovelAI、Gemini、Jasper AI、Rytr AI、DALL-E 等。出版道德 | 爱思唯尔政策。（nd）。爱思唯尔。 2024 年 5 月 9 日检索自 https://www.elsevier.com/about/policies-and-standards/publishing-ethics 作者指南 如果使用生成式人工智能开发投稿或投稿的任何部分，则必须描述其用途和目的。作者应准备好提供有关其投稿中所用工具和生成内容的提示的信息。作者有责任对人工智能生成的内容进行适当审查，以避免不准确和抄袭。使用生成式人工智能创建内容并不意味着相关工具的作者身份。 为本指南提供指导的出版商政策：出版伦理最佳实践指南 | Wiley。（nd）。2024 年 5 月 9 日检索自 https://authorservices.wiley.com/ethics-guidelines/index.html#22 ChatGPT 和生成式人工智能。（2023 年 1 月 27 日）。 SAGE Publications Inc. https://us.sagepub.com/en-us/nam/chatgpt-and-generative-ai 审稿人指南 审稿人不得将稿件或稿件的任何部分上传到生成式 AI 工具中，即使是为了改善其审稿的语言和可读性。这是基于对稿件中个人数据和/或专有信息的机密性的尊重，以及通过防止它们成为训练数据集的一部分来尊重知识产权。此外，审稿过程是一项人类活动
IDCC25 作者和审稿人使用生成式 AI 工具的指南 本指南基于：Lin, Z. (2024)。面向学术出版的 AI 政策框架，认知科学趋势，28(2)，85-88。检索自 https://doi.org/10.1016/j.tics.2023.12.002 定义 生成式 AI 是一种人工智能技术，可以生成各种类型的内容，包括文本、图像、音频和合成数据。示例包括但不限于 ChatGPT、NovelAI、Gemini、Jasper AI、Rytr AI、DALL-E 等。出版道德 | 爱思唯尔政策。（nd）。爱思唯尔。 2024 年 5 月 9 日检索自 https://www.elsevier.com/about/policies-and-standards/publishing-ethics 作者指南 如果使用生成式人工智能开发投稿或投稿的任何部分，则必须描述其用途和目的。作者应准备好提供有关其投稿中所用工具和生成内容的提示的信息。作者有责任对人工智能生成的内容进行适当审查，以避免不准确和抄袭。使用生成式人工智能创建内容并不意味着相关工具的作者身份。 为本指南提供指导的出版商政策：出版伦理最佳实践指南 | Wiley。（nd）。2024 年 5 月 9 日检索自 https://authorservices.wiley.com/ethics-guidelines/index.html#22 ChatGPT 和生成式人工智能。（2023 年 1 月 27 日）。 SAGE Publications Inc. https://us.sagepub.com/en-us/nam/chatgpt-and-generative-ai 审稿人指南 审稿人不得将稿件或稿件的任何部分上传到生成式 AI 工具中，即使是为了改善其审稿的语言和可读性。这是基于对稿件中个人数据和/或专有信息的机密性的尊重，以及通过防止它们成为训练数据集的一部分来尊重知识产权。此外，审稿过程是一项人类活动
机载真菌DNA的全球标准化数据集
采样和表征生物多样性的新方法在评估整个地球的生活模式方面具有巨大的希望。用旋风采样器对机载孢子进行采样，以及其DNA的测序，被认为是一种有效且良好的校准工具，用于调查各种环境中的真菌多样性。在这里，我们介绍了来自全球孢子采样项目的数据，其中包括在全球47个室外地点两年内收集的2,768个样本。每个样品代表从24 m 3的空气中提取的真菌DNA。我们应用了保守的生物信息学管道，该管道过滤了序列，该序列没有显示出代表真菌物种的强烈证据。管道产生了27,954个物种级的操作分类单元（OTU）。每个OTU都伴随着概率的分类学分类，并通过与专家评估进行比较来验证。要检查数据的潜力进行生态分析，我们将物种分布的变化分为空间和季节性成分，显示了年平均温度对社区组成的强烈影响。
2003年至2018年期间的国家森林收获和分配数据集
