XiaoMi-AI文件搜索系统
World File Search System人工神经网络
原创文章 人工智能增强篮球罚球的运动学分析 BEKIR KARLIK 1、MUSA HAWAMDAH 2 1 埃波卡大学计算机工程系，地拉那，阿尔巴尼亚 2 塞尔丘克大学计算机工程系，科尼亚，土耳其 在线发表：2024 年 12 月 30 日 接受发表：2024 年 12 月 15 日 DOI：10.7752/jpes.2024.12321 摘要：问题陈述和方法：在篮球比赛中，罚球的成功与否取决于球的出手角度、在空中的正确位置以及最佳速度运动特征。本研究利用人工智能（AI）研究了篮球运动员在疲劳前后执行罚球的运动学特征。材料和方法：我们使用了各种监督机器学习算法，包括：k-最近邻 (k-NN)、朴素贝叶斯、支持向量机 (SVM)、人工神经网络 (ANN)、线性判别分析 (LDA) 和决策树。这些算法用于对从球员收集的运动数据得出的特征进行分类，以揭示他们在不同疲劳程度下的投篮机制的模式和变化。当球员在疲劳前后成功和不成功投篮时，在球释放点测量肘部、躯干、膝盖和踝关节角度。有两种方法可用于对这些特征进行分类：第一种方法是直接使用行数据；另一种是使用主成分分析 (PCA) 减少数据。对于这两种方法，数据在应用于分类器之前都在 0-1 之间归一化。结果：我们通过使用朴素贝叶斯分类器对行数据获得了 98.44% 的最佳分类准确率。此外，使用 PCA 对减少数据进行 ANN 的结果显示最佳分类准确率 95.31%。研究结果揭示了疲劳引起的投篮力学的不同模式和变化，并强调了机器学习模型在分析生物力学数据方面的有效性。讨论和结论：这些结果有助于制定训练计划，以提高疲劳状态下的表现和一致性。这项研究强调了人工智能和数据驱动方法在运动生物力学中的潜力，可以为运动员表现和疲劳管理提供有价值的见解。关键词：智能算法、运动生物力学、运动数据、疲劳引起的变化简介在对各种运动进行的研究中已经观察到功能技能和基于技能的运动模式之间的差异。评估功能技能比评估基于技能的运动模式更具挑战性（Goktepe 等人，2009 年；Abdelkerim 等人，2007 年；Chappell 等人，2005 年）。例如，Goktepe 等人（2009 年）利用统计分析来证明踝关节、肩膀和肘部角度对网球发球的影响。Abdelkerim 等人（2007）展示了篮球运动员的计算机化时间运动分析，而 Chappell 等人（2005）则研究了在进行疲劳前和疲劳后练习的三个停跳任务中落地和跳跃动作中改变的运动控制策略。评估基于技能的收缩、适当的肌肉发力时间和关节定位等因素相对容易。值得注意的是，个人之间的动作执行和技能习得存在差异。在篮球罚球中，关节角度是足以将投篮分为不同类别的基本特征（Schmidt 等人，2012；Ge，2024；Zhang & Chen，2024）。疲劳是人类活动的自然结果，会影响运动员在训练和比赛期间的认知和学习能力。虽然大多数研究认为疲劳是影响表现的一个关键因素（Forestier & Nougier，1998；Apriantono 等人，2006），但一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010；Rusdiana 等人，2019；Li，2021；Bourdas 等人，2024）。例如，Uygur 等人（2010）基于统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024）则专注于疲劳对三分跳投的影响。Li 等人（2021）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中尚未发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同数据源或机器学习技术在结构分析和语义提取中的作用。这项研究是首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析
