XiaoMi-AI文件搜索系统
World File Search System人工神经网络
水黾算法与人工神经网络
这项技术正在推动智能城市的发展。智能城市由智能组件组成，例如智能家居。在智能家居中，人们使用各种传感器来使环境变得智能，而智能家居中的智能设备可用于检测其中人员的活动。检测智能家居用户的活动可能包括检测做饭或看电视等活动。检测智能家居居民的活动可以极大地帮助老年人或照顾孩子，甚至促进安全问题。传感器收集的信息可用于检测活动类型；然而，主要的挑战是大多数活动检测方法的精度较差。在所提出的方法中，为了减少数据挖掘技术的聚类误差，提出了一种使用水黾算法的混合学习方法。在所提出的方法中，该算法可用于特征提取阶段，并专门提取机器学习的主要特征。对所提出方法的分析表明，其精度为 97.63%，准确率为 97.12%，F1 指数为 97.45%。与类似算法（例如蝴蝶优化算法、哈里斯鹰优化算法、黑寡妇优化算法）相比，它在检测用户活动时具有更高的精度。
汽油、柴油和均质压燃发动机人工神经网络综述
a 马来西亚马六甲技术大学机械工程学院，Hang Tuah Jaya, 76100 Durian Tunggal，马六甲，马来西亚 b 机械工程系，PA 工程学院（隶属于 Visvesvaraya 科技大学，Belagavi），Mangaluru 574153，印度 c 机械工程系，工程技术大学，新校区拉合尔，巴基斯坦 d HUTECH 大学工程学院，越南胡志明市 e 机械工程系，Mepco Schlenk 工程学院，Sivakasi，印度 f 机械工程，孔敬大学工程学院，孔敬，泰国 g 替代能源研究与开发中心，孔敬大学，孔敬，泰国 h 航空工程系，Sathyabama 科学技术学院，印度 i 绿色技术中心，悉尼科技大学工程与 IT 学院，悉尼，新南威尔士州 2007，澳大利亚 j 机械工程系，技术学院，Glocal 大学， Delhi-Yamunotri Marg, SH-57, Mirzapur Pole, Saharanpur District, Uttar Pradesh, 247121, India k 班哈大学本哈工程学院机械工程系，Benha 13512，埃及 l 江苏大学能源研究所，镇江市学府路 301 号，邮编 212013，中国 m 印度尼西亚桑波那大学机械工程研究项目 n 工程与计算机学院Science Universitas Buana Perjuangan Karawang Teluk Jambe, Karawang 41361, Indonesia o 脂质工程与应用研究中心 (CLEAR), Ibnu Sina 科学与工业研究所, UTM, 81310 Johor Bahru, Malaysia
利用多元回归分析和人工神经网络进行人工智能房地产预测的效果研究——以加纳为例
要从传统房地产过渡到智能房地产，房地产行业必须加强对颠覆性技术的接受。尽管房地产拍卖市场在金融、经济和投资领域的重要性日益增加，但过去很少有基于人工智能的研究试图预测房地产的拍卖价值。根据本研究的目标，人工智能和统计方法将用于创建房地产拍卖价格的预测模型。多元回归模型和人工神经网络结合使用来构建预测模型。对于实证研究，该研究利用 2016 年至 2020 年加纳公寓拍卖的数据来预测拍卖价格并评估当时可用的各种模型的预测准确性。与传统的多元回归分析相比，使用人工智能系统进行房地产评估正成为一种更可行的选择（MRA）。其中人工神经网络模型表现最为突出，而基于拍卖评估价的有效区域划分则进一步提升了模型的预测准确率。在预测房地产拍卖价值方面，两种模型存在统计上的显著差异。
