XiaoMi-AI文件搜索系统
World File Search Systemdetect
使用人工智能检测核电站的人为错误：运行和维护案例
免责声明 本信息是根据美国政府机构资助的工作编写的。美国政府及其任何机构或其任何雇员均不对所披露的任何信息、设备、产品或流程的准确性、完整性或实用性做任何明示或暗示的保证，也不承担任何法律责任或义务，也不表示其使用不会侵犯私有权利。本文以商品名、商标、制造商或其他方式提及任何特定商业产品、流程或服务并不一定构成或暗示美国政府或其任何机构对其的认可、推荐或支持。本文表达的作者的观点和意见不一定代表或反映美国政府或其任何机构的观点和意见。
使用人工智能检测核电站的人为错误：运行和维护案例
人为错误 (HE) 是核电站 (NPP) 等安全关键型系统的一个重要问题。HE 在核电站的许多事故和停电事件中都发挥了作用。尽管核电站的自动化程度有所提高，但 HE 仍然不可避免。因此，HE 检测的需求与 HE 预防工作同样重要。在核电站中，HE 相当罕见。因此，异常检测是一种广泛用于检测罕见异常实例的机器学习技术，可以重新用于检测潜在的 HE。在本研究中，我们开发了一种基于生成对抗网络 (GAN) 的无监督异常检测技术，以检测核电站中手动收集的监视数据中的异常。更具体地说，我们的 GAN 经过训练可以检测自动记录的传感器数据和手动收集的监视数据之间的不匹配，从而识别可归因于 HE 的异常实例。我们在真实世界数据集和从测试平台获得的外部数据集上测试了我们的 GAN，并将我们的结果与最先进的无监督异常检测算法（包括一类支持向量机和隔离森林）进行了对比。结果表明，所提出的 GAN 提供了改进的异常检测性能。我们的研究对未来基于人工智能的 HE 检测系统的发展大有裨益。© 2022 韩国核学会，由 Elsevier Korea LLC 出版。这是一篇根据 CC BY-NC-ND 许可开放获取的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。
全面的基因组分析（CGP）套件的演变，以简化工作流并检测同源重组缺陷
•提取优化：用1或3小时的孵育提取16个FFPE样品。使用随附的QPCR评估提取的DNA的浓度和质量。•连接研究：测试了缩短的程序，并针对原始条件分析了关键的测序指标，以减少图书馆的准备工作。•较高的吞吐量研究：合并，测序并与8个样本进行了汇总，测序。•变体灵敏度：用Avenio CGP KIT V2对317 FFPE DNA样品进行测序。变体检测与参考方法F1CDX进行了比较。样品包括由QPCR评估的多种DNA质量。测序是在每个样品读取> 60m的Illumina NextSeq序列上进行的。使用FoundationOneⓡ分析平台进行数据分析。结果
doi：https：//doi.org/10.48009/3_IIS_2024_110 A I模型的比较以检测图像中隐藏消息
隐身是在看似无害的封面媒体中隐藏秘密信息的艺术，对数字安全和法医分析提出了重大挑战。随着数字图像用作隐藏数据的载体的越来越多，必须有效，准确的切解技术的需求。这项研究比较了几种机器学习模型，包括K-Nearest邻居，高斯，多层感知器，随机森林，随机森林，AA未经训练的卷积神经网络以及一个被称为RESNET-18的预先卷积神经网络模型，称为RESNET-18，在其有效性的情况下，在其有效性的图像中具有sepnagomhichosics Messect embedded empedded的有效性。研究发现，卷积神经网络是检测具有99％准确性的地理含量的最佳模型。
环境DNA调查，以检测热带淡水流中的一种流行的隐秘鱼类，AnablePsoides Cryptocallus