原创文章 人工智能增强篮球罚球的运动学分析 BEKIR KARLIK 1、MUSA HAWAMDAH 2 1 埃波卡大学计算机工程系，地拉那，阿尔巴尼亚 2 塞尔丘克大学计算机工程系，科尼亚，土耳其 在线发表：2024 年 12 月 30 日 接受发表：2024 年 12 月 15 日 DOI：10.7752/jpes.2024.12321 摘要：问题陈述和方法：在篮球比赛中，罚球的成功与否取决于球的出手角度、在空中的正确位置以及最佳速度运动特征。本研究利用人工智能（AI）研究了篮球运动员在疲劳前后执行罚球的运动学特征。材料和方法：我们使用了各种监督机器学习算法，包括：k-最近邻 (k-NN)、朴素贝叶斯、支持向量机 (SVM)、人工神经网络 (ANN)、线性判别分析 (LDA) 和决策树。这些算法用于对从球员收集的运动数据得出的特征进行分类，以揭示他们在不同疲劳程度下的投篮机制的模式和变化。当球员在疲劳前后成功和不成功投篮时，在球释放点测量肘部、躯干、膝盖和踝关节角度。有两种方法可用于对这些特征进行分类：第一种方法是直接使用行数据；另一种是使用主成分分析 (PCA) 减少数据。对于这两种方法，数据在应用于分类器之前都在 0-1 之间归一化。结果：我们通过使用朴素贝叶斯分类器对行数据获得了 98.44% 的最佳分类准确率。此外，使用 PCA 对减少数据进行 ANN 的结果显示最佳分类准确率 95.31%。研究结果揭示了疲劳引起的投篮力学的不同模式和变化，并强调了机器学习模型在分析生物力学数据方面的有效性。讨论和结论：这些结果有助于制定训练计划，以提高疲劳状态下的表现和一致性。这项研究强调了人工智能和数据驱动方法在运动生物力学中的潜力，可以为运动员表现和疲劳管理提供有价值的见解。关键词：智能算法、运动生物力学、运动数据、疲劳引起的变化简介在对各种运动进行的研究中已经观察到功能技能和基于技能的运动模式之间的差异。评估功能技能比评估基于技能的运动模式更具挑战性（Goktepe 等人，2009 年；Abdelkerim 等人，2007 年；Chappell 等人，2005 年）。例如，Goktepe 等人（2009 年）利用统计分析来证明踝关节、肩膀和肘部角度对网球发球的影响。Abdelkerim 等人（2007）展示了篮球运动员的计算机化时间运动分析，而 Chappell 等人（2005）则研究了在进行疲劳前和疲劳后练习的三个停跳任务中落地和跳跃动作中改变的运动控制策略。评估基于技能的收缩、适当的肌肉发力时间和关节定位等因素相对容易。值得注意的是，个人之间的动作执行和技能习得存在差异。在篮球罚球中，关节角度是足以将投篮分为不同类别的基本特征（Schmidt 等人，2012；Ge，2024；Zhang & Chen，2024）。疲劳是人类活动的自然结果，会影响运动员在训练和比赛期间的认知和学习能力。虽然大多数研究认为疲劳是影响表现的一个关键因素（Forestier & Nougier，1998；Apriantono 等人，2006），但一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010；Rusdiana 等人，2019；Li，2021；Bourdas 等人，2024）。例如，Uygur 等人（2010）基于统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024）则专注于疲劳对三分跳投的影响。Li 等人（2021）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中尚未发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同数据源或机器学习技术在结构分析和语义提取中的作用。这项研究是首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析
生物和人工神经网络中表征的普遍性
2 麻省理工学院麦戈文脑研究所，美国马萨诸塞州剑桥 3 哈佛大学言语和听觉生物科学与技术 (SHBT) 项目，美国马萨诸塞州波士顿 4 哈佛大学肯普纳自然与人工智能研究所，美国马萨诸塞州奥尔斯顿 5 纽约大学心理学系，美国纽约州纽约 6 哈佛大学心理学系，美国马萨诸塞州剑桥 7 哈佛医学院麻省总医院神经外科系，美国马萨诸塞州波士顿 致谢：作者感谢 Josh McDermott、Sam Gershman、Nancy Kanwisher、Niko Kriegeskorte、Tal Golan、Alex Williams、Andrew Lampinen、Chengxu Zhuang、Cory Shain、Martin Schrimpf 及其团队、Stanislas Dehaene 及其团队以及 CCN 2023（英国牛津）和 Ascona 2024（瑞士阿斯科纳）的观众提供的有益评论和讨论。EH、CC、NZ、MR 和 EF 部分由 NIH 拨款 U01-NS121471 资助。CC 获得哈佛大学肯普纳自然和人工智能研究所的奖学金资助。NZ 获得麻省理工学院 K. Lisa Yang 综合计算神经科学 (ICoN) 中心的博士后奖学金资助。EF 还获得麻省理工学院麦戈文脑研究所、智力探索、脑与认知科学系和西蒙斯社会脑中心的资金资助。
利用人工神经网络达到风速...
