XiaoMi-AI文件搜索系统
World File Search System以雾
启用了实时健康的机器学习...
摘要 - 近年来，由于其广泛的应用，云计算在行业和学者中都引起了主要关注。尽管有许多优势，但云计算仍面临挑战，例如高空延迟，导致雾计算的出现。雾计算的概念将云的作用扩展到网络边缘，从而减少了网络延迟。它在FOG节点上提供存储，通信和处理，使其适合实时医疗保健应用。医疗保健方案的紧迫性，例如监测重症监护病房中的患者，强调了及时数据的关键需求。本文介绍了基于雾计算和机器学习的新型医疗保健监测框架，该框架主要集中于实时通知管理。所提出的系统通过传感器监视患者的主要健康参数。机器学习算法在FOG节点上应用以处理参数并做出决策。通知可以发送给医生或护理人员，不会延迟。该框架有望通过其实时功能和雾计算技术的集成来增强医疗保健监测。
优化消除对人类健康有害的微生物的过程和威胁从波兰的奥斯威辛材料中隔离的物品（A-BSM）收集的历史材料（A-BSM），并以薄雾的形式使用乙醇
摘要：该研究的目的是评估以雾的形式在历史A-BSM对象的纺织品表面上以雾形式应用的杀菌效率和80％和90％的乙醇的作用。从A-BSM中的纺织品表面分离出来用于测试的微生物，即cladosporium cladosporium cladosporium cladosporioides，niger和chrysogenum。枯草芽孢杆菌，金黄色葡萄球菌，曲霉菌和尼日尔曲霉也从美国型培养物中（ATCC）中使用。织物样品以10 5 –10 6 CFU/mL的浓度接种微生物。以雾形式以80％和90％的浓度应用。 用于此目的的喷枪VL 0819和VE 0707使用，其压力为0.2 MPa，使用直径为1.05 mm的PA头VLH-5喷嘴。 为了在施用乙醇雾后获得更有效的消毒，在21°C±1℃的条件下将样品存储在PE箔中22±1 h。应用乙醇雾后，使用扫描电子显微镜（SEM）评估了材料的性质的变化。 以薄雾的形式减少了现代棉质织物上的微生物数量，其浓度为80％和90％，从93.27％到99.91％的真菌，从94.96％到100％到100％到100％，除了B. tilliss B. tilliss的74.24％以外。 在历史织物上，在施用90％乙醇的时间缩短为4 s之后，微生物减少了99.93％以上，金黄色葡萄球菌被完全消除。以雾形式以80％和90％的浓度应用。用于此目的的喷枪VL 0819和VE 0707使用，其压力为0.2 MPa，使用直径为1.05 mm的PA头VLH-5喷嘴。为了在施用乙醇雾后获得更有效的消毒，在21°C±1℃的条件下将样品存储在PE箔中22±1 h。应用乙醇雾后，使用扫描电子显微镜（SEM）评估了材料的性质的变化。以薄雾的形式减少了现代棉质织物上的微生物数量，其浓度为80％和90％，从93.27％到99.91％的真菌，从94.96％到100％到100％到100％，除了B. tilliss B. tilliss的74.24％以外。在历史织物上，在施用90％乙醇的时间缩短为4 s之后，微生物减少了99.93％以上，金黄色葡萄球菌被完全消除。应用了测试的消毒技术后，在模型和历史棉花表面没有观察到纤维形态的变化。
飞秒光丝清除大气气溶胶