摘要。森林收获是人为活动之一，最显着影响森林的碳芽。然而，缺乏关于收获碳的明确空间信息在评估森林收获的影响以及森林碳预算方面构成了巨大的挑战。这项研究利用了有关木材收获，树覆盖损失（TCL）数据集和基于卫星的植被指数的省级统计数据来开发森林生物量（LEAF）数据集的长期收获和分配。的目的是提供30 m的空间分辨率提供森林收获的空间位置，并量化收获后的Car-Bon动力学。对133个城市和县的被调查森林收获的验证表明，叶数据集在捕获收获碳的空间变化方面表现良好，确定和调查的收获碳的确定碳的空间变化为0.83。线性回归斜率高达0.99。从2003年到2018年平均，森林收获去除了68.3±9.3吨C Yr -1，其中80％以上来自选择性记录。收获碳，19.6±4.0％，2.1±1.1％，35.5±12.6％6.2±0.3％，17.5±0.9％，19.1±9.8％进入了燃油厂，木材和纸板，木材基础和木板，木材面板，实心木制家具，结构性结构，结构性结构和残留池，以及相应的。燃油的直接燃烧是木材收获后碳排放的主要来源。然而，碳可以长期存储在木材中，到2100年，研究期间收获的碳的几乎40％仍将保留。该数据集有望为估计林业和碳预算提供基础和参考。可以在https://doi.org/10.6084/m9。figshare.23641164.v2上下载30 m×30 m的收获碳数据集（Wang等，2023）。
典型和极端天气数据集用于研究建筑物对气候变化和热浪的弹性
我们介绍了当前和未来的预计天气文件的前所未有的数据集，用于在全球10个气候区域分发的15个主要城市建立模拟。数据集包括环境空气温度，相对湿度，大气压，直接和弥漫性太阳辐照度以及小时分辨率下的风速，这是进行建筑模拟所需的必不可少的气候元素。数据集包含Energy Plus天气文件（EPW）格式（EPW）格式的典型和极端天气年份，以及三个时期的逗号分隔价值（CSV）格式的多年预测：历史（2001- 2020年），未来的中期（2041-2060）（2041-2060），以及未来的长期（2081-2100）。数据集是从一个区域气候模型的预测中生成的，这些模型是使用每个城市的多年观察数据对其进行偏差校正的。所使用的方法使数据集成为第一个在极端温度的频率，持续时间和幅度中纳入未来气候中复杂变化的数据集。这些数据集在IEA EBC附件80“建筑物的弹性冷却”中创建，可以用于不同类型的建筑适应和弹性研究，以进行气候变化和热浪。
![为了有效解决人类所面临的日益复杂的问题，最新的发展趋势是应用大量不同类型的传感器收集数据，从而基于深度学习和人工智能建立有效的解决方案[1-4]。这不仅对传感器产生了巨大的需求，带来了商机，也为传感器设备及其相关应用的开发带来了新的挑战[5,6]。这些将人工智能与传感器相结合的技术发展正被积极地应用于医疗保健、制造业、农业和渔业、交通运输、建筑、环境监测等各个应用领域。例如，在环境监测方面，集成深度学习和人工智能算法的传感器能够快速分析大量数据集，实时识别模式、异常和趋势[7,8]。以天气预报为例，由人工智能驱动的传感器可以从卫星、气象站和无人机等各种来源收集数据，从而更精确地预测天气模式。通过深度学习模型，传感器可以动态调整和整合新数据，从而随着时间的推移提高预测准确性。此外，在工业环境中，通过人工智能增强的传感器在监控设备健康状况、预测潜在故障和安排维护方面发挥着优化制造运营的关键作用。](/simg/f/f35968dfeaed06f5c0286399ab4f1fb8e15e2e87.png)
为了有效解决人类所面临的日益复杂的问题，最新的发展趋势是应用大量不同类型的传感器收集数据，从而基于深度学习和人工智能建立有效的解决方案[1-4]。这不仅对传感器产生了巨大的需求，带来了商机，也为传感器设备及其相关应用的开发带来了新的挑战[5,6]。这些将人工智能与传感器相结合的技术发展正被积极地应用于医疗保健、制造业、农业和渔业、交通运输、建筑、环境监测等各个应用领域。例如，在环境监测方面，集成深度学习和人工智能算法的传感器能够快速分析大量数据集，实时识别模式、异常和趋势[7,8]。以天气预报为例，由人工智能驱动的传感器可以从卫星、气象站和无人机等各种来源收集数据，从而更精确地预测天气模式。通过深度学习模型，传感器可以动态调整和整合新数据，从而随着时间的推移提高预测准确性。此外，在工业环境中，通过人工智能增强的传感器在监控设备健康状况、预测潜在故障和安排维护方面发挥着优化制造运营的关键作用。
为了有效解决人类所面临的日益复杂的问题，最新的发展趋势是应用大量不同类型的传感器来收集数据，以便建立基于深度学习和人工智能的有效解决方案[1-4]。这不仅对传感器产生了巨大的需求，提供了商业机会，也为传感器设备及其相关应用的开发带来了新的挑战[5,6]。这些将人工智能与传感器相结合的技术发展正被积极地应用于医疗保健、制造业、农业和渔业、交通运输、建筑、环境监测等各个应用领域。例如，在环境监测中，集成了深度学习和人工智能算法的传感器能够快速分析大量数据集，实时识别模式、异常和趋势[7,8]。以天气预报为例，人工智能驱动的传感器可以从卫星、气象站和无人机等各种来源收集数据，从而更精确地预测天气模式。通过深度学习模型，传感器可以动态调整和整合新数据，从而随着时间的推移提高其预测准确性。此外，在工业环境中，人工智能增强的传感器在优化制造运营方面发挥着至关重要的作用，可以监测设备健康状况、预测潜在故障并提前安排维护 [ 9 – 12 ]。这种方法减少了运营停机时间并提高了整体效率。在此背景下，“传感器和应用中的人工智能和深度学习”特刊收集了关于人工智能（特别是深度学习）和传感器技术在各个领域的新发展的高质量原创贡献，以及分享想法、设计、数据驱动的应用程序以及生产和部署经验和挑战。本期特刊征文主题包括制造、机械和半导体的应用和传感器；建筑、施工、楼宇、电子学习的智能应用和传感器；推荐系统；自动驾驶汽车、交通监控和运输的应用和传感器；物体识别、图像分类、物体检测、语音处理、人类行为分析；以及其他相关传感应用 [ 13 , 14 ]。