电力被普遍认为是增强生活水平的关键因素。因此，安全的电能消耗对于有效的国家能源管理至关重要。要这样做，需要对电力需求进行细致的评估。通过可行性研究找到可行的位置，并测量当地风速是建立植物风能之前的必要步骤。风速和模拟的估计可以用于进行这些评估。这项研究使用了人工神经网络（ANN），其中包括Levenberg-Marquardt（LM）学习算法来估计利比亚市Dernah的风速。利比亚气象中心的一年数据已用于训练，测试和验证ANN以预测小时风速。通过神经元计数为10、20、30、40和50，对ANN的结构进行了评估，从而使我们能够确定神经元的最佳数量以进行准确的预测。使用从Levenberg-Marquardt方法（LMA）获得的结果以及均方误差（MSE）和确定系数（R²）进行估计分析。结果表明，具有10个神经元的Levenberg-Marquardt方法表现最佳，R2的值为0.99661，MSE为0.000250。这些发现证实，可以在合理的范围内计算风速，因为它们表明基于可用的微不足道的气象数据的风速估计几乎与测量值匹配。
人工神经网络：概述
一个非线性数据建模系统，其中在输入和输出之间建立复杂关系的模型或模式被称为人工神经网络（ANN）。神经网络具有卓越的学习能力。它们通常被用于手写和面部识别等更复杂的任务。神经网络也称为“ perceptron”。它首次出现在1940年代初期。他们最近才成为人工智能的重要组成部分。神经网络被视为可观察的数据显示设备，其中显示了数据源之间的关系。神经网络由由三个单元的神经层组成，并说明了流量，并用“输入”单元以及一层“封闭的UP”单元组成，这对应于“输出”单元[1]。数据到达数据源，并通过网络逐层通过网络传播，直到达到输出为止。本研究中使用的神经网络在以下各节中进行了详细介绍。如图1。
探索脑-人工智能接口中 c-VEP 解码的人工神经网络模型
摘要 — 对话式脑人工智能接口 (BAI) 是一种新型脑机接口 (BCI)，它使用人工智能 (AI) 帮助有严重语言障碍的人进行交流。它通过先进的 AI 对话代理将用户的广泛意图转化为连贯的、特定于上下文的响应。BAI 中意图翻译的一个关键方面是解码代码调制的视觉诱发电位 (c-VEP) 信号。本研究评估了五种不同的人工神经网络 (ANN) 架构，用于解码 BAI 系统中基于 c-VEP 的 EEG 信号，强调了轻量级、浅层 ANN 模型和使用来自其他参与者的数据进行预训练策略以增强分类性能的有效性。这些结果为 ANN 模型在解码基于 c-VEP 的 EEG 信号中的应用提供了宝贵的见解，并可能使其他基于 c-VEP 的 BCI 系统受益。索引术语 — 脑-人工智能接口 (BAI)、c-VEP、EEG、chatgpt、人工神经网络 (ANN)。
第33届人工神经网络国际会议
欢迎来到瑞士提西诺的卢加诺，我们在那里举行了第33届国际人工神经网络会议（ICANN 2024），欧洲神经网络协会（ENNS）的旗舰会议。我们真的很高兴您进入了我们的城市，在那里，ICANN是完全面对面的会议。This year, ICANN is co-organized by the Istituto Dalle Molle di studi sull'in- telligenza artificiale (IDSIA USI-SUPSI https://www.idsia.usi-supsi.ch) and by the Marie Skłodowska-Curie (MSC) Innovative Training Network European Industrial Doctorate “Advanced machine learning for Innovative Drug Discovery” （AIDD https://ai-dd.eu），由MSC博士网络“可解释的分子AI”支持（AICHEMIST https://aichemist.eu）。它位于Italiana大学（USI）和Scuola Universitaria Poraceale della Svizzera Italiana（Supsi）的联合场所，靠近城市和卢加诺的主要景点。当我们提出卢加诺作为ICANN 2024的场所时，我们的主要目标之一是将会议接近学术生活，以在校园的既定研究人员，博士生，博士生和当地的本科生和硕士学生之间进行交流。我们认为已经实现了这一目标：大约三分之二的注册会议参与者是博士生，但我们也发现了许多参与者中许多受人尊敬和知名的研究人员。