A. Goffin、J. Griff-McMahon、I. Larkin 和 HM Milchberg * 马里兰大学电子与应用物理研究所，马里兰州帕克分校，20742，美国 *milch@umd.edu 大气气溶胶（例如雾中的水滴）会通过散射和吸收干扰激光传播。飞秒光学细丝已被证明可以清除雾区，从而改善后续脉冲的传输。但详细的除雾机制尚未确定。在这里，我们直接测量和模拟半径约为 5 μm 的水滴（典型的雾）在飞秒细丝特有的光学和声学相互作用影响下的动态情况。我们发现，对于由准直近红外飞秒脉冲崩溃产生的细丝，主要的液滴清除机制是激光光学破碎。对于此类细丝，由细丝能量沉积在空气中发射的单周期声波不会影响液滴，也不会引起可忽略的横向位移，因此对雾的清除作用也微乎其微。只有当非细丝脉冲的聚焦程度很高时，局部能量沉积远远超过细丝，声波才会显著取代气溶胶。
利用飞秒灯丝清除大气气溶胶
A. Goffin、J. Griff-McMahon、I. Larkin 和 HM Milchberg * 马里兰大学电子与应用物理研究所，马里兰州帕克分校，20742，美国 *milch@umd.edu 大气气溶胶（例如雾中的水滴）会通过散射和吸收干扰激光传播。飞秒光学细丝已被证明可以清除雾区，从而改善后续脉冲的传输。但详细的除雾机制尚未确定。在这里，我们直接测量和模拟半径约为 5 μm 的水滴（典型的雾）在飞秒细丝特有的光学和声学相互作用影响下的动态情况。我们发现，对于由准直近红外飞秒脉冲崩溃产生的细丝，主要的液滴清除机制是激光光学破碎。对于此类细丝，由细丝能量沉积在空气中发射的单周期声波不会影响液滴，也不会引起可忽略的横向位移，因此对雾的清除作用也微乎其微。只有当非细丝脉冲的聚焦程度很高时，局部能量沉积远远超过细丝，声波才会显著取代气溶胶。
评估Gotu Kola（Centella Asiatica）提取物的功效...
抽象的大脑雾是一个非医学术语，描述了一种精神混乱或缺乏精神清晰度的感觉。这项研究旨在评估Gotu Kola（Centella Asiatica）提取物在管理认知功能和减轻诊断出患有轻度认知障碍（MCI）的个体的脑雾中的功效。这项研究的目的是找出Gotu Kola（Centella Asiatica）提取物在增强脑功能和减少脑雾方面的工作原理。Gotu Kola的乙醇提取物是从Centella Asiatica的叶子中获得的。关键词：Centella Asiatica，认知功能，脑雾，轻度认知障碍，草药。如何引用这篇文章：Panchal HA，Basavaraj H，Tiwari R，Tiwari G.评估Gotu Kola（Centella Asiatica）提取物在增强认知功能和减少轻度认知障碍个体中脑雾的功效。国际药物输送技术杂志。2024; 14（4）：2262-66。 doi：10.25258/ijddt.14.4.44支持来源：nil。利益冲突：无引入轻度认知障碍（MCI）是一种疾病，其标志是认知能力的可检测到的恶化，例如记忆和推理技能，这比正常衰老时可能预期的要引人注目，但并不足够严重，无法在日常活动中造成实质性的困难。65岁及以上的人中，约有15-20％的人患有MCI，这通常被视为正常认知功能和痴呆症，尤其是阿尔茨海默氏病之间的过渡阶段。患有MCI的人经常报告将大脑雾作为其症状之一。1,2由于MCI是一种渐进状态，因此延迟或阻止了更严重的认知恶化的出现需要早期管理。3大脑雾可能是与MCI相关的认知问题之一，即使它本身不是诊断。MCI中大脑雾的存在可能会使人们每天的杂务和保留生活质量的困难恶化。严重的记忆和认知功能问题比通常在MCI患者中常见的衰老预测更为严重。这些认知问题可能表现为记忆丧失，解决问题的困难和执行功能障碍。大脑雾可以加剧这些症状，使人们更难集中精力，记住细节并从事精神苛刻的工作。4,5当前的药理学治疗的成功有限，并且对天然药物的兴趣越来越高，可以提供神经保护优势，而没有与传统药物相关的负面副作用。使用草药治疗改善认知功能并减少MCI
cvpr'00：恶劣天气中的视觉框架
