XiaoMi-AI文件搜索系统
World File Search Systemepochs
IOT网络安全性的深度学习模型
摘要 - 物联网（IoT）是提供网络连接的IP地址的新兴和快速上升的物理对象网络，并且具有在对象和其他基于Internet的设备和系统之间传输数据的能力。连接了数十亿个IoT设备，并且具有很高的网络安全性和数据隐私风险。compoters和移动设备具有许多软件和安全解决方案，可保护和防御攻击，但是缺少类似的安全解决方案来保护IoT网络。在本文中，提出了一维卷积神经网络（1DCNN），以使用UNSW-NB15数据集来衡量效率，该数据集与NSL KDD和KDDCUP99相比是最新且涵盖的现代攻击数据。为了进行比较研究，我们将阁楼机学习模型与KNN和幼稚的贝叶斯进行了比较。在每个实验中，该模型的运行率高达200个时期，并且学习率为0.001。深度学习模型与阁楼机学习模型相比，已经形成了越来越多。
贡献报告-Indico Global
This paper presents a comprehensive performance evaluation of various AI architectures for a classification of holes drilled in melamine faced chipboard, including custom Convolutional Neu- ral Network (CNN-designed), five-fold CNN-designed, VGG19, single and five-fold VGG16, an en- semble of CNN-designed, VGG19, and 5xVGG16, and Vision Transformers （VIT）。每个模型的性能都根据其分类精度进行了测量和比较，视觉变压器模型，尤其是对8000个时期训练的B_32模型，以71.14％的精度证明了出色的性能。尽管取得了成就，但该研究强调了平衡模型性能与其他考虑因素（例如计算资源，模型复杂性和培训时间）的必要性。结果强调了仔细的模型选择和微调的重要性，不仅是由性能指标引导的，而且还取决于任务和上下文的特定要求和约束。这项研究为进一步探索其他基于变压器的模型提供了坚实的基础，并鼓励对模型进行微调的更深入研究，以利用这些AI体系结构对图像分类任务的全部潜力。
![arxiv：2310.13754v1 [cs.cv] 2023年10月20日](/simg/g:\will\search\icon\source\6\65fe5305b3dbb8981347189789d6146bf33e9868.webp)
arxiv：2310.13754v1 [cs.cv] 2023年10月20日
多肌术（PSG）在夜间收集生理参数，以分析患者的睡眠。此过程使用脑电图（EEG），电击图（EOG），肌电图（EMG），心电图，脉搏血氧仪，气流和呼吸努力。睡眠分期是从EEG，EOG和EMG电极确定的。额叶，中央和枕脑区域的电活动以及眼睛运动和下巴EMG用于确定睡眠阶段[26]。PSG睡眠评分是专家使用的一种常见方法，可监测人类睡眠的质量和数量以及诊断睡眠失误[17]。此过程涉及分析整个晚上的睡眠，分为30秒的时代，每个时期都归类为一组预定的睡眠阶段。最近的研究使用机器学习进行了自动睡眠评分。Silveira等人的研究。[29]使用随机森林（RF）用离散小波作为特征提取器进行睡眠评分。Hassan等人的方法。[11]根据单个EEG通道对睡眠阶段进行了分类，而[23]之类的研究根据单个EOG通道对它们进行了分类。此外，RF用于一系列与EEG相关的问题，例如早期癫痫发作检测[6]，人类精神状态分类[7]等。[29]之类的方法仅使用EEG通道数据。，但通过[14]提供的进一步分析，在使用各种类型的渠道时，分类性能没有改善。[35]使用RF和LightGBM作为机器学习算法来对睡眠阶段进行分类。考虑到人类自然衰老过程中睡眠中发现的变化，我们旨在分析这些变化如何影响我们的分类模型[16,33,18]，Zhou等人的文章。值得注意的是，他们将年龄作为分类任务中的功能。另一方面，[8,25]这样的论文分析了早期睡眠和晚期睡眠之间的差异，显示出很大的差异。在本文中，我们还试图分析这些变化如何影响训练有素的模型的性能。在这里，我们分析了一个睡眠评分模型，以评估年龄的效果以及早期（早睡，最初4个小时）和晚期（深夜，最后4个小时）睡眠的影响，对古典分类器在Epoch睡眠阶段的性能。为此，我们将小波用作特征提取器和RF作为分类器。结果，我们试图了解不同模型如何最适合每个问题的需求。
探索人工智能在科幻电影中的演变和影响：具有金融和经济背景的概述
本研究论文探讨了人工智能与科幻电影之间复杂的相互作用，从描绘的角度描绘了人工智能的演变，同时研究了人工智能如何影响社会观念。该研究跨越历史时代，从《大都会》等经典电影中的早期描绘到《她》和《机械姬》等电影中的当代叙事，对主要电影作品进行了定性分析。从方法论上讲，这项研究基于一个连续的框架，该框架研究了人工智能角色的演变主题、道德问题和转变。为了理解反复出现的主题及其含义，还采用了定性内容分析。本文揭示了电影故事与社会观念之间的共生关系，阐明了科幻电影如何在塑造国家对人工智能的看法、影响道德问题、技术进步和社会态度方面发挥作用。本文旨在通过研究电影中人工智能与科幻之间的交集，深入了解这一广泛主题的文化、技术和商业方面。
通过脑电图分析探索数学决策