Agersnap，S.，Larsen，W.B.，Knudsen，S.W.，Strand，D.，Thomsen，P.F.，Hesselsøe，M。Etal。（2017）。使用淡水样品中的环境DNA对贵族，信号和狭窄的小龙虾进行监测。plos One，12（6），1 - 22。https：//doi.org/10.1371/journal.pone。0179261 Baudry，T.，Mauvisseau，Q.，Goût，J.，Arqué，A.，Delaunay，C.，Smith-Ravin，J。等。（2021）。在生物多样性热点中绘制一个超级侵蚀者，这是一个基于埃德娜的成功故事。生态指标，126，107637。https：//doi.org/10.1016/j.ecolind.2021.107637 Bedwell，M.E。＆Goldberg，C.S。（2020）。环境DNA检测的空间和时间模式，以告知灯杆和底漆系统中的采样方案。生态与进化，10（3），1602 - 1612。https：// doi.org/10.1002/ece3.6014 Belle，C.C.，Stoeckle，B.C。＆Geist，J。（2019）。水生保护中淡水环境DNA研究的分类和地理代表。水上保护：海洋和淡水生态系统，29（11），1996 - 2009年。https：//doi.org/10.1002/aqc.3208 Biotope。（2020）。eTuded'Améliorationde la Connaissance sur le Poisson Gale（AnablePsoides Cryptocallus）：分布，Étatde Conservation，Mesures Et推荐。https://www.observatoire-eau-martinique.fr/ documents/rapport-poisson-gale-vf.pdf Brys，R.，Halfmaerten，D.，Neyrinck，S.，Mauvisseau，Mauvisseau，Q.（2020）。可靠的EDNA检测和欧洲天气loach（Misgurnus possilis）的定量。（2009）。（2019）。鱼类生物学杂志，98（2），399 - 414。https：//doi.org/10.1111/jfb.14315 Bustin，S.A.，Benes，V.，Garson，J.A. MIQE指南：最少发表定量实时PCR实验的信息。 临床化学，55（4），611 - 622。https：//doi.org/10.1373/clinchem.2008。 112797 Cantera，I.，Cilleros，K.，Valentini，A.，Cerdan，A.，Dejean，T.，Iribar，A。等。 为热带流和河流中的鱼类库存优化环境DNA采样工作。 科学报告，9（1），1 - 11。https：//doi.org/10.1038/S41598-019-019-39399-5 Ceballos，G.，Ehrlich，P.R.，P.R.，Barnosky，Barnosky，Barnosky，A.D. ＆Palmer，T.M。 （2015）。 加速现代人类引起的物种损失：进入第六次巨大灭绝。 科学进步，1（5），E1400253。 https://doi.org/10.1126/sciadv.1400253 Cowart，D.A.，Breedveld，K.G.H.，Ellis，M.J.，M.J.，Hull，J.M. ＆Larson，E.R。 （2018）。 环境DNA（EDNA）用于保护危险的小龙虾（Decapoda：Astacidea），通过监测入侵物种障碍和重新定位的种群。 甲壳类生物学杂志，38（3），257 - 266。https：//doi.org/10.1093/jcbiol/jcbiol/ ruy007 Cristescu，M.E。 （2019）。 环境RNA可以革新生物多样性科学吗？ 生态与进化的趋势，34（8），694 - 697。https：// doi。 org/10.1016/j.tree.2019.05.003 Deal Martinique，Ecovia。 ＆Creocean。 （2018）。 诊断 - Martinique环境环境。 https：//www.martinique。鱼类生物学杂志，98（2），399 - 414。https：//doi.org/10.1111/jfb.14315 Bustin，S.A.，Benes，V.，Garson，J.A.MIQE指南：最少发表定量实时PCR实验的信息。临床化学，55（4），611 - 622。https：//doi.org/10.1373/clinchem.2008。112797 Cantera，I.