XiaoMi-AI文件搜索系统
World File Search Systemsvr
通过功率分析
摘要：在量子密钥分布（QKD）中，理论模型和实际系统之间的差距打开了一些安全漏洞，并且可以通过EavesDroppers（EVE）利用它们以获取秘密密钥信息而未被检测到。这是一种有效的量子黑客黑客策略，严重威胁了实际QKD系统的安全性。在本文中，我们提出了对综合硅光子连续可变量子密钥分布（CVQKD）系统的新量子黑客攻击，该量子被称为功率分析攻击。可以通过在机器学习的帮助下分析状态准备中的集成电气控制电路的功率来实施此攻击，在此过程中，人们认为状态准备在初始安全性证明中是完美的。特别是，我们描述了可能的功率模型，并根据支持向量回归（SVR）算法显示完整的攻击。模拟结果表明，秘密密钥信息随着攻击的准确性的提高而降低，尤其是在噪音过多的情况下。尤其是夏娃不必闯入发射机芯片（Alice），并且可能在基于实用的芯片离散可变量子密钥分布（DVQKD）系统中进行类似的攻击。为了抵抗这种攻击，应改进电气控制电路以随机化相应的功率。此外，可以通过使用动态电压和频率缩放（DVFS）技术来降低功率。
使用回归分析监测单通道脑电图数据的轻度认知障碍的疾病严重程度
摘要：认知健康的声音偏差称为轻度认知障碍（MCI），尽早监测它以防止痴呆症，阿尔茨海默氏病（AD）和帕金森氏病（PD）等复杂疾病。传统上，使用蒙特利尔认知评估（MOCA）对MCI严重性进行了手动评分来监测。在这项研究中，我们提出了一种新的MCI严重性监测算法，并通过自动产生与MOCA评分等效的严重程度得分来回归分析单通道电 - 摄影（EEG）数据的提取特征。我们评估了用于算法开发的多试验和单轨分析。进行多试验分析，从与突出的事件相关电位（ERP）点和相应的时域特征中提取了590个特征，我们利用Lasso回归技术选择了最佳功能集。经典回归技术中使用了13个最佳特征：多元回归（MR），集合回归（ER），支持向量回归（SVR）和Ridge回归（RR）。对ER的最佳结果是1.6的RMSE和剩余分析。在单审分析中，我们从每个试验中提取了一个时间 - 频图图像，并将其作为对构建的卷积深神经网络（CNN）的输入。这种深CNN模型的RMSE为2.76。据我们所知，这是从单渠道脑电图数据中使用多试和单个数据生成与MOCA相当于MOCA的MCI严重程度的自动分数。
机器学习技术适用于基于光摄像学信号
摘要 - 芳香剂股骨脉冲波速度（CF-PWV）是对动脉刚度的金标准测量，该测量已被认为是有效的心血管疾病（CVD）风险生物标志物。尽管可靠且准确，但是测量CF-PWV的参考方法是耗时的，需要合格的从业者的干预。Photoplethysmography（PPG）是一种非侵入性成本效益的技术，其中包含有关心血管系统的各种信息。本文旨在通过PPG脉冲波分析来探索估计CF-PWV的潜力，以进行大规模的CVD风险筛查。我们的工作包括涉及两个机器学习模型和各种传感器位置的比较分析。基于从silico ppg信号中提取的基准点及其衍生物作为XGBoost和支持向量回归（SVR）模型的输入的一组功能。这些模型在模拟传感器位置上进行了训练，在不同的噪声水平上进行了评估，与以前的研究相比，具有可比性或优越的性能。该提出的方法可在低功率嵌入式处理器上部署。浅表颞动脉位置的信号表现出最佳性能，其R²为1.00，根平方误差（RMSE）为0.13。PPG信号与所提出的方法相结合，尤其是在使用表面颞动脉信号时，尤其是在使用表面上的PWV估计的潜力。我们的结果为所述方法的未来体内验证铺平了道路。索引术语 - 绘画学，机器学习，脉冲年龄，脉冲波速度
