XiaoMi-AI文件搜索系统
World File Search Systemnetworkx
2021–2024 物理学硕士学位 2017– ...
相关项目： – 量子淬灭后格点规范理论的量子模拟（https://drive.google.com/drive/u/0/folders/113pm13QIyIRPQuMZiHX-8uRdz9PXEJDf，我体验了使用 Qiskit 的工作，对量子平台的硬件能力进行了基准测试） – 在高级研究技能课程中，关于量子淬灭后的纠缠熵的信息性演讲 – 多临界性和 Yang-Lee 边缘奇点（https://drive.google.com/drive/u/0/folders/17VK53EdXmCIPo5OccIqZI4-_q3cJTXeR，我了解了临界 Ising 模型和三临界 Ising 模型的非幺正变形、截断共形空间方法） – 2D Ising 系统：复杂网络视角（ https://drive.google.com/drive/u/0/folders/1mRjI1uBjI9NZe6e5ftRw9Xu0ssCN_Ir4，我有过使用 NetworkX 的经验，使用网络度量来表征临界性）– 哈伯德模型及其原子极限（https://drive.google.com/drive/u/0/folders/13wfrKaYWZAF2HMEzj1dL_Usr_i5NJVqQ，我了解了使用运动方程方法来计算格林函数）。
基于 AI 的网络拓扑优化系统
摘要 – 现有的网络拓扑规划没有充分考虑日益增长的网络流量和链路容量利用不均衡的问题，导致资源利用率较低，也增加了网络建设的不必要投入。本文介绍的基于人工智能的网络拓扑优化系统，构建了用于时间序列流量预测的长短期记忆（LSTM）模型，利用Python库NetworkX进行图分析，根据节点流量动态地通过删边或增边来优化网络拓扑，并在节点流量增加时保证网络负载均衡，主要详细介绍了LSTM预测模型的构建过程、参数优化策略以及网络拓扑优化等内容。该系统能够有效提升资源利用率，对复杂网络拓扑的优化具有重要意义。本文最后对人工智能未来的发展进行了展望，并提出了与运营商网络合作、建立跨界生态发展的可能性。
吃豆人的人工智能算法
印度安得拉邦。摘要：该项目是关于开发带有人工智能的吃豆人游戏。吃豆人游戏是一款非常具有挑战性的视频游戏，可用于进行人工智能研究。在这里，我们为吃豆人游戏实施各种人工智能算法的原因是，它有助于我们通过使用可视化来研究人工智能，通过可视化我们可以更有效地理解人工智能。主要目的是构建一个智能吃豆人代理，该代理可以通过迷宫找到最佳路径以找到特定目标，例如特定的食物位置，逃离鬼魂。为此，我们实施了人工智能搜索算法，例如深度优先搜索、广度优先搜索、A*搜索、均匀成本搜索。我们还实施了多代理，例如反射代理、极小最大代理、Alpha-beta 代理。通过这些多代理算法，我们可以让吃豆人根据其环境条件做出反应并逃离鬼魂以获得高分。我们还完成了上述人工智能算法的可视化部分，任何人都可以轻松学习和理解人工智能算法。为了实现算法的可视化，我们使用了 Python 库 matplotlib 和 NetworkX（用于绘制所探索状态的图形）。
Kardan工程技术杂志（KJET）
心血管疾病（CVD）是全球死亡率的主要原因，准确的预测模型对于改善预防和管理策略至关重要。本研究通过基于相关的图形结构和加权链路预测算法来解决增强CVD风险预测的挑战。使用Pearson和Spearman相关方法，我们将包含1025个患者记录和14个关键特征的综合数据集转换为图形结构。基于相关的图形结构捕获特征依赖性，通过将变量关系表示为网络中的边缘。为了评估图形表示的有效性，我们应用了加权链路预测算法，包括加权共同邻居（WCN），加权优先附着（WPA）和加权Jaccard系数（WJC）。基于Pearson相关的网络表现出非凡的性能，WCN算法在曲线（AUC）下达到99.80％的面积，精度为48.0％。相比之下，基于Spearman相关的网络显示出强大的结果，WJC的AUC为96.60％，精度为67.16％。在jupyter环境中使用Python进行的比较分析，并采用了诸如NetworkX和各种统计文库之类的库，突出了基于相关图在CVD数据中捕获线性和非线性关系的卓越能力。虽然有希望，但该研究承认与数据集大小和计算复杂性有关的局限性。我们的发现表明，基于相关的图形方法可显着增强CVD预测，提供更个性化的CVD预防和管理方法。
乳腺癌防治知识图谱：基于文献的数据分析研究
背景：乳腺癌发病率一直居高不下，自21世纪以来持续上升。因此，针对乳腺癌预防和治疗的研究工作显著增加。尽管关于这一主题的文献资料丰富，但缺乏系统的整合。为了解决这个问题，知识图谱已成为一种有价值的工具。知识图谱通过利用其强大的知识整合能力，为理解乳腺癌预防和治疗提供了一种全面而结构化的方法来理解乳腺癌的预防和治疗。目的：我们旨在整合乳腺癌治疗和预防方面的文献数据，构建知识图谱，并为临床决策提供支持。方法：我们使用医学主题词搜索 2018 年至 2022 年期间在 PubMed 上发表的乳腺癌预防和治疗临床试验文献。我们从语义 MEDLINE 数据库 (SemMedDB) 下载三重数据，并将其与检索到的文献进行匹配，以获得目标文章的三重数据。我们使用 NetworkX 将三重信息可视化以进行知识发现。结果：在近5年的文献研究范围内，恶性肿瘤出现频率最高（587/1387，42.3%），药物治疗（267/1387，19.3%）为主要治疗方法，曲妥珠单抗（209/1805，11.6%）为最常用的治疗药物。通过知识图谱的分析，我们发现不同类型的乳腺癌的治疗方法、治疗药物和预防措施之间存在复杂的关系网络。结论：本研究构建了乳腺癌防治知识图谱，实现了近5年相关文献的整合和知识发现，研究者可以从图中洞察治疗方法、药物、治疗不良反应的预防知识以及不同知识领域之间的关联。