XiaoMi-AI文件搜索系统
World File Search Systemlters
硼、氮和氧掺杂的 𝝅 延伸螺旋
窄带发射多谐振热激活延迟荧光 (MR-TADF) 发射器是一种有前途的解决方案，无需使用光学滤光片即可实现当前行业针对蓝色的色彩标准 Rec. BT.2020-2，旨在实现高效有机发光二极管 (OLED)。然而，它们的长三线态寿命（主要受其缓慢的反向系统间穿越速率影响）会对器件稳定性产生不利影响。在本研究中，设计并合成了螺旋 MR-TADF 发射器 (f-DOABNA)。由于其𝝅 -离域结构，f-DOABNA 拥有较小的单重态-三重态间隙𝚫 E ST ，同时显示出异常快的反向系统间穿越速率常数k RISC ，高达 2 × 10 6 s − 1 ，以及非常高的光致发光量子产率𝚽 PL ，在溶液和掺杂薄膜中均超过 90%。以 f-DOABNA 为发射极的 OLED 在 445 nm 处实现了窄深蓝色发射（半峰全宽为 24 nm），与国际照明委员会 (CIE) 坐标 (0.150, 0.041) 相关，并显示出较高的最大外部量子效率 EQE max ，约为 20%。
05-product（simultix14）-4.02
2.2。对样品转移和真空系统的快速和稳定改进已经显着提高了分析速度和精度。•及其具有改进的样品运输系统的快速样品转移系统，样品升压，携带和放置已转变为单个平滑运动，以减少样品负载时间。•X – y样品自动变换器除了标准8样品炮塔外，还有48个样品更换器（ASC48）。X -Y样品更换器增加了样品吞吐量，并使样品处理更加容易。•可以对样品入口端口的真空系统疏散和泄漏速度进行预编程以在两种模式下运行，以便可以降低粉末样品和滤料的散射，并增加长期稳定性。此外，可选的粉末陷阱最小化的小颗粒被吸入真空泵和电阀中。在测量设置期间可选的三个度真空度进一步缩短了分析某些样品和元素所需的时间。•由于超光元件的元素线长波长，自动压力控制（APC），X射线强度对光谱室中的真空度敏感。
基于L1-Norm和Dempster-Shafer理论的CSP的内部特征选择方法
摘要 - 常见的空间模式（CSP）算法是一种公认的空间过滤方法，用于运动成像（MI）基于脑部计算机的特征提取方法（BCIS）。然而，由于非统计学对电向形态学（EEG）的影响以及CSP目标函数的固有缺陷，空间滤波器以及它们相应的特征在CSP中使用的特征空间中不一定是最佳的。在这项工作中，我们设计了一种新功能选择方法来通过基于改进的目标函数选择功能来解决此问题。，改进是通过压制异常值和发现较大阶段距离的功能进行的。此外，提出了一种基于Dempster - Shafer理论的融合算法，该算法考虑了特征的分布。有了两个竞争数据集，我们首先根据分类精度，特征分布和嵌入性评估了改善目标函数的性能。然后，在精度和计算时间都进行了与其他特征选择方法的比较。实验结果表明，所提出的方法消耗的额外计算成本较少，并导致基于MI的BCI系统的性能显着提高。
面向可解释的增强智能（AI）进行裂缝表征
摘要：裂纹表征是工业部件和结构的 NDT&E（无损检测与评估）的核心任务之一。如今，执行此任务所需的数据通常使用超声相控阵收集。许多超声相控阵检查都是自动化的，但对其产生的数据的解释却不是。本文提供了一种设计可解释的 AI（增强智能）以应对这一挑战的方法。它描述了一个名为 AutoNDE 的 C 代码，它包括一个基于改进的全聚焦方法的信号处理模块，该方法可创建被评估样本的一系列二维图像；一个图像处理模块，用于过滤和增强这些图像；以及一个可解释的 AI 模块 - 决策树，它选择可能存在裂纹的图像，将那些看起来代表相同裂纹的图像分组，并为每个组生成一份可能的检查报告，供人工检查员审阅。AutoNDE 已在实验室收集的 16 个数据集上进行了训练，这些数据集通过对带有大型光滑平面缺口（包括嵌入式和表面破损）的钢样本进行成像而收集。它已在另外两个类似的数据集上进行了测试。本文介绍了此次训练和测试的结果，并详细描述了一种处理超声波数据中主要误差源（样本表面的起伏）的方法。