常规视觉系统旨在在晴朗的天气中执行。但是，任何室外视觉系统都是完整的，没有任何机制可以保证在较差的天气条件下表现令人满意的性能。众所周知，大气可以显着改变到达观察者的光能。因此，必须使用大气散射模型在恶劣的天气下使视觉系统健壮。在本文中，我们开发了一个几何框架，用于分析大气散射的色彩效应。首先，我们研究了一个简单的颜色模型，用于大气散射，并验证雾和雾度的颜色模型。然后，基于散射的物理学，我们在场景颜色变化上得出了几种几何形状，这是由于变化的大气状况而引起的。最后，使用这些约束，我们可以从不同但未知的天气条件下拍摄的两个或多个图像中恢复“真实”场景颜色来计算雾或雾化，深度分割，提取三维结构并恢复“真实”场景颜色。
EMCS：一种针对基于云雾的物联网应用、使用进化学习方法的节能完工成本感知调度算法
摘要：物联网 (IoT) 的迅猛发展产生了大量的近距和遥感数据，随着可持续环境新解决方案的出现，这些数据还在不断增加。云计算通常用于帮助资源受限的物联网传感设备。然而，云服务器位于核心网络深处，距离物联网很远，引入了大量数据交易。这些交易需要大量电力消耗，并向环境释放有害的二氧化碳。一种位于网络边缘的分布式计算环境，即雾计算，已被推广，以减少云计算对物联网应用的限制。雾计算可以处理实时和延迟敏感的数据，并减少流量，从而最大限度地降低能耗。通过实施节能任务调度，可以减少额外的能耗，该调度根据最小完成时间、成本和能耗来决定在云或雾节点上执行任务。本文提出了一种称为节能完工成本感知调度 (EMCS) 的算法，该算法使用进化策略来优化执行时间、成本和能耗。通过大量模拟对本文工作的性能进行了评估。结果表明，在完工时间方面，EMCS 比成本完工感知调度 (CMaS) 好 67.1%，比异构最早完成时间 (HEFT) 好 58.79%，比蜜蜂生命算法 (BLA) 好 54.68%，比进化任务调度 (ETS) 好 47.81%。比较 EMCS 模型的成本，其成本比 CMaS 低 62.4%，比 BLA 低 26.41%，比 ETS 低 6.7%。在比较能耗时，EMCS 的能耗比 CMaS 低 11.55%，比 BLA 低 4.75%，比 ETS 低 3.19%。结果还表明，随着雾节点和云节点数量的增加，云节点和雾节点之间的平衡在完工时间、成本和能耗方面提供了更好的性能。
延迟和通信成本敏感的方法
多年来，云计算一直是处理位于网络边缘的物联网 (IoT) 设备的复杂应用程序和服务的关键推动因素。由物联网环境驱动的服务和应用程序通常具有严格的延迟敏感要求，并且由于基于云的计算资源与物联网设备的物理距离较长，可能会遇到较长的网络延迟。雾计算在这种情况下被采用作为解决方案，因为它通过将计算能力分层分散到网络边缘来缩短这一距离。这有助于减少网络延迟并改善具有敏感时间要求的应用程序的响应时间，同时改善网络中的整体数据流量管理。然而，当在资源分配过程中应用程序的某些要求优先于其他要求时，更靠近物联网设备的雾层可能会遇到资源耗尽，迫使其他延迟敏感的应用程序使用来自较远雾层的资源，并导致它们变得无响应。为了解决这个问题，本文提出了一种在分层的基于层的雾计算架构中分配模块化应用程序的方法。所提出的方法名为“最小影响 - X”（LI-X），旨在通过减少分层雾中较低级别的资源闲置时间，最大限度地缩短延迟敏感应用程序的响应时间并减少网络上的数据流量。这是通过在雾层之间分配应用程序模块来实现的，以最大限度地缩短延迟敏感应用程序的响应时间，同时减少整体网络流量。在模拟的 iFogSim 环境中，将 LI-X 的性能与之前的研究进行了比较。结果表明，在大多数提出的场景中，LI-X 的表现都优于这些研究，有效地缩短了响应时间并最大限度地降低了网络上的通信数据成本。