![初步沟通 基于人工智能的车载自动列车障碍物距离估计 Ivan ĆIRIĆ*、Milan PAVLOVIĆ、Milan BANIĆ、Miloš SIMONOVIĆ、Vlastimir NIKOLIĆ 摘要：本文提出了一种新方法，利用图像平面单应性矩阵来改进对摄像机和成像物体之间距离的估计。该方法利用两个平面（图像平面和铁轨平面）之间的单应性矩阵和一个人工神经网络，可根据收集的实验数据减少估计误差。SMART 多传感器车载障碍物检测系统有 3 个视觉传感器——一个 RGB 摄像机、一个热成像摄像机和一个夜视摄像机，以实现更高的可靠性和稳健性。虽然本文提出的方法适用于每个视觉传感器，但所提出的方法是在热成像摄像机和能见度受损场景下进行测试的。估计距离的验证是根据从摄像机支架到实验中涉及的物体（人）的实际测量距离进行的。距离估计的最大误差为 2%，并且所提出的 AI 系统可以在能见度受损的情况下提供可靠的距离估计。 关键词：人工神经网络；自动列车运行；距离估计；单应性；图像处理；机器视觉 1 简介 通过遵循自动化趋势，可以大大提高铁路货运的质量和成本竞争力，以实现经济高效、灵活和有吸引力的服务。今天，自动化和自主操作已经在公路、航空和海运中变得普遍。现代港口拥有自动导引车 (AGV)，可将集装箱从起重机运送到轨道旁、仓库、配送中心，而自动驾驶仪是航空公司和大型货船的标准配置，不需要大量机上人员。自动驾驶汽车和卡车的发展已经进入了一个严肃的阶段。此外，轨道交通自主系统的发展主要出现在公共交通服务领域（无人驾驶地铁线路、轻轨交通 (LRT)、旅客捷运系统和自动引导交通 (AGT)）。基本思想是使用一定程度的自动化，将操作任务从驾驶员转移到列车控制系统（例如 ERTMS）。根据国际电工委员会 (IEC) 标准 62290-1，列车自主运行 (ATO) 是高度自动化系统的一部分，减少了驾驶员的监督 [1]。对于完全自主的列车运行，列车操作员的所有活动和职责都需要由多个系统接管，这些系统可以感知环境并俯瞰现场，检测列车路径上的潜在危险物体并做出相应的正确反应 [2-6]。障碍物检测系统作为 ATO 系统的主要部分，障碍物检测系统需要根据货运特定和一般用例（例如 EN62267 和/或自动化领域的相关项目）来监控环境。为了满足严格的铁路标准和法规，障碍物检测系统 (ODS) 应在具有挑战性的环境和恶劣的能见度条件下工作。ODS 是一种具有硬件和软件解决方案的机器视觉系统（图 1），用于提供有关铁路上和/或其附近障碍物的可靠信息，并估算从系统到检测到的障碍物的距离 [7]。该系统需要实时运行，并在不同的光照条件下运行（白天、](/simg/4/4b79ebb2e692147077c5f05290fe6b1288b2aad1.png)
初步沟通 基于人工智能的车载自动列车障碍物距离估计 Ivan ĆIRIĆ*、Milan PAVLOVIĆ、Milan BANIĆ、Miloš SIMONOVIĆ、Vlastimir NIKOLIĆ 摘要：本文提出了一种新方法，利用图像平面单应性矩阵来改进对摄像机和成像物体之间距离的估计。该方法利用两个平面（图像平面和铁轨平面）之间的单应性矩阵和一个人工神经网络，可根据收集的实验数据减少估计误差。SMART 多传感器车载障碍物检测系统有 3 个视觉传感器——一个 RGB 摄像机、一个热成像摄像机和一个夜视摄像机，以实现更高的可靠性和稳健性。虽然本文提出的方法适用于每个视觉传感器，但所提出的方法是在热成像摄像机和能见度受损场景下进行测试的。估计距离的验证是根据从摄像机支架到实验中涉及的物体（人）的实际测量距离进行的。距离估计的最大误差为 2%，并且所提出的 AI 系统可以在能见度受损的情况下提供可靠的距离估计。 关键词：人工神经网络；自动列车运行；距离估计；单应性；图像处理；机器视觉 1 简介 通过遵循自动化趋势，可以大大提高铁路货运的质量和成本竞争力，以实现经济高效、灵活和有吸引力的服务。今天，自动化和自主操作已经在公路、航空和海运中变得普遍。