XiaoMi-AI文件搜索系统
World File Search System信号提取
人工智能金融科技100
Quantifind 的创立与典型的 RegTech 公司相比有些不同寻常。在斯坦福大学教授物理的 Ari Tuchman 和 Quantifind 的另一位创始人 John Stockton 决定创办一家专门从事量子传感器的公司。Tuchman 帮助建立了一家硬件公司，生产超精密痕量气体探测器等高科技产品。不出所料，机器学习信号提取成为他们工作的核心部分，不久之后，Tuchman 和 Stockton 就注意到这种精密信号处理和信号提取技术在众多行业，尤其是反洗钱 (AML) 领域具有巨大潜力。
基于重复的运动图像分类 -大规模系统中神经网络和信号处理的研究文章应用和进化
低频率振荡是人脑活动的重要属性，低频频率（ALFF）的幅度是一种反映低频振荡特征的方法，该方法已广泛用于治疗脑部疾病和其他领域。然而，由于当前分析方法的低频率信号提取ALFF的准确性较低，我们提出了基于傅立叶的同步脉冲转换（FSST），该转换（FSST）经常用于信号处理范围中，以提取整个时间尺寸的低频功率谱的ALFF。将提取信号的低频特性与通过静止状态数据的FS StandS快速傅立叶变换（FFT）进行比较。很明显，FSST提取的信号具有更低的频率特征，这与FFT显着不同。
大语言模型：经济学家的入门
大语言模型（LLM）是分析文本数据的强大工具，在经济和中央银行应用中具有巨大的潜力。大量文本档案，包括政策声明，财务报告和新闻，为分析提供了丰富的机会。此特殊功能为针对经济学家的LLM提供了可访问的介绍，并为应用研究人员提供了对其使用的实际演练。我们提供了涵盖数据组织，信号提取，定量分析和输出评估的LLMS使用的分步指南。作为例证，我们将框架应用于2021年至2023年之间的60,000篇新闻文章。尽管宏观经济和货币政策新闻很重要，但市场情绪也产生了重大影响。
脑电图接口的脑电图（EEG）波的分析和提取
Analysis and Extraction of Electroencephalogram (EEG) wave for Brain-Computer Interfacing Pantha Protim Sarker Department of Electrical and Electronic Engineering, Bangabandhu Sheikh Mujibur Rahman Science and Technology University, Gopalganj, Bangladesh pantha[at]bsmrstu.edu.bd Abstract: The present work demonstrates the mining of brain data using non-invasive methods by简单地将大脑和计算设备接口。这项工作试图通过两个不同的传感器来分析和收集脑电图（EEG）信号，以进行大脑计算机交流（BCI）系统。这两个传感器之间进行了详细的性能分析。然后使用各种信号处理技术和算法来提取大脑的两个有用特征，注意力和冥想。最后，对于本文的后期部分，大脑的注意力（EEG Beta波）和冥想（EEG Theta Wave）值成功地进行了调节，以使其可用于实际应用。关键字：脑部计算机交流（BCI），脑电图（EEG），非侵入性信号提取，注意，冥想1。简介1.1。动机运动神经元疾病是受影响人无法移动肌肉的大脑功能障碍之一。，因此他们的正常运动受到阻碍。在这种情况下，受影响的人无法与外界交流。统计数据表明，每年约有50,000人受运动神经元疾病的影响[1]。大脑的研究也非常重要，因为大脑相关疾病。1.2。问题规范但是，如果开发了大脑信号的成功信号提取程序，我们可以为受运动神经元疾病影响的人们提供一种通信和控制电气轮椅等外部机车设备的方法。对疾病的适当诊断和治疗取决于对大脑当前状况的正确理解。例如，癫痫是一种疾病，其中大脑的电信号可用于分析神经元数据。可以通过检测从大脑的电信号中提取的典型癫痫的模式来成功诊断癫痫[2]。电信号还可以在头部受伤，中风或脑肿瘤后检测出异常的脑波。其他情况，例如头晕，头痛，痴呆和睡眠问题，可能会显示出异常的大脑模式。因此，找到一种更便宜，更可靠的方法来收集大脑数据并从中提取有用的功能，从而导致了这项研究工作。
铝板中结构性损害诊断的物理知识的机器学习
结构性健康监测（SHM）是一种监视策略，它依赖于感兴趣的结构或组件上的传感器网络允许其连续监视，从而大大减少了两次连续检查之间的时间。在SHM框架中使用的几种非破坏性技术（NDT），超声引导的波，尤其是羔羊波中，事实证明，通过利用压电（PZT）传感器网络以使波浪启动和感受效率有效。专注于羔羊波，它们已被广泛用于成像和断层扫描方法[5] [6] [7]。但是，这些方法需要从信号中提取特征才能获得损坏索引（DIS）[1] [8] [9]。同样，由于有必要实时或实时的性能以实现SHM的目的，因此正在应用机器学习（ML）算法。但是，常规的ML方法通常是监督方法，并且不能解决对从信号提取损害特征的预处理阶段的需求[10] [11] [12]。
