XiaoMi-AI文件搜索系统
World File Search Systemusers
人工智能 (AI) 正在影响数十亿媒体用户的日常生活 (Wölker & Powell, 2021)。算法是一种流行且有效的方法，可以
人工智能 (AI) 正在影响数十亿媒体用户的日常生活 (Wölker & Powell, 2021)。算法是在线公司使用的流行且有效的工具，但它们的流行是以系统性歧视、有限的透明度和模糊的责任制为代价的 (Moller 等人，2018)。算法过滤程序可能导致比人类处理的流程更公正，因此可能更公平。然而，算法推荐过程因其加剧/再现偏见、歪曲事实、信息不对称和过程不透明的倾向而受到批评 (Ananny & Crawford, 2018)。算法偏见可能会加剧机器学习自动化和延续不公正和歧视模式的算法不公正 (Hoffman, 2019)。
机器人声音和出现对用户的影响...
THE EFFECTS OF ROBOT VOICES AND APPEARANCES ON USERS' EMOTION RECOGNITION 1 AND SUBJECTIVE PERCEPTION 2 3 SANGJIN KO 1 , JACLYN BARNES 2 , JIAYUAN DONG 1 , CHUNGHYUK PARK 3 , AYANNA HOWARD 4 AND MYOUNGHOON 4 JEON 12* 5 6 1 Grado Department of Industrial and Systems Engineering, Virginia Polytechnic Institute and State University, Blacksburg, VA, USA 7 2 Department of Computer科学，密歇根州技术大学，美国密歇根州霍顿8 3美国乔治华盛顿大学乔治华盛顿大学生物医学工程系9 4美国俄亥俄州立大学电气和计算机工程系，俄亥俄州哥伦布，俄亥俄州，美国俄亥俄州，美国俄亥俄州10 11 *通讯作者：Myounghoon Jeon Tel。： +1-540-231-3510，电子邮件：myounghoonjeon@vt.edu 12 13作为社会机器人在人们日常生活中的影响，对人们了解人们对机器人的看法，包括社交性，14信任，接受，接受和偏好的研究变得更加普遍。研究已经考虑了表达机器人情绪的视觉，声音或触觉提示，而15的研究几乎没有研究在研究影响情绪感知的不同因素之间的相互作用时提供了整体观点。我们通过改变机器人的语音类型，外观和17个情感，调查了在对话任务中用户对机器人的多个方面。在我们的实验中，二十名参与者与两个具有四种不同语音类型的机器人进行了互动。当参与者向机器人阅读18个童话故事时，机器人发表了7种情感的声音反馈，参与者通过19次调查评估了机器人的个人资料。纯语音条件的后续研究（n = 10）证实了实施方案的重要性。结果表明，1）情感感知的准确性因情绪的不同而有所不同，2）常规的人类声音20显示了更高的用户偏好和自然性，3）但是，特征性的声音更适合表达情绪的表达情绪高度明显高21，而4）参与者表现出比与人类动物robot相比，参与者表现出更高的情感识别的精度。这项研究的结果23可以提供设计社交机器人所需的准则，这些机器人在机器人24和用户之间的对话中考虑情感方面。25 26关键字：社交机器人；会话代理；情感声音；用户感知；用户偏好27 28
涡轮增压器用扩散器和护罩 Fluorosint® 500 PTFE ...
四十多年来，Fluorosint ® 500 PTFE 一直是耐磨聚合物密封件的行业标准。在气体分配泵系统中，喘振现象很常见。为了解决这个问题，叶轮和扩散器之间会留出较大的间隙，导致机器效率低下。为了减少间隙并提高压缩机性能，添加 Fluorosint ® 500 PTFE 护罩插件是解决方案。作为额外好处，除了效率提高之外，Fluorosint ® 500 PTFE 还成为牺牲组件，在发生接触时可防止高价叶轮被损坏。
解读吸毒者的情绪：面部和身体情绪识别以及厌恶情绪的证据
摘要：背景：不同的药物会损害额叶皮质，特别是与情绪和认知功能有关的前额叶区域，导致药物滥用者解码情绪缺陷。本研究旨在通过面部、身体和厌恶情绪识别探索药物滥用者的认知障碍，扩大情绪处理的研究范围，测量准确性和反应速度。方法：我们招募了 13 名可卡因成瘾者和 12 名酒精成瘾者，他们在意大利接受治疗服务，并与 33 名匹配的对照组进行比较。实验评估包括面部情绪和身体姿势识别任务、厌恶评级任务和 Barrat 冲动量表。结果：我们发现情绪过程受到可卡因和酒精的不同影响，这表明这些物质会影响不同的大脑系统。结论：药物滥用者在面部、身体和厌恶情绪的阐述方面似乎不太准确。考虑到参与者没有认知障碍，我们的数据支持情绪障碍独立于认知功能损害而出现的假设。