LGHAP V2：无全球无间隙的气溶胶光学深度和PM 2。自2000年以来，通过大地数据分析得出的5个浓度数据集
摘要。我们先前研究中产生的长期无缘高分辨率空气污染物（LGHAP）浓度数据集提供了空间连续的每日气溶胶光学深度（AOD）和细节颗粒物（PM 2。5）自2000年以来，中国1公里的网格分辨率的浓度。这一进步赋予了对区域气溶胶变化的前所未有的评估及其对过去20年中环境，健康和气候的影响。但是，有必要增强这种高质量的AOD和PM 2。5浓度数据集具有新的可靠功能和扩展的空间覆盖范围。在这项研究中，我们介绍了全球尺度LGHAP数据集（LGHAP V2）的版本2，该版本是通过使用多功能数据科学，模式识别和机器学习方法的无缝集成的改进的Big Earth Data Analytics生成的。特定的，从相关卫星，地面监测站获得的多模式AOD和空气质量测量值通过利用基于随机的数据驱动模型的能力来协调。随后，开发了改进的基于张量流的AOD重建算法，以编织统一的多源AOD产品共同填充数据差距，以填补大气孔校正（MAIAIA）AOD AOD AOD从Terra的多角度实现。消融实验的结果表明，在收敛速度和数据准确性方面，基于张量的间隙填充方法的改进性能更好。for pm 2。5浓度测量。 验证结果表明无间隙PM 2。 55浓度测量。验证结果表明无间隙PM 2。5Ground-based validation results indicated good data accuracy of this global gap-free AOD dataset, with a correlation coefficient ( R ) of 0.85 and a root mean square error (RMSE) of 0.14 compared to the worldwide AOD observations from the AErosol RObotic NETwork (AERONET), outperforming the purely re- constructed AODs ( R = 0.83, RMSE = 0.15), but they were比原始的Maiac AOD检索稍差（r = 0.88，RMSE = 0.11）。5浓度映射，一种新颖的深度学习方法，称为场景意识到的集合学习图表网络（SCAGAT）。在考虑到跨区域的数据驱动模型的场景代表性时，SCAGAT算法在空间外推时进行了更好的表现，在很大程度上降低了对有限和/甚至不存在原位PM 2的区域的建模偏差。5浓度估计值具有更高的预测精度，与PM 2相比，R为0.95，RMSE为5.7 µg m-3。
使用机器学习技术分析不平衡的中风预测数据集
摘要摘要中风是一种以脑内血管破裂为特征的疾病，可导致脑损伤。当大脑的血液和必需营养素供应中断时，可能会出现各种症状。本研究的主要目标是使用机器学习和深度学习来预测早期发生脑中风的可能性。及时发现中风的各种警告信号可以显著降低中风的严重程度。本文对特征进行了全面的分析，以提高中风预测的有效性。从 Kaggle 网站上获取了一个可靠的中风预测数据集，以衡量所提算法的有效性。该数据集存在类别不平衡问题，这意味着负样本总数高于正样本总数。结果基于使用过采样技术创建的平衡数据集报告。这项提案的工作使用 Smote 和 Adasyn 来处理不平衡问题，以获得更好的评估指标。此外，与原始不平衡数据集和其他基准测试算法相比，使用 Adasyn 过采样利用平衡数据集的混合神经网络和随机森林 (NN-RF) 实现了 75% 的最高 F1 分数。
2024-03-12演示数据集修订
电池技术对于全球电气化工作越来越重要。但是，电池对可能引起可靠性或安全性问题的小型制造变化非常敏感。电池质量控制的一项重要技术是计算机断层扫描（CT）扫描，该扫描被广泛用于各种临床和工业应用中的无损3D检查。从历史上看，CT扫描对大批量制造的实用性受到其低吞吐量以及处理其大型文件大小的困难的限制。在这项工作中，我们提供了一千多个CT扫描的数据集，该数据集的商业可用电池。数据集跨越各种化学物质（锂离子和钠离子）以及各种电池形式（圆柱形，小袋和棱镜）。我们总共评估了七种不同的电池类型。可以通过此数据集观察到制造可变性和电池缺陷的存在。该数据集可能对从事电池技术，计算机视觉或两者兼而有之的科学家和工程师感兴趣。