基于多目标优化的 SSVEP 脑机接口高通空间滤波
摘要 — 为了提高基于稳态视觉诱发电位 (SSVEP) 的脑机接口 (BCI) 的目标识别性能，已经提出了许多空间滤波方法。现有的方法倾向于仅使用来自同一刺激的训练数据来学习某个目标的空间滤波器参数，并且它们很少考虑来自其他刺激的信息或训练过程中的体积传导问题。在本文中，我们提出了一种新的基于多目标优化的高通空间滤波方法来提高 SSVEP 检测的准确性和鲁棒性。滤波器是通过最大化训练信号和来自同一目标的单个模板之间的相关性，同时最小化来自其他目标的信号与模板之间的相关性来得出的。优化还将受到滤波器元素之和为零的约束。在两组自采集的 SSVEP 数据集（分别包含 12 个和 4 个频率）上的评估研究表明，所提方法优于 CCA、MsetCCA、SSCOR 和 TRCA 等比较方法。所提方法还在 35 名受试者记录的公开 40 类 SSVEP 基准数据集上进行了验证。实验结果证明了所提方法对提升 SSVEP 检测性能的有效性。
评估两个不同大小的数据集上的双层特征选择的运动想象分类性能
摘要：已经进行了大量研究来从各个方面提高基于运动想象的脑机接口 (BCI) 分类性能。然而，在客观和主观数据集上比较他们提出的特征选择框架性能的研究有限。因此，本研究旨在提供一种新颖的框架，该框架将不同频带的空间滤波器与双层特征选择相结合，并在已发布和自获取的数据集上对其进行评估。对脑电图 (EEG) 数据进行预处理并将其分解为多个频率子带，然后根据 Fisher 比率和最小冗余最大相关性 (mRmR) 算法提取、计算和排序其特征。通过线性判别分析 (LDA) 选择信息滤波器组进行最佳分类。研究结果首先表明，所提出的方法在准确性和 F1 分数方面可与其他传统方法相媲美。研究还发现，手与脚的分类比左手与右手的分类更具可辨性（差异为 4-10%）。最后，在应用于小规模数据时，滤波器组通用空间模式（FBCSP，无特征选择）算法的性能明显低于所提出的方法（p = 0.0029、p = 0.0015 和 p = 0.0008）。
使用Plasonics的可编程定向颜色动力学
抽象的自适应多色滤波器已成为确保室外视觉设备的色彩准确性和分辨率的关键组成部分。但是，该技术的当前状态仍处于起步阶段，并且主要依赖于需要高压和笨重的结构设计的液晶器件。在这里，我们提出了由多层“活性”等离子体纳米复合材料组成的多色纳米过滤器，其中将其中的金属纳米颗粒嵌入了导电聚合物纳米纤维中。这些纳米复合材料使用晶圆级的“无光刻”方法以低于100 nm的总厚度制造，它们固有地表现出三种突出的光学模式，伴随散射现象，产生不同的二分色反射和透射颜色。在这里，关键的成就是所有这些颜色均通过施加的外部电压小于1 V进行电气操纵，其开关速度为3.5 s，涵盖了整个可见光谱。此外，这种可编程的多色函数可以在温暖的频谱（3250 K - 6250 K）上对白光的色温进行有效和动态调节。这种变革能力对于增强户外光学设备的性能非常有价值，这些设备独立于诸如太阳海拔和盛行天气状况之类的因素。
过完备小波框架扩展对脑电信息挖掘的潜力