综述 人工智能辅助设计仿真技术在先进封装可靠性寿命预测中的应用概述
摘要：影响晶圆级先进封装可靠性的设计参数包括上下焊盘尺寸、焊料体积、缓冲层厚度、芯片厚度等。传统上，采用加速热循环试验（ATCT）来评估电子封装的可靠性寿命，但通过ATCT优化设计参数耗时长、成本高，减少实验次数成为关键问题。近年来，许多研究人员采用基于有限元的仿真设计（DoS）技术进行电子封装可靠性评估。DoS技术可以有效缩短设计周期、降低成本，并有效优化封装结构。然而，仿真分析结果高度依赖于研究人员个体，并且通常彼此不一致。人工智能（AI）可以帮助研究人员避免人为因素的缺点。本研究通过结合人工智能和仿真技术来预测晶圆级封装 (WLP) 可靠性，展示了 AI 辅助 DoS 技术。为了确保可靠性预测准确性，在创建大型 AI 训练数据库之前，通过多次实验验证了模拟程序。本研究研究了几种机器学习模型，包括人工神经网络 (ANN)、循环神经网络 (RNN)、支持向量回归 (SVR)、核岭回归 (KRR)、K 最近邻 (KNN) 和随机森林 (RF)。本研究根据预测准确性和 CPU 时间消耗对这些模型进行了评估。
使用优化和机器学习
摘要：准确的瞬时电力峰值负载预测对于有效的容量计划和具有成本效益的电力网络建立至关重要。本文旨在通过采用包含各种优化和机器学习（ML）方法的模型来提高瞬时峰值预测的准确性。本研究使用多线性回归（MLR）方程来研究独立输入对峰负荷估计的影响。这项研究利用1980年至2020年的输入数据，包括进出口数据，人口和国内生产总值（GDP），以预测瞬时电力峰值负载为输出值。根据误差指标，包括平均绝对误差（MAE），均方根误差（MSE），平均绝对百分比误差（MAPE），均方根误差（RMSE）和r 2评估这些技术的有效性。比较扩展到流行的优化方法，例如粒子群优化（PSO），以及该领域的最新方法，包括蒲公英优化器（DO）和淘金热优化器（GRO）。与常规机器学习方法进行了比较，例如支持向量回归（SVR）和人工神经网络（ANN），就其预测准确性而言。调查结果表明，ANN和GRO方法会产生最小的统计错误。此外，相关矩阵表明GDP与瞬时峰负载之间存在牢固的正线性相关性。所提出的模型显示出强大的预测能力来估计峰负荷，而ANN和GRO的表现与其他方法相比表现出色。
基于有限元的机器学习框架，用于预测分娩过程中盆底肌肉的机械行为
医学界一直致力于深入了解影响全球数百万女性的分娩创伤。母体病变的诊断可能具有挑战性，检查费用也很高。为了更好地理解盆底肌肉 (PFM) 损伤的机制，生物力学模拟可能是一种有价值的工具。然而，利用有限元法 (FEM) 进行模拟可能是一个耗时的过程。为了解决这个问题，本研究旨在通过在 FEM 模拟数据上训练 ML 算法来开发一个机器学习 (ML) 框架，以预测分娩期间 PFM 的压力。为了生成用于 ML 算法训练的数据集，使用不同的材料特性进行分娩模拟以表征 PFM。采用了四种 ML 算法，即随机森林 (RF)、极端梯度提升 (XGBT)、支持向量回归 (SVR) 和人工神经网络 (ANN)，考虑两种情况：(1) 肌肉最大拉伸水平的应力预测，以及 (2) 胎儿下降的多个水平。结果表明，ANN 在前者中表现最佳，平均绝对误差 (MAE) 为 0.191 MPa。在后者中，XGBT 对胎儿下降 20 和 35 毫米的误差较低，MAE 值分别为 0.002 和 0.028 MPa。然而，ANN 对 50 和 65 毫米的预测效果更好，MAE 值分别为 0.214 和 0.187 MPa。本研究首次尝试将基于 FEM 的 ML 算法与分娩模拟结合使用，以在常规临床程序中获得近乎实时的预测。