来自当地社区，有20多名学生签署为会议助理 - 他们将帮助您在校园中找到自己的出路，设置演讲，并从访问Lugano的访问中充分利用！我们祝您有一个出色的ICANN 2024！学生助理可以免费获得整个会议和会议餐饮。计划委员会汇总了一个有吸引力的科学计划，其中包括一条多方面的主要曲目，几个有吸引力的研讨会和特殊会议，两个出色的教程以及来自各种各样纪律的世界著名科学家的重要主题演讲。遵循ENN的任务，我们旨在弥合神经机器学习，脑启发计算和认知计算神经科学的不同研究领域。我们还希望将研究人员与以应用程序学习的理论和基础以及面向应用的同事一起。这些目标反映在我们的主题演讲以及主要会议计划中。我们希望您，与会者，能够进行许多富有成果的讨论。与过去几年一样，ICANN 2024也有一个广泛的社会计划。在9月17日（星期二）晚上，所有与会者都被邀请参加免费的欢迎招待会，将在这里提供淡淡的小吃和饮料。9月19日，星期四，我们将在Ristorante Ciani举行会议晚宴，距离我们旁边几个街区距离我们旁边的Parco Ciani旁边，该街区跨越了Lugano Lakeside，并且是城市中的主要地点之一。请注意，会议晚宴需要额外的注册，并且地方有限。会议计划中包括站立午餐和咖啡休息时间。您会找到有用的提示，以及本手册中有关设施（包括WiFi）的更多信息。
在人工神经网络优化学习过程中使用深厚的增强学习过程
摘要 - 用于优化问题的元数据包括粒子群优化（PSO）技术。他们从表现出集体行为的鱼类和鸟类的协调运动中获取线索。人工神经网络（ANN）需要一个复杂的学习阶段，例如后传播，被认为是人工智能的来源（AI）。此阶段允许计算每个神经元的误差梯度，从最后一层到第一个。但是，目标函数的某些特质是必需的（成本）。这促使我们尝试使用元映射学，以简化ANN的训练，以管理复杂的非线系统。这项研究的目的是应用深度加固学习（DRL）自动计算PSO算法的参数，同时还优化了ANN的监督学习过程。经过许多案例研究，我们的方法始终导致理想ANN的系数。
使用人工神经网络与正输出超升洛转换器的循环神经网络控制器优化太阳能
在当今世界，对清洁能源的需求至关重要。从历史上看，水电、风能和太阳能等可再生能源提供了可持续的解决方案。光伏 (PV) 系统使用半导体光伏电池将阳光转化为电能，这种电池已经高效使用了 30 多年。光伏电池效率取决于辐照度（太阳光子强度）和温度。辐照度越高，效率越高，而温度越高，效率越低。尽管光伏系统输出电压较低，但可以使用 DC-DC 正输出超升 Luo 转换器进行优化，以满足负载要求，从而提高系统效率。太阳辐照度全天都在变化，影响光伏电池的输出。最大功率点跟踪器 (MPPT) 调整系统的工作点以保持峰值效率。本研究重点是设计 AI 控制器来管理 MPPT。我们使用三个数据集比较了人工神经网络 (ANN) 和循环神经网络 (RNN) 的性能。目标是确定用于优化太阳能系统的最有效 AI 控制器。
使用机器学习的Android恶意软件多类分类：评估随机森林，人工神经网络和诉讼的性能
摘要。这项研究研究了使用静态和动态分析方法来检测和分类的机器学习技术，即随机森林，人工神经网络和卷积神经网络的有效性。通过将恶意软件分类为广告软件，勒索软件，索引软件和SMS恶意软件来利用CICINVESANDMAL2019数据集，多类分类。静态分析检查了权限和意图，而动态分析则集中于API调用和网络流。使用准确性，召回，精度，F1分数，训练时间和测试时间评估模型的性能。结果表明，在静态和动态分析中，随机森林比深度学习模型的优越性，静态分析的性能比动态分析更好。这项研究通过提供对不同机器学习算法和分析方法的有效性的见解来为Android恶意软件检测的领域做出了贡献，从而突出了随机森林的潜力，以实现有效，准确的恶意软件多类分类。
生物和人工神经网络中的特权代表性轴
神经元如何编码信息？最近的工作强调了人口代码的特性，例如其几何形状和可解码信息，这些措施对神经反应的本地调谐（或“轴”）视而不见。，但是这些代表性轴是否有系统地对其他轴进行特权？为了找出答案，我们开发了测试跨大脑和深度卷积神经网络（DCNNS）的神经调节的方法。在视觉和试镜中，大脑和DCNN都始终偏爱某些轴代表自然世界。此外，在NAT-URAL输入中训练的DCNN的代表轴与感知性皮质中的轴对齐，从而使对轴敏感的模型 - 脑相似性指标更好地分化了生物感觉系统的竞争模型。我们进一步表明，对某些轴的特权编码方案可以降低下游布线成本并改善概括。这些结果激发了一个新的框架，以了解生物和人工网络中的神经调整及其计算益处。