TSN-Unaware应用程序具有QoS要求的自主集成在TSN网络中
现代工业网络运输Best-E FF Ort和实时Tra ffi c。 IEEE TSN任务组引入了时间敏感网络（TSN），以增强以太网，以提供实时TRA FFI c的高质量服务（QOS）。在TSN网络中，应用程序在传输数据之前向网络发出了QoS的要求。网络然后分配资源以满足这些要求。但是，TSN-Unaware应用程序既不能执行此注册过程，也不能从TSN的QoS福利中获利。本文的贡献是双重的。首先，我们引入了一种新颖的网络体系结构，其中附加设备自动地向网络向网络的QoS要求发出了QoS的要求。第二，我们提出了一种处理方法，以检测网络中的实时流并为TSN流信号提取必要的信息。它利用深层的神经网络（DRNN）来检测周期性的tra ffi c，提取准确的tra ffi c描述，并使用tra ffi c分类来确定源应用。因此，我们的建议允许TSN-Unaware申请从TSNS QoS保证中受益。我们的评估强调了所提出的体系结构和处理方法的e ff。
![arXiv:2006.15357v1 [cs.CV] 2020 年 6 月 27 日](/simg/g:\will\search\icon\source\a\aa25a206e2350e95792d60cffc94ef86d9a7bc51.webp)
arXiv:2006.15357v1 [cs.CV] 2020 年 6 月 27 日
摘要：视觉分类的新视角旨在从人类大脑活动中解码视觉对象的特征表示。从大脑皮层记录脑电图（EEG）已被视为了解图像分类任务的认知过程的常用方法。在本研究中，我们提出了一个由视觉诱发电位引导的深度学习框架，称为事件相关电位（ERP）-长短期记忆（LSTM）框架，由EEG信号提取用于视觉分类。具体而言，我们首先从多个EEG通道中提取ERP序列以响应与图像刺激相关的信息。然后，我们训练一个LSTM网络来学习视觉对象的特征表示空间以进行分类。在实验中，10名受试者从包含6个类别的图像数据集中记录了超过50,000次EEG试验，总共包括72个样例。我们的结果表明，我们提出的 ERP-LSTM 框架可以分别实现类别（6 类）和样本（72 类）的跨对象分类准确率 66.81% 和 27.08%。我们的结果优于使用现有的视觉分类框架，分类准确率提高了 12.62% - 53.99%。我们的研究结果表明，从 EEG 信号中解码视觉诱发电位是学习用于视觉分类的判别性大脑表征的有效策略。
CSLP-AE：用于零样本脑电信号转换的对比分裂潜在置换自动编码器框架
脑电图 (EEG) 是一种著名的非侵入性神经成像技术，可以洞察大脑功能。不幸的是，EEG 数据在不同受试者之间表现出高度的噪声和变异性，阻碍了可推广的信号提取。因此，EEG 分析的一个关键目标是提取潜在的神经激活（内容）以及考虑个体受试者的变异性（风格）。我们假设，在任务和受试者之间转换 EEG 信号的能力需要提取考虑内容和风格的潜在表示。受语音转换技术最新进展的启发，我们提出了一种新颖的对比分裂潜在排列自动编码器 (CSLP-AE) 框架，可直接优化 EEG 转换。重要的是，使用对比学习来引导潜在表示，以促进潜在分裂明确地表示主题（风格）和任务（内容）。我们将 CSLP-AE 与传统的监督、无监督 (AE) 和自监督 (对比学习) 训练进行了对比，发现所提出的方法提供了对主体和任务的良好可推广表征。重要的是，该程序还支持未见过的主体之间的零样本转换。虽然本研究仅考虑 EEG 的转换，但所提出的 CSLP-AE 为信号转换和提取内容 (任务激活) 和风格 (主体变异性) 组件提供了一个通用框架，可用于对生物信号进行建模和分析。
使用加固学习的无人机检测
摘要：无人驾驶飞机（UAV）由于其成本效益和灵活性，在军事和平民应用中均广受欢迎。但是，对无人机的利用增加引起了人们对非法数据收集和潜在刑事用途的风险的担忧。因此，精确检测和识别侵入的无人机已成为一项关键的研究问题。许多算法已经通过不同的方法（包括射频（RF），计算机视觉（视觉）和基于声音的检测来检测不同对象，都表明了它们在检测不同对象方面的有效性。本文提出了一种新的方法，用于通过使用层次强化学习技术根据其RF信号来检测和识别侵入的无人机。我们使用带有熵正则项的增强算法的多个策略培训无人机代理，以提高整体准确性。该研究的重点是利用RF信号提取的特征来检测侵入的无人机，这通过研究较低的无人机检测方法来促进增强学习领域。通过广泛的评估，我们的发现显示了拟议方法在实现基于RF的准确检测和识别方面的显着结果，其出色的检测准确性为99.7％。此外，我们的方法表明累积回报绩效和损失降低。获得的结果突出了所提出的解决方案在增强无人机安全性和监视的同时，在进行无人机检测领域的同时。