现代港口拥有自动导引车 (AGV)，可将集装箱从起重机运送到轨道旁、仓库、配送中心，而自动驾驶仪是航空公司和大型货船的标准配置，不需要大量机上人员。自动驾驶汽车和卡车的发展已经进入了一个严肃的阶段。此外，轨道交通自主系统的发展主要出现在公共交通服务领域（无人驾驶地铁线路、轻轨交通 (LRT)、旅客捷运系统和自动引导交通 (AGT)）。基本思想是使用一定程度的自动化，将操作任务从驾驶员转移到列车控制系统（例如 ERTMS）。根据国际电工委员会 (IEC) 标准 62290-1，列车自主运行 (ATO) 是高度自动化系统的一部分，减少了驾驶员的监督 [1]。对于完全自主的列车运行，列车操作员的所有活动和职责都需要由多个系统接管，这些系统可以感知环境并俯瞰现场，检测列车路径上的潜在危险物体并做出相应的正确反应 [2-6]。障碍物检测系统作为 ATO 系统的主要部分，障碍物检测系统需要根据货运特定和一般用例（例如 EN62267 和/或自动化领域的相关项目）来监控环境。为了满足严格的铁路标准和法规，障碍物检测系统 (ODS) 应在具有挑战性的环境和恶劣的能见度条件下工作。ODS 是一种具有硬件和软件解决方案的机器视觉系统（图 1），用于提供有关铁路上和/或其附近障碍物的可靠信息，并估算从系统到检测到的障碍物的距离 [7]。该系统需要实时运行，并在不同的光照条件下运行（白天、
初步沟通 基于人工智能的车载自动列车障碍物距离估计 Ivan ĆIRIĆ*、Milan PAVLOVIĆ、Milan BANIĆ、Miloš SIMONOVIĆ、Vlastimir NIKOLIĆ 摘要：本文提出了一种新方法，利用图像平面单应性矩阵来改进对摄像机和成像物体之间距离的估计。该方法利用两个平面（图像平面和铁轨平面）之间的单应性矩阵和一个人工神经网络，可根据收集的实验数据减少估计误差。SMART 多传感器车载障碍物检测系统有 3 个视觉传感器——一个 RGB 摄像机、一个热成像摄像机和一个夜视摄像机，以实现更高的可靠性和稳健性。虽然本文提出的方法适用于每个视觉传感器，但所提出的方法是在热成像摄像机和能见度受损场景下进行测试的。估计距离的验证是根据从摄像机支架到实验中涉及的物体（人）的实际测量距离进行的。距离估计的最大误差为 2%，并且所提出的 AI 系统可以在能见度受损的情况下提供可靠的距离估计。 关键词：人工神经网络；自动列车运行；距离估计；单应性；图像处理；机器视觉 1 简介 通过遵循自动化趋势，可以大大提高铁路货运的质量和成本竞争力，以实现经济高效、灵活和有吸引力的服务。今天，自动化和自主操作已经在公路、航空和海运中变得普遍。现代港口拥有自动导引车 (AGV)，可将集装箱从起重机运送到轨道旁、仓库、配送中心，而自动驾驶仪是航空公司和大型货船的标准配置，不需要大量机上人员。自动驾驶汽车和卡车的发展已经进入了一个严肃的阶段。此外，轨道交通自主系统的发展主要出现在公共交通服务领域（无人驾驶地铁线路、轻轨交通 (LRT)、旅客捷运系统和自动引导交通 (AGT)）。基本思想是使用一定程度的自动化，将操作任务从驾驶员转移到列车控制系统（例如 ERTMS）。根据国际电工委员会 (IEC) 标准 62290-1，列车自主运行 (ATO) 是高度自动化系统的一部分，减少了驾驶员的监督 [1]。对于完全自主的列车运行，列车操作员的所有活动和职责都需要由多个系统接管，这些系统可以感知环境并俯瞰现场，检测列车路径上的潜在危险物体并做出相应的正确反应 [2-6]。障碍物检测系统作为 ATO 系统的主要部分，障碍物检测系统需要根据货运特定和一般用例（例如 EN62267 和/或自动化领域的相关项目）来监控环境。为了满足严格的铁路标准和法规，障碍物检测系统 (ODS) 应在具有挑战性的环境和恶劣的能见度条件下工作。ODS 是一种具有硬件和软件解决方案的机器视觉系统（图 1），用于提供有关铁路上和/或其附近障碍物的可靠信息，并估算从系统到检测到的障碍物的距离 [7]。该系统需要实时运行，并在不同的光照条件下运行（白天、