脑电图 (EEG) 是通过放大和记录人体头皮上由大脑电流产生的电活动而获得的记录 (Zandi 等人，2011；Larson 和 Taulu，2018)。EEG 是脑成像科学中广泛使用的媒介，在脑机接口 (BCI；Gao 等人，2021) 研究中发挥着重要作用。BCI 是一种将脑信号转换为有用命令的在线计算机系统。到目前为止，不同类型的脑信号已被用于开发 BCI 系统。由于其方便和低成本，EEG 信号已成为 BCI 系统中的主要媒介。然而，实践证明，由于 EEG 信号能量较弱，EEG 信号的采集很容易受到各种噪声的干扰。为了从嘈杂的 EEG 信号中提取有用信息 (Shad 等人，2020)，在 EEG 信号分析中研究了各种信号处理方法。在脑信号分析中，提高信噪比是一个重要的预处理步骤。传统上，它是使用快速傅里叶变换（FFT）完成的（Wahab et al., 2021）。在BCI中，FFT也用于从EEG信号中实现显著特征的提取。短时傅里叶变换是FFT的增强，它可以生成EEG的二维频谱表示（Ha and Jeong，2019）。然而，STFT的主要缺点是其频率分辨率不可调。Huang提出了一种将STFT与卷积神经网络相结合用于生物医学信号分类的方法（Huang et al., 2019）。此外，基于傅里叶分析的数字滤波器也是EEG信号去噪的重要工具（Hsia and Kraft，1983）。它们的应用包括噪声伪影去除、特定频带的特征选择。尽管近年来新的脑电滤波技术不断涌现，但滤波技术并不是 BCI 研究的重点，相关研究也报告了数字滤波器的缺点（Alhammadi and Mahmoud，2016）。在过去的几十年中，随着计算能力的提高，许多更先进的信号处理方法被发明并投入实践。Upadhyay 提出了一种结合 S 变换和独立成分分析的新技术，用于脑电信号中的伪影消除和噪声抑制（Upadhyay et al.，2016）。Djemili 利用经验模态分解将脑电信号分解为固有模态函数，实现了正常和癫痫脑电特征的智能分类（Djemili et al.，2016）。Jiang 的研究中，提出了一种基于多词典的稀疏表示方法，用于癫痫脑电尖峰的自动检测（Jiang et al.，2020）。 Dora 应用变分模态分解来校正 EEG 测量中的伪影（Dora 和 Biswal，2020 年）。Chen 提出了一种稀疏傅里叶变换，并将其应用于电力线伪影消除（Chen et al.，2021b）。
人工智能推荐的另一面
人工智能推荐基于消费者偏好自动过滤信息，引发学者们的争论。支持者认为，通过分析消费者的偏好，人工智能推荐可以让消费者更快、更低成本地选择商品。批评者认为，人工智能推荐让消费者更容易陷入信息茧房，降低了消费者接触多种商品的可能性，从而降低了消费者的决策质量。本文基于实验，探讨了人工智能推荐对消费者偏好与信息茧房关系的调节作用，并检验了信息茧房与消费者决策质量之间的关系。研究发现：人工智能推荐强化了消费者的偏好，消费者的偏好与信息茧房呈正相关，进而导致消费者决策质量下降。在人工智能时代，本文有助于揭示人工智能推荐的阴暗面，为人工智能行为的规范提供经验证据。 © 2021 中国科学出版传媒有限公司。出版服务由 Elsevier BV 代表科爱传播有限公司提供。这是一篇根据 CC BY 许可协议提供的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。
卷积神经网络的语言识别
摘要。语音识别是计算机与人类之间的一种交流方式，是计算语言学或自然语言处理的一个分支，有着悠久的历史。自动语音识别 (ASR)、文本转语音 (TTS)、语音转文本、连续语音识别 (CSR) 和交互式语音响应系统是解决该领域问题的不同方法。性能的提高部分归因于深度神经网络 (DNN) 对语音特征中复杂相关性进行建模的能力。在本文中，与使用循环神经网络 (RNN) 处理语音等序列数据的传统模型不同，随着深度网络中不同架构的出现以及传统神经网络 (CNN) 在图像处理和特征提取中的良好性能，CNN 在其他领域的应用得到了发展。结果表明，可以通过 CNN 提取波斯语的韵律特征，对短文本进行语音分段和标记。通过使用 128 和 200 个滤波器作为 CNN 和特殊架构，检测率的误差为 19.46，并且比 RNN 更节省时间。此外，CNN 简化了学习过程。实验结果表明，CNN 网络可以成为各种语言语音识别的良好特征提取器。