评估机器学习和深度学习模型，以根据环境因素预测风力涡轮机的功率输出
本研究对机器学习 (ML) 和深度学习 (DL) 模型进行了全面的比较分析，这些模型用于根据温度、湿度、风速和风向等环境变量预测风力涡轮机 (WT) 的功率输出。除了人工神经网络 (ANN)、长短期记忆 (LSTM)、循环神经网络 (RNN) 和卷积神经网络 (CNN) 外，还研究了以下 ML 模型：线性回归 (LR)、支持向量回归器 (SVR)、随机森林 (RF)、额外树 (ET)、自适应增强 (AdaBoost)、分类增强 (CatBoost)、极端梯度增强 (XGBoost) 和轻梯度增强机 (LightGBM)。使用 40,000 个观测值的数据集，根据 R 平方、平均绝对误差 (MAE) 和均方根误差 (RMSE) 对模型进行了评估。在 ML 模型中，ET 的性能最高，R 平方值为 0.7231，RMSE 为 0.1512。在 DL 模型中，ANN 的性能最佳，R 平方值为 0.7248，RMSE 为 0.1516。结果表明，DL 模型（尤其是 ANN）的表现略优于最佳 ML 模型。这意味着它们更擅长对多变量数据中的非线性依赖关系进行建模。预处理技术（包括特征缩放和参数调整）通过增强数据一致性和优化超参数来提高模型性能。与之前的基准相比，ANN 和 ET 的性能均表明 WT 功率输出预测的预测准确度有显著提高。这项研究的新颖之处在于直接比较了各种 ML 和 DL 算法，同时强调了先进计算方法在可再生能源优化方面的潜力。
定量分析和工业二氧化碳的预测...
摘要：为了响应越来越多的气候关注，精确的工业二氧化碳（CO2）排放预测至关重要。采用先进的机器学习（ML）技术，本研究着重于使用来自数据数据集中的全球数据（包含有关水泥，煤炭，燃料，燃烧，天然气和石油工业的年度排放信息）的全球数据的预测工业二氧化碳排放。探索了包括支持向量回归（SVR），线性回归和XGBoost在内的各种回归模型，主要重点是时间序列预测年度CO2排放的模型。利用时间序列的预测，排放数据中复杂的时间趋势是有发现的，提供了增强的预测性见解。CO2预测文献进行了审查，收集和预处理数据，并实施了各种ML算法，然后进行了超参数调整。经过严格训练和评估的模型产生准确的排放预测。结果强调了由斯坦福大学与Facebook Inc.开发的Transformer模型和神经先知图书馆的出色表现，RMSE得分为416.58和470.30，与349.07和380.40相比，MAE的MAPE得分为0.01，MAPE得分均为0.01，相对较低。DEEPTCN还表现出竞争性的预测能力，但缺乏变压器模型和神经先知模型的准确性。与神经先知和变形金刚相比，包括Arima，Naive预测，自动回归（AR），指数平滑和Sarima滞后的传统模型。这些发现强调了ML在推进可持续的环境管理方面的有希望的作用，并为随后的研究努力铺平了道路。关键字：二氧化碳排放，工业排放，可持续性，环境AI，机器学习，时间序列预测。
混合机器学习模型用于细粒度的空气...