基于脑电图识别上肢运动热点的人工神经网络方法：概念验证研究
摘要背景：为了将经颅电刺激 (tES) 应用于运动皮层，通常使用经颅磁刺激 (TMS) 的运动诱发电位来识别运动热点。本研究的目的是验证一种基于脑电图 (EEG) 的新型运动热点识别方法的可行性，该方法使用机器学习技术作为 TMS 的潜在替代方案。方法：在 30 名受试者执行简单的手指敲击任务时，使用 63 个通道测量 EEG 数据。从六个频带（delta、theta、alpha、beta、gamma 和 full）提取 EEG 数据的功率谱密度，并独立用于训练和测试用于运动热点识别的人工神经网络。将 TMS 识别的各个运动热点的 3D 坐标信息与我们基于 EEG 的运动热点识别方法估计的坐标信息进行定量比较，以评估其可行性。结果：TMS 识别的运动热点位置与我们提出的运动热点识别方法之间的最小平均误差距离为 0.22 ± 0.03 厘米，证明了我们提出的基于 EEG 的方法的概念验证。当仅使用连接到运动皮层中部的 9 个通道时，测量的平均误差距离为 1.32 ± 0.15 厘米，表明实际使用基于相对较少的 EEG 通道的所提出的运动热点识别方法的可能性。结论：我们证明了我们新颖的基于 EEG 的运动热点识别方法的可行性。预计我们的方法可以作为 TMS 的运动热点识别的替代方案。特别是，当使用最近开发的与 EEG 设备集成的便携式 tES 设备时，它的可用性将显著提高。关键词：运动热点、脑电图、经颅电刺激、机器学习、人工神经网络
基于人工神经网络的优化技术
1 马来西亚国民大学工程与建筑环境学院电气、电子和系统工程系，Bangi 43600，雪兰莪，马来西亚； ramizi@ukm.edu.my 2 福岛可再生能源研究所，AIST (FREA)，国家先进工业科学技术研究所 (AIST)，郡山 963-0298，日本； s.suhail.md@gmail.com 3 IR 4.0 研究所，马来西亚国民大学，Bangi 43600，雪兰莪，马来西亚； mahidursarker@ukm.edu.my 4 国家能源大学电力工程系，Kajang 43000，雪兰莪，马来西亚； hannan@uniten.edu.my 5 电力部中部电力生产总公司，巴格达 10001，伊拉克； eng_jhy@yahoo.com 6 斯威本科技大学科学、计算与工程技术学院，墨尔本，VIC 3122，澳大利亚；smekhilef@swin.edu.au 7 尼兹瓦大学工程与建筑学院土木与环境工程系，Birkat-al-Mouz，尼兹瓦 616，阿曼；a.milad@unizwa.edu.om * 通信地址：maher.abdolrasol@gmail.com (MGMA)；selim.ustun@aist.go.jp (TSU)
人工神经网络得出的脑氧代谢率用于 MRI 中区分胶质母细胞瘤和脑转移瘤的可行性研究
摘要：在某些情况下，胶质母细胞瘤在常规 MRI 上可能与脑转移瘤相似，但两者的治疗方法却有很大不同。这项前瞻性可行性研究旨在通过首次将定量磁化率映射和定量血氧水平依赖性 (QSM + qBOLD) 模型应用于这些实体来区分它们。我们前瞻性地纳入了 15 名未经治疗的胶质母细胞瘤患者（n = 7，中位年龄：68 岁，范围：54-84 岁）或脑转移瘤患者（n = 8，中位年龄 66 岁，范围：50-78 岁），这些患者在术前接受了包括多梯度回波和动脉自旋标记序列在内的 MRI 检查。使用人工神经网络计算了增强肿瘤 (CET) 和肿瘤周围非增强 T2 高信号区域 (NET2) 中的氧提取分数 (OEF)、脑血流量 (CBF) 和脑氧代谢率 (CMRO 2)。