XiaoMi-AI文件搜索系统
World File Search System信号衰减
一个联合学习框架，用于增强水下无人机分布式网络的数据安全和网络入侵检测
抽象的水下无人机对于科学研究，环境监测和海上操作至关重要，可以在具有挑战性的环境中收集数据。然而，他们的部署面临着低带宽，高潜伏期，信号衰减以及由于流动性和水流而导致的间歇性连通性等问题。在这些条件下，传统的集中数据处理方法效率低下，因为它们需要将大量原始数据传输到中心位置。为了应对这些挑战，本研究提出了专门针对水下网络量身定制的联合学习（FL）框架。与集中式方法不同，FL使水下无人机可以通过在本地处理数据并仅与中央服务器共享模型更新来协作训练全球入侵检测模型。这种方法可以通过确保敏感信息永远不会离开本地设备，从而降低传输过程中拦截或妥协的风险来显着提高数据安全性。此外，FL的分散体系结构固有地与水下无人机网络的动态和分布式性质保持一致。提出的框架通过利用各个无人机的局部见解来检测威胁，包括零日攻击，而无需直接暴露敏感数据，从而改善了网络入侵检测。通过保留隐私并实现协作异常检测，FL解决了水下互联网事物中的关键网络安全挑战（IOUT）。
使用边缘计算框架
摘要：在现实捕捉技术和人工智能（AI）的进步驱动的驱动到施工站点上，图像分类越来越多地用于自动化项目监视。部署实时应用程序仍然是一个挑战，尤其是在远程施工站点上，由于建筑物内的高信号衰减，电信支持或访问有限。为了解决此问题，本研究提出了一个有效的启用边缘计算的图像分类框架，以支持实时构造AI应用程序。使用Mobilenet转移学习开发了轻量级的二进制图像分类器，然后进行量化过程，以降低模型大小，同时保持准确性。组装了一个完整的Edge计算硬件模块，包括Raspberry Pi，Edge TPU和电池等组件，并将多模式软件模块（包含视觉，文本和音频数据）集成到边缘计算环境中以启用智能图像分类系统。部署了两项涉及材料分类和安全检测的实际案例研究，以证明拟议框架的有效性。结果证明了开发的原型成功同步多模式机制，并在分化材料中达到了零延迟，并识别危险的指甲而没有任何Internet连接。建筑经理可以利用开发的原型来促进集中的管理工作，而不会损害准确性或计算资源的额外投资。这项研究为未来的建筑工作站点启用边缘的“智能”铺平了道路，并促进实时的人类技术互动，而无需高速互联网。
官方（已关闭）
1 南洋女子中学，2 Linden Drive，新加坡 288683 2 国家初级学院，37 Hillcrest Rd，新加坡 288913 3 河谷中学，6 Boon Lay Ave，新加坡 649961 4 国防科学技术局，1 Depot Rd，新加坡 109679 ____________________________________________________ 摘要 天气会衰减射频，因此传感器的性能会受到天气的显著影响，天气每天都会变化，并在一年中遵循一定的趋势和模式。本研究利用新加坡的历史天气数据集来分析和推断可以在降雨和温度中观察到的模式，以及随后传感器经历的信号衰减。我们开发了一个机器学习模型，使用 Logistic 回归和 XGBoost 算法来研究温度、风速和日期等参数之间的关系，以预测预期的每日降雨量，从而衡量传感器在特定日期的衰减情况。这可以应用于岛屿防空系统中使用的传感器，并用于优化各种天气条件下的传感器性能。 1 简介 1.1 背景与目标 射频 (RF) 在我们的军事防御中发挥着重要作用，因为电子战 (EW) 中使用的许多传感器都依靠 RF 来接收和发送信号。 