1,2,3 CSE工程技术学院，印度大诺伊达市Sharda University，摘要空气污染已成为一个主要的环境问题，每年导致许多死亡，并使环境和人类健康处于严重的风险。 它会导致温室效应，导致全球变暖，并增加影响肺癌和其他影响呼吸系统（包括过敏）的疾病的风险。 设置和维护严格的空气质量标准对于有效打击空气污染至关重要。 空气质量指数（AQI）是用于确定大气中污染物量的测量值。 通过利用机器学习算法的功能，可以使细粒度AQI的精确预测可行。 为了预测AQI，已经使用了许多算法，包括逻辑回归，决策树回归，KNN，SVR和线性回归。 该项目的主要目标是使用机器学习算法创建模型，并确定哪种模型最适合AQI预测。 关键字：空气质量，预测，算法，随机森林，线性回归1。 引入由于所有身体细胞起作用都是必要的，因此它是生活中最重要的方面。 空气是我们星球上重要的组成部分，具有巨大的意义。 尽管人类可以在没有水的情况下生存几天，但我们的存在仅限于仅三分钟而没有空气。 通过循环温暖和潮湿的空气，它在地球表面保持稳定的温度。 此外，空气在影响水周期中起着至关重要的作用。1,2,3 CSE工程技术学院，印度大诺伊达市Sharda University，摘要空气污染已成为一个主要的环境问题，每年导致许多死亡，并使环境和人类健康处于严重的风险。它会导致温室效应，导致全球变暖，并增加影响肺癌和其他影响呼吸系统（包括过敏）的疾病的风险。设置和维护严格的空气质量标准对于有效打击空气污染至关重要。空气质量指数（AQI）是用于确定大气中污染物量的测量值。通过利用机器学习算法的功能，可以使细粒度AQI的精确预测可行。为了预测AQI，已经使用了许多算法，包括逻辑回归，决策树回归，KNN，SVR和线性回归。该项目的主要目标是使用机器学习算法创建模型，并确定哪种模型最适合AQI预测。关键字：空气质量，预测，算法，随机森林，线性回归1。引入由于所有身体细胞起作用都是必要的，因此它是生活中最重要的方面。空气是我们星球上重要的组成部分，具有巨大的意义。尽管人类可以在没有水的情况下生存几天，但我们的存在仅限于仅三分钟而没有空气。通过循环温暖和潮湿的空气，它在地球表面保持稳定的温度。此外，空气在影响水周期中起着至关重要的作用。我们目前的呼吸不仅可以维持我们的生活，而且在我们对生活的满意程度中起着至关重要的作用。低空气质量有可能显着影响健身。在其他呼吸系统疾病中，受污染的空气可导致肺癌，支气管炎，肺炎，结核病和哮喘。根据估计，由于空气污染，全世界约有700万个人每年都在悲惨地丧生。此外，除了对温度和海平面的不利影响外，空气污染还可以在加剧全球变暖的情况下发挥作用，这在热量被困在大气中时会发生。这可能导致传染病的传播以及温度升高和海平面升高。可以量化空气的质量。空气质量的数值指标是空气质量指数或AQI。这是0到500之间的数值，代表空气污染的水平和保持拟合的困难。五十或更低的AQI被认为是精确的空气，而三百或更多的AQI被归类为有害的一流。基于潜在的健康风险，AQI分为六个类别。为了易于解释，每个类别都有不同的颜色。绿色（零50），黄色（51-100），橙色（100和100五十）和深红色是六个类。
p-ISSN: 2407-7275, e-ISSN: 2686-3251 原创研究论文 使用单电极 EEG 设备和 BCI 的大脑控制轮椅
这通过简单的 4 个步骤完成：步骤 1 使用显著障碍物识别算法来识别显著障碍物。为了识别显著障碍物，引入了动态过滤。我们逐个检查差异图像，我们设置一个边缘值，如果差异值更大，那么我们将这些点标记为障碍物。利用这种方式，大量的地面点被删除。对于由于参数选择不当而保留在显著障碍物图中的其余地面点，我们然后逐个部分执行。如果每个差异值的数量不完全是给定的极限，则将相关值设置为零。通过这种方式，删除地面点和小障碍物点。步骤 2 计算 3D 点云并优化显著障碍物识别。这个阶段很快，因此我们使用基于形态学模拟的区域填充算法。使用过滤器来删除剩余的噪声。由于部分检查以相同的高度移除景观，因此对突出障碍物地图和其余部分处理 3D 点云。然后获取最低高度，并将任何大于此高度的点归为显著点。阶段 3 使用改进的空间变化目标 (SVR) 算法来识别小障碍物。首先，在过滤时我们将目标减小 1/n。其次，算法检查测试的点，如果发现一个好点，则重新过滤截断三角形。第三，将比较的 3D 点彼此相距不超过欧几里得距离 f 的像素标记为障碍物点，从而识别出厚障碍物。阶段 4 合并突出障碍物地图和小障碍物地图以获得最终的障碍物识别算法结果。5. 结论构建了 BCI 接口，可以读取用于驾驶轮椅的 EEG 信号，而无需任何形式的物理输入。这些脑电图信号使用单个单极电极读取，并通过蓝牙接口输入计算机系统。计算机将信号分为 3 类，即