我们证明，胶质母细胞瘤的 CET 中的 OEF 明显低于 (p = 0.03) 转移瘤，仅对于转移瘤患者，CET 中的所有特征都明显高于 (p = 0.01) NET2，转移瘤患者的 CBF (p = 0.04) 和 CMRO 2 (p = 0.01) 的 CET/NET2 比率明显高于胶质母细胞瘤患者。支持向量机分类器的判别能力在两种特征组合下最高，受试者工作特征曲线下面积为 0.94，诊断准确率为 93%。QSM + qBOLD 可以对胶质母细胞瘤和脑转移瘤进行稳健区分，同时深入了解肿瘤氧合情况。
使用人工神经网络从脑电图中检测ereg中风患者的错误相关电位
摘要：已提出了与错误相关的电位（ERRP）作为改善大脑 - 计算机界面（BCI）性能的一种手段，方法是纠正BCI执行的不正确操作或标记数据以连续适应BCI以改善性能。后一种方法可能在中风康复中相关，在这种康复中，通过使用在整个康复过程中持续个性化的广义分类器，可以将BCI校准时间最小化。如果数据正确标记，则可以实现这一目标。因此，这项研究的目的是：（1）对中风的个体产生的单次试验错误，（2）调查测试 - 重测可靠性，（3）比较不同的分类校准方案与不同的分类方法与人工新神经网络（ANN，ANN，ANN，和LINARINAL ANTIFERINAL，LDA）的不同分类方法（人工Neuratial网络）和LDA的含义。25个中风的人在两天的时间里试图执行运动，然后在记录连续脑电图时收到反馈（错误/正确）。脑电图分为时期：errps和nonerrps。根据时间特征或整个时期，将时期与多层感知器ANN分类。此外，将特征与收缩LDA分类。特征是来自感觉运动皮层的ERR和非ERRPS的波形，以改善分类器输出的解释性和解释。测试了三个校准方案：今天，日间和跨参与者。使用日期校准，将90％的数据与整个时期正确分类为ANN的输入；当使用时间特征作为ANN和LDA的输入时，它降至86％和69％。两天之间的测试可靠性较差，而其他校准方案导致准确性在63-72％的范围内，LDA表现最好。个人的损伤水平与分类精度之间没有关联。结果表明，可以在中风的个体中对错误进行分类，但是使用这种方法最佳解码需要使用用户和会话特定的校准。使用ERRP/NONERRP波形特征使对分类器输出的生理有意义解释成为可能。结果可能对在BCI中连续将数据进行标记以进行中风康复，从而有可能改善BCI性能。
哪种缩放规则适用于大型人工神经网络
摘要经验表明，合作和交流计算系统，包括隔离的单个处理器，具有严重的性能限制，无法使用von Neumann的经典计算范式来解释。在他的经典“初稿”中，他警告说，使用“太快的处理器”“使他的简单“ procepure'”（但不是他的计算模型！）;此外，使用经典的计算范式模仿神经元操作是不合适的。Amdahl补充说，包括许多处理器的大型机器具有固有的劣势。鉴于人工神经网络（ANN）的组件正在互相进行大量通信，因此它们是由用于常规计算中设计/制造的大量组件构建的，此外，它们还试图使用不当的生物学操作使用不正确的技术解决方案及其可实现的有效载荷计算量表，这是概念上的模型。基于人工智能的系统的工作负载类型会产生极低的有效载荷计算性能，其设计/技术将其大小限制在“'toy'级别的系统：基于处理器的ANN系统的缩放标准）上是强烈的非线性。鉴于ANN系统的扩散和规模不断增长，我们建议您提前估算设备或应用的效率。ANN实施和专有技术数据的财富不再启用。通过分析已发布的测量结果，我们提供了证据表明，数据传输时间的作用极大地影响了ANN的性能和可行性。讨论了一些主要的理论限制因素，ANN的层结构及其技术实施方法如何影响其效率。该论文始于冯·诺伊曼（Von Neumann）的原始模型，而没有忽略处理时间的转移时间，并为Amdahl定律提供了适当的解释和处理。它表明，在这一提示中，Amdahl的定律正确地描述了ANN。