使用深度学习对运动想象脑电图进行分类可提高低效 BCI 用户的表现
运动想象脑机接口 (MI-BCI) 是人工智能驱动的系统，可捕捉与运动心理想象相关的大脑活动模式，并将其转换为外部设备的命令。传统上，MI-BCI 采用机器学习 (ML) 算法，需要大量信号处理和特征工程来提取感觉运动节律 (SMR) 的变化。近年来，深度学习 (DL) 模型在 EEG 分类中越来越受欢迎，因为它们提供了一种自动提取信号中时空特征的解决方案。然而，过去使用 DL 模型的 BCI 研究只对一小部分参与者进行了尝试，而没有调查这种方法对不同用户群（例如低效用户）的有效性。BCI 低效是 BCI 文献中已知且未解决的问题，通常定义为用户无法为 BCI 分类器生成所需的 SMR 模式。在本研究中，我们评估了 DL 模型在捕捉 MI 特征方面的有效性，尤其是在低效用户中。记录了 54 名执行左手或右手抓握 MI 任务的受试者的 EEG 信号，以比较两种分类方法（ML 方法和 DL 方法）的性能。在 ML 方法中，使用常见空间模式 (CSP) 进行特征提取，然后采用线性判别分析 (LDA) 模型对 MI 任务进行二元分类。在 DL 方法中，在原始 EEG 信号上构建卷积神经网络 (CNN) 模型。此外，根据在线 BCI 准确度将受试者分为高绩效者和低绩效者，并在各组之间比较两个分类器的性能差异。我们的结果表明，CNN 模型将所有受试者的分类准确度提高了 2.37% 到 28.28% 之间，但更重要的是，对于低绩效者，这种改进明显更大。我们的研究结果表明，在未来的 MI-BCI 系统中，DL 模型有望应用于原始 EEG 信号，特别是对于无法为传统 ML 方法产生所需感觉运动模式的 BCI 低效用户而言。
酒店业的语音助理：使用人工智能为客户服务。目的——语音助理 (VA) 通过识别人类语音并执行用户发出的命令来增强人机交互。本文研究了酒店业中酒店与客人之间基于 VA 的互动。该研究将 VA 置于人工智能 (AI) 支持的物联网 (IoT) 环境中，颠覆了旧的做法和流程。智能酒店业使用 VA 以经济高效的方式为客人提供轻松的价值共同创造。该研究调查了消费者对酒店业 VA 的看法和期望，并通过专家技术提供商探索 VA 功能。设计/方法/方法——这篇实证论文研究了 VA 在酒店环境中的当前使用情况和未来影响。它使用定性、半结构化的深入访谈，采访了 7 位专家酒店业 VA 技术提供商和 21 位有 VA 经验的酒店客人。该研究采用供需方法，全面解决酒店业中的 VA。发现——研究结果表明，酒店和客人两方终端用户的需求，探讨了 VA 的优势和挑战。分析表明，VA 正日益成为数字助理。VA 技术可帮助酒店改善客户服务、扩大运营能力并降低成本。尽管尚处于起步阶段，但 VA 技术已在优化酒店运营和升级客户服务方面取得了进展。该研究提出了一种语音交互模型。原创性——VA 研究通常侧重于私人家庭中的技术，而不是商业或酒店空间中的技术。本文为智能酒店业中有关人工智能和物联网的新兴文献做出了贡献，并探讨了 VA 的接受度和操作性。该研究有助于概念化 VA 支持的酒店服务，并探索其积极和消极特征以及未来前景。研究局限性/含义——本研究通过使用 VA 和智能酒店和旅游生态系统的发展来促进酒店服务的转型。该研究可以从与酒店经理的进一步研究中受益，以反映酒店经营者的观点并调查他们对 VA 的看法。进一步的研究还可以探索不同背景下消费者与虚拟助理互动的不同方面。实际意义——本文对酒店管理和人机交互最佳实践做出了重大贡献。它支持技术提供商重新考虑如何开发合适的技术解决方案，以提高其战略竞争力。它还解释了如何经济高效地使用虚拟助理，同时为旅行者的体验增加价值。