，Cilleros，K.，Valentini，A.，Cerdan，A.，Dejean，T.，Iribar，A。等。为热带流和河流中的鱼类库存优化环境DNA采样工作。科学报告，9（1），1 - 11。https：//doi.org/10.1038/S41598-019-019-39399-5 Ceballos，G.，Ehrlich，P.R.，P.R.，Barnosky，Barnosky，Barnosky，A.D.＆Palmer，T.M。（2015）。加速现代人类引起的物种损失：进入第六次巨大灭绝。科学进步，1（5），E1400253。https://doi.org/10.1126/sciadv.1400253 Cowart，D.A.，Breedveld，K.G.H.，Ellis，M.J.，M.J.，Hull，J.M.＆Larson，E.R。（2018）。环境DNA（EDNA）用于保护危险的小龙虾（Decapoda：Astacidea），通过监测入侵物种障碍和重新定位的种群。甲壳类生物学杂志，38（3），257 - 266。https：//doi.org/10.1093/jcbiol/jcbiol/ ruy007 Cristescu，M.E。（2019）。环境RNA可以革新生物多样性科学吗？生态与进化的趋势，34（8），694 - 697。https：// doi。org/10.1016/j.tree.2019.05.003 Deal Martinique，Ecovia。＆Creocean。（2018）。诊断 - Martinique环境环境。https：//www.martinique。developpement-durable.gouv.fr/img/pdf/diagnostic_vf.3.pdf deiner，K。＆Altermatt，F。（2014）。自然河中无脊椎动物环境DNA的运输距离。PLOS ONE，9（2），E88786。https://doi.org/10.1371/journal.pone.0088786 Dorazio，R.M。 ＆Erickson，R.A。 （2018）。 ednaocupancy：用于环境DNA数据的多尺度占用建模的R包。 分子生态资源，18（2），368 - 380。https：//doi.org/10.1111/1755-0998.12735 Ferreira，A.R.L.，Sanches Fernandes，L.F.，L.F. ＆Pacheco，F.A.L。 （2017）。 使用嵌套的部分最小二乘回归评估对河流生态系统的人为影响。 总体科学https://doi.org/10.1371/journal.pone.0088786 Dorazio，R.M。＆Erickson，R.A。 （2018）。ednaocupancy：用于环境DNA数据的多尺度占用建模的R包。分子生态资源，18（2），368 - 380。https：//doi.org/10.1111/1755-0998.12735 Ferreira，A.R.L.，Sanches Fernandes，L.F.，L.F.＆Pacheco，F.A.L。（2017）。使用嵌套的部分最小二乘回归评估对河流生态系统的人为影响。总体科学
hu在Semeval-2024任务8a上：对比度学习学习嵌入以检测机器生成的文本吗？
本文介绍了我们为Semeval-2024任务8开发的系统，“多基因，多域和多语言的黑盒机器生成的文本检测”机器生成的文本是主要的结合文本之一，这是由于使用大型文本（LLM）在虚假的文本中使用大型语言模型（llm），在伪造的文本中，播放，或者在考试中作弊，或偶尔抄写。已经开发了许多系统来检测机器生成的文本。尽管如此，这些系统中的大多数都依赖于文本生成模型。在现实世界中，这种限制是不切实际的，因为通常无法知道用户使用哪种特定模型用于文本生成。在这项工作中，我们提出了一个基于对比度学习的单个模型，该模型使用了基线参数的40％（149m vs. 355m），但在测试数据集（137名参与者中的21位）上显示了可比的性能。我们的主要发现是，即使没有多个模型的集合，单个基本模型也可以在数据增强和对比度学习的帮助下具有可比性的性能。1
扩展国家淀粉样变性中心分期系统，以检测甲状腺素蛋白心脏淀粉样变性的早期死亡率