EW 对其环境中的威胁信号做出反应，这些信号由接收器检测到，然后进行处理以供操作员识别。 然而，受天气影响的大气气溶胶浓度会衰减射频，导致传感器性能受到影响以及数据不准确。 因此，了解新加坡的气候条件对于找出天气对传感器性能的影响至关重要。 我们的目标是分析新加坡的天气，评估其对射频频谱的影响，并预测降雨量。 此外，我们打算利用机器学习 (ML) 模型来预测天气条件对射频传感器性能的影响。 1.2 射频基础知识 射频是指频率在 3 kHz 至 300 GHz 范围内的振荡频率，相当于无线电波的频率。[1] 转换为 dB 形式
直接到设备卫星通信的调查
即使对于服务区域内的人，覆盖范围的可靠性在地理上受到陆地基础设施的限制。然而，降低卫星制造和部署成本已加速了将广阔的星座推向低地轨道（LEO），提供了提高的信号质量，更高的数据速度和更具成本效益的终端硬件。通过利用Leo卫星星座，D2D技术可以在没有地面基础设施的情况下进行通信，克服偏远地区的覆盖范围限制。几项关键的技术创新已经实现了D2D通信。高级波束形成技术[26]允许精确的信号专注于特定地理区域，增强信号质量并减少干扰。软件定义的有效载荷[25]提供动态频谱分配，可实时适应不同的用户需求和监管要求。增强的电力管理系统[33]具有延长卫星寿命并提高了能量效率。组件小型化和终端技术进步使标准智能手机和IoT设备能够直接与卫星通信。这些新事物共同克服了传统的障碍，例如信号衰减和设备兼容性，促进了无接缝的D2D通信并提高了全球连通性。除了技术进步外，监管进步还起着至关重要的作用。FCC拥有高级移动网络运营商 - 卫星网络运营商（MNO-SNO）频谱共享框架，从而可以在陆地和卫星网络之间更好地集成[29]。通过允许卫星操作员从MNOS租赁Spectrum，FCC的框架促进了动态和竞争性的卫星服务，推动MNOS和SNOS之间的和谐，并促进了多租户Leo卫星网络[39]。这样的频谱共享策略可以为最终用户提供更大的灵活性和协调性。表1总结了商业领域中关键D2D部署的状态。我们根据直接到X定义D2D通用的“类型”，其中X采用
显微镜集成的光学相干断层扫描，用于人工智能检测体内人脑肿瘤
目的已经表明，光学相干断层扫描（OCT）可以识别脑肿瘤组织，并且可以用于术中诊断。然而，关于其在人体内设置中使用的证据有限，尤其是在其残留脑肿瘤检测（RTD）的适用性和准确性方面。因此，检查了一个显微镜集成的OCT系统，以确定使用自动扫描分析切除后RTD的体内可行性。方法在18名脑肿瘤患者的切除边缘扫描健康和患病的大脑，并为其在术中组织分类方面的信息价值而投资。活检是在这些位置进行的，并由神经病理学家标记为进一步的分析为地面真理。获得了光学八个特性，比较并用于与机器学习分离。此外，还将两种人工智能辅助方法用于扫描分类，并检查了所有方法的RTD准确性并与标准技术进行了比较。导致体内OCT组织扫描是可行的，易于整合到手术工作流程中。在比较扫描的白质与扫描的肿瘤浸润水平的增加（P <0.001）的比较中，测量的后散射光信号强度，信号衰减和信号均匀性在比较较高的肿瘤值（85％）方面显着独特（85％），以检测肿瘤脑部与支撑矢量分离中的疾病脑部检测。将皮质灰质与肿瘤组织区分开来，在体内在技术上不可行。一种神经元网络方法在检测肿瘤边缘的患病大脑的检测中达到了82％的精度和自动编码器的准确性85％。在体内对人脑的体内扫描的结论已被证明包含对近路内的RTD的重要价值，支持了以前讨论过的ext Vivo Oct oct脑肿瘤扫描的内容，并具有补充当前目前的术中方法为此目的，尤其是在决定从进一步重新恢复默认效果的情况下撤回了surgery的结束。