酒店业的语音助理：使用人工智能为客户服务。目的——语音助理 (VA) 通过识别人类语音并执行用户发出的命令来增强人机交互。本文研究了酒店业中酒店与客人之间基于 VA 的互动。该研究将 VA 置于人工智能 (AI) 支持的物联网 (IoT) 环境中，颠覆了旧的做法和流程。智能酒店业使用 VA 以经济高效的方式为客人提供轻松的价值共同创造。该研究调查了消费者对酒店业 VA 的看法和期望，并通过专家技术提供商探索 VA 功能。设计/方法/方法——这篇实证论文研究了 VA 在酒店环境中的当前使用情况和未来影响。它使用定性、半结构化的深入访谈，采访了 7 位专家酒店业 VA 技术提供商和 21 位有 VA 经验的酒店客人。该研究采用供需方法，全面解决酒店业中的 VA。发现——研究结果表明，酒店和客人两方终端用户的需求，探讨了 VA 的优势和挑战。分析表明，VA 正日益成为数字助理。VA 技术可帮助酒店改善客户服务、扩大运营能力并降低成本。尽管尚处于起步阶段，但 VA 技术已在优化酒店运营和升级客户服务方面取得了进展。该研究提出了一种语音交互模型。原创性——VA 研究通常侧重于私人家庭中的技术，而不是商业或酒店空间中的技术。本文为智能酒店业中有关人工智能和物联网的新兴文献做出了贡献，并探讨了 VA 的接受度和操作性。该研究有助于概念化 VA 支持的酒店服务，并探索其积极和消极特征以及未来前景。研究局限性/含义——本研究通过使用 VA 和智能酒店和旅游生态系统的发展来促进酒店服务的转型。该研究可以从与酒店经理的进一步研究中受益，以反映酒店经营者的观点并调查他们对 VA 的看法。进一步的研究还可以探索不同背景下消费者与虚拟助理互动的不同方面。实际意义——本文对酒店管理和人机交互最佳实践做出了重大贡献。它支持技术提供商重新考虑如何开发合适的技术解决方案，以提高其战略竞争力。它还解释了如何经济高效地使用虚拟助理，同时为旅行者的体验增加价值。
如何向最终用户解释人工智能系统
摘要目的——难以捉摸的机器学习 (ML) 模型越来越多地成为信息系统的一部分。了解这些模型的行为方式以及它们的输出基于什么，对开发人员来说都是一个挑战，更不用说非技术最终用户了。设计/方法/方法——作者通过系统的文献综述研究如何向最终用户解释人工智能系统及其决策。结果——作者对文献的综合表明，人工智能系统与最终用户的通信有五个高级目标：(1) 可理解性、(2) 可信度、(3) 透明度、(4) 可控性和 (5) 公平性。作者提出了几项设计建议，例如提供个性化和按需解释，并专注于关键功能的可解释性，而不是旨在解释整个系统。人工智能系统解释存在多种权衡，没有一种适合所有情况的最佳解决方案。研究的局限性/含义——基于综合，作者提供了一个向最终用户解释人工智能系统的设计框架。本研究通过提出如何使人工智能系统更易于理解、公平、可信、可控和透明的指导方针，为人工智能治理工作做出了贡献。原创性/价值——这篇文献综述汇集了有关人工智能系统通信和面向最终用户的可解释人工智能 (XAI) 的文献。基于该主题的先前学术文献，它提供了综合见解、设计建议和未来研究议程。关键词可解释人工智能、解释性人工智能、XAI、机器学习、人机交互、最终用户、文献综述、系统文献综述论文类型研究论文
转移学习算法，以减少长期用户的脑部计算机界面校准时间
当前基于运动图像的大脑计算机界面（BCI）系统需要在每个会话开始时进行较长的校准时间，然后才能以足够水平的分类精度使用。特别是，对于长期BCI用户而言，此问题可能是重大负担。本文提出了一种新颖的转移学习算法，称为R-KLWDSA，以减少长期用户的BCI校准时间。建议的R-KLWDSA算法使用一种新的线性比对方法，将以前会话中用户的脑电图数据与当前会话中收集的少数EEG试验相结合。此后，先前会议的EEG试验和当前会话中的少量EEG试验进行了对齐的EEG试验，然后通过加权机制融合了它们在用于校准BCI模型之前。为了验证所提出的算法，使用了一个大型数据集，其中包含来自11名中风患者的脑电图数据，每个患者进行了18个BCI会议。与会议特定算法相比，所提出的框架表明，分类准确性的显着提高了4％以上，而本课程中每个课程可获得的两次试验少于两项试验。所提出的算法在提高初始会议准确性低于60％的会话的BCI准确性方面特别成功，其准确性的平均提高约为10％，导致中风患者具有有意义的BCI康复。
时间和频率用户手册 - GovInfo
频率测量的理论 41 时间间隔测量 42 使用测量系统 44 计算机控制的测量系统 46 参考频率 47 分频器 48 时间间隔计数器 48 计算机 49 测量系统的输出 50 系统的日常操作 51 记录保存 53 频率测量的可追溯性 53 频率校准测量的内容 55 总结 60
时间和频率用户手册 - GovInfo
频率测量的理论 41 时间间隔测量 42 使用测量系统 44 计算机控制的测量系统 46 参考频率 47 分频器 48 时间间隔计数器 48 计算机 49 测量系统的输出 50 系统的日常运行 51 记录保存 53 频率测量的可追溯性 53 频率校准测量的内容 55 总结 60