经胆管素心脏淀粉样变性（ATTR-CA）是一种进行性且最终致命的心肌病，这是心力衰竭越来越多的原因。1，2在国家淀粉样变性中心（NAC）开发的分期系统基于N末端pro-B型纳特里尿素肽（NT-ProBNP）和估计的肾小球滤过率（EGFR）的组合，已广泛用于将ATTR-CA患者分层为三个预测类别。尽管在临床实践和临床试验中都证明了效用，但NAC 2阶段和第3期疾病的患者中存在相当多的异质性。由于NAC 2阶段和第3期疾病患者的临床表型中有些重叠，诊断后的前1个2个月的生存与生存相似，在长时间的随访中，生存的差异明显。3考虑到这种固有的局限性，仍有未满足的临床需求，即确定患者早期死亡风险增加的患者，他们可能会从更密集的治疗策略中受益并更频繁地随访。这项研究的目的是进一步扩展现有的NAC分期系统，以纳入一个额外的疾病阶段，该疾病阶段可以鉴定出早期死亡率高风险的患者。
基于共同空间模式和支持向量机的脑电信号驾驶疲劳检测
本文提出了一种机器学习方法，利用 14 个通道收集的脑电图数据来检测驾驶疲劳。为了获得更好的信号质量，使用独立成分分析去除信号中的噪声。使用 CSP 作为特征提取方法，使用 SVM 作为分类器。本文的其余部分组织如下：第 2 节介绍本研究的材料和方法。第 3 节介绍实验结果。第 4 节是研究的讨论和结论。这项工作的一些主要贡献如下：
使用和比较深度学习方法来检测自动驾驶汽车的夜间道路表面条件
摘要：目前，在这些自动驾驶汽车上的现有传感器无法很好地检测到自动驾驶汽车之前的道路表面状况。但是，应确保白天和黑夜的天气引起的道路状况。对深度学习的调查，以识别当天的道路表面状况，是使用车辆前面嵌入式摄像头收集的数据进行的。深度学习模型仅在当天被证明是成功的，但迄今为止尚未对它们进行评估。这项工作的目的是提出深度学习模型，以检测在夜间在自动驾驶汽车前的天气造成的在线道路表面条件，其精度很高。在这项研究中，使用性能比较，将不同的深度学习模型，即传统的CNN，Squeezenet，VGG，Resnet和Densenet模型。考虑到现有夜间检测的当前局限性，本文研究了不同路面的反射特征。根据功能，夜间数据库是带有或没有环境照明的。这些数据库是从几个公共视频中收集的，以使所选模型更适用于更多场景。此外，根据收集的数据库对选定的模型进行培训。最后，在验证中，这些模型对夜间干燥，潮湿和雪道的表面条件进行分类的准确性可高达94％。
高级重复的结构和学习程序，以检测串行12铅ECG中的急性心肌缺血
抽象目标。在急性冠状动脉综合征（ACS）的情况下，急性心肌缺血可能导致心肌梗塞。因此，及时的决定已经处于院前阶段，对于尽可能地保留心脏功能至关重要。串行心电图，将急性心电图与先前记录的同一患者的（参考）ECG进行比较，有助于识别缺血诱导的心电图变化，通过纠正个体间的ECG变异性。最近，深度学习和串行心电图的结合为检测新兴心脏疾病提供了有希望的结果。因此，我们当前研究的目的是应用新型的高级重复结构和学习程序（ADVRS＆LP），该过程专门设计用于疗程前阶段急性心肌缺血检测，并使用串行ECG使用。方法。数据属于减法研究，其中包括1425个心电图对，194（14％）ACS患者和1035（73％）对照。每个ECG对的特征是28个序列特征，这些特征构成了Advrs＆LP的输入，Advrs＆Lp是创建监督神经网络（NN）的自动建设性过程。我们创建了100个NN，以补偿由于有限数据集的随机数据划分而导致的统计频率。我们根据接收者 - 操作 - 特征曲线，敏感性（SE）和Speciifity（SP）的曲线（AUC）将获得的NNS的性能与逻辑回归程序（LR）程序（LR）程序（LR）程序（LR）程序（UNI-G）进行了比较。主要结果。明显的能力。nns（中位AUC = 83％，中位SE = 77％和中位SP = 89％）在统计学上（P值低于0.05）的测试性能比LR提出的测试性能高（中位数AUC = 80％，中位数SE = 67％，中位数SP = 81％），SP = 81％），Median sp = 82％（Medianians = 82％）和82％（82％）和72％= 72％和72％= 72％。总而言之，阳性结果强调了串行ECG比较在缺血检测中的价值，而在概括和临床适用性方面，Advrs＆LP创建的NNS似乎是可靠的工具。