在本研究中，数学决策任务用于提供有关多个大脑区域信息流的更多细节，目的是找出连接模式是否有助于预测决策结果。实验包括向每个参与者展示 50 个数学表达式，他们通过按下按钮来决定其正确性。通过配备 64 个电极的 g.tec Nautilus EEG 设备记录神经活动和按钮按下。对参与者的反应进行了详细的时期分析。采用了先进的信号分析技术，包括 Granger 因果关系、相位锁定值和复杂皮尔逊相关系数。本研究旨在确定以下工具如何区分事件和状态，意识到它们的局限性，并开发新的分析技术以更好地区分大脑过程。本研究特别关注使用数学推理作为模型来研究决策过程。我们的目标是测试现有方法并开发新方法，以更深入地了解离散认知活动中涉及的大脑动力学。
图像处理研究 - 开放期刊系统
本研究使用复杂的图像处理技术来处理评估牛奶鱼的新鲜度的重要问题。通过RESNET-101培训的CNN分类方法的研究人员通过严格的评估过程进行了培训，其中包括GLCM功能提取，参数设置和彻底的混淆矩阵评估。在各种新鲜度水平上仔细分析了图像增强和图像分割技术对GLCM提取过程中纹理特征的影响，测量对比度，同质性，相关性和能量值。使用ADAM优化的训练，批量大小为16，学习率为0.0001和30个时代，建议的CNN配置为产生平衡的收敛期23分钟36秒。建议的方法在评估方面表现出色，在整个培训中达到了99.72％的出色精度。在测试阶段进行的其他测试证实了其有效性，因为所有指标（召回，精度和F1得分）保持在100％。这些结果突出了此特定图像处理工作中基于Resnet-101 CNN的弹性，并证明了其在正确分类牛奶新鲜度水平方面的有效性。
Integrating Behavioral Cloning into a Reinforcement Learning pipeline
近年来，随着众多能够创造出具有智能剂的技术的兴起，增强学习（RL）的增长已经显着增长。每当我们提供合适的学习环境和明确定义的目标时，这些代理人就可以解决众多的顺序决策问题。尽管如此，在某些现实世界中应用这些算法仍然很困难：RL在很大程度上依赖奖励功能，并且这种信号的设计通常很麻烦。此外，RL的反复试验性质使其成为一种极其摄入的技术，在训练的第一个时期中具有接近随机的方式。这些限制使通过RL学习不适合现实世界环境，因为在这些情况下，低绩效行为是不可接受的，收集样本很昂贵（就时间或实际成本而言）。在某些情况下，专家们同意，要克服上面显示的challenges，它更容易演示DeSired行为，而不是手动设计它或尝试从头开始学习它。通过试图模拟给名的演示来进行学习过程称为模仿学习（IL）。此re-
使用 Transformer 进行情绪分析
本研究探讨了如何使用基于 Transformer 的模型（例如 BERT 和 DistilBERT）对 IMDb 电影评论进行情感分析。实验的目的是找到准确率和计算效率之间的平衡，评估两种模型在不同训练参数下的表现。BERT 在三个时期内达到了 91.39% 的峰值准确率，总共需要 54 分钟进行训练。另一方面，DistilBERT 仅用 38 分 25 秒就达到了 91.80% 的类似准确率。尽管准确率略有差异，但 DistilBERT 被证明是一种更高效的训练选择，因此成为资源有限环境的可行替代品。该研究结果与 R. Talibzade (2023) 的研究形成了对比，后者使用 BERT 获得了 98% 的准确率，但需要 12 小时的训练，说明了准确率和训练时间之间的平衡。未来可能的任务包括进一步完善、使用更大的数据集进行测试、研究替代的 Transformer 模型，以及利用更高效的训练方法来提高性能而不牺牲效率。这是一篇 CC BY-NC 许可下的开放获取文章
神经形态计算辅助的互动电容耦合触觉传感器阵列用于无线混合现实互动
摘要：灵活的触觉传感器由于其生物适应性和快速信号感知而显示出对人工智能应用的希望。Triboeelectric传感器可实现主动动态触觉传感，同时整合静态压力传感和实时多通道信号传输是进一步开发的关键。在这里，我们提出了一个集成结构，该结构结合了一个用于静态时空映射的电容传感器和一个用于动态触觉识别的摩擦电传感器。4×4像素的液态金属柔性双模式互动耦合触觉传感器（TCTS）阵列可实现7毫米的空间分辨率，表现为0.8 PA的压力检测极限，快速响应6 ms。此外，使用基于MXENE的突触晶体管使用的神经形态计算在90个时期内通过TCTS阵列收集的动态互动信号在90个时期内实现了100％的识别精度，并实现了来自TCTS阵列的动态互动信号，以及从多键盘触觉数据中的交叉空间信息通信中实现了多型触觉数据的交流。结果阐明了在人界面和高级机器人技术中双模式触觉技术的相当大的应用可能性。关键字：互联网耦合，触觉传感器阵列，神经形态计算，人类 - 机器接口，混合现实
脑网络近似熵在半球差异研究中的应用
摘要：人脑是一个动态复杂系统，可以用不同的方法进行研究，包括线性和非线性方法。脑电图 (EEG) 分析中广泛使用的非线性方法之一是熵，即系统无序性的测量值。本研究调查了大脑网络，应用近似熵 (ApEn) 测量来评估半球脑电图差异；评估了不同记录会话中 ApEn 数据的可重复性和稳定性。20 名健康成年志愿者接受了 80 次闭眼静息脑电图记录。枕骨区域存在显著差异，左半球的熵值高于右半球，表明根据执行的功能，半球以不同的强度变得活跃。此外，事实证明，在相对较短的 EEG 时期以及 36 名受试者的 1 周间隔时间内，本方法都是可重复且稳定的。非线性方法是研究大脑网络动态的有趣探索。ApEn 技术可能为了解与年龄相关的大脑断开的病理生理过程提供更多见解，并可用于监测药物和康复治疗的影响。