XiaoMi-AI文件搜索系统
World File Search System变压器
视觉变压器 - 模式方法的新型融合...
由于疾病的复杂性和有限的数据集大小，大脑MRI图像的阿尔茨海默氏病（AD）分类仍然是一个艰巨的任务。卷积神经网络（CNN）在使用MRI数据的脑部疾病分类方面表现出色，但它们与逮捕全球依赖性无能为力。此外，他们的结果不可解释，这是医疗领域的主要问题。变压器使用注意机制在各种视觉任务上都可以使用甚至超过CNN。本研究提出了一个新型的融合模型，该模型整合了Densenet-121和Vision Transformer的互补优势，以应对这些挑战。通过协同两种体系结构的优势，提出的融合模型提取了全面的图像特征。为了进一步优化特征歧视和计算效率，并入了基于外部分类器的特征选择技术。使用标准指标评估所提出的模型的性能，并与最先进的技术进行比较。结果表明，较高的分类精度为99％，融合模型有效地区分了各个AD阶段。此外，使用类激活图（CAM）可视化模型的决策过程，从而增强对模型预测的信任。我们还提供了Grad-CAM，Grad-CAM ++，Score-CAM和更快的得分摄像机可视化技术的视觉比较，以评估这些技术的性能，以突出显示AD分类的区分区域。
配电变压器自动负荷分配（IOT）
VN Chatse 1、GD Shingade 2 电气工程系，MGM'S 大学 MGM 大学，Cidco，Chh. Sambhajinagar，马哈拉施特拉邦 印度 摘要：随着我们进入人工智能、自动化和创新基础设施的新时代，在过去一个世纪中，对电力的需求呈指数级增长。人口增加也是需求增长的主要原因。使用物联网实现配电变压器的自动负载共享 当今能源危机（如电力需求和变压器保护，最终可以解决配电系统保护）的方法之一。负载分配的主要目标是防止变压器过载。由于过载，变压器的效率会降低，结果经常发生电源故障，绕组过热并可能烧毁。结果变压器故障率增加。更换新变压器是一项主要任务，需要大量资金和人力。保护配电免受过载、维持对工业和家庭的可靠电力供应是配电公司要处理的重点任务。自动负载共享是最好的解决方案之一，这将通过使用微控制器来实现。两个配电变压器通过并联连接，包括微控制器的主动作用。微控制器将第一个变压器上的负载与参考值进行比较。当负载超过参考值时，第二个变压器将分担额外的负载。关键词：DHT11-数字湿度温度传感器，ESP8266微控制器
变压器数字孪生——概念和未来前景
可持续发展目标 11：可持续城市和社区 更加关注利用当地（原）材料建造可持续和有韧性的建筑、为电动汽车提供动力、加强长线输配电系统以向城市输入必要的电力、开发微电网以加强城市的可持续性；保护和维护世界文化和自然遗产；减少城市对人均环境的不利影响，包括特别关注空气质量和废物管理
基于变压器的需求预测中的迁移学习......
越来越多的房主选择使用光伏 (PV) 系统和/或电池存储来最大限度地减少能源费用并最大限度地利用可再生能源。这刺激了高级控制算法的开发，以最大限度地实现这些目标。然而，在开发此类控制器时面临的一个共同挑战是无法准确预测家庭用电量，尤其是对于较短的时间分辨率（15 分钟）和数据效率较高的情况。在本文中，我们分析了迁移学习如何通过利用来自多个家庭的数据来改善单个房屋的负荷预测。具体来说，我们使用来自多个不同家庭的数据来训练一个高级预测模型（时间融合转换器），然后在数据有限（即只有几天）的新家庭上微调这个全局模型。获得的模型用于以 15 分钟的时间分辨率预测家庭未来 24 小时（未来一天）的用电量，目的是将这些预测用于模型预测控制等高级控制器中。我们通过使用真实家庭数据，展示了这种迁移学习设置相对于仅仅使用单个新家庭数据的优势，包括（i）预测准确性（MAE 减少约 15%）和（ii）控制性能（能源成本减少约 2%）。
m3t：使用多平面和多板变压器
在这项研究中，我们提出了使用多平面和多层跨前（M3T）网络的三维医学图像分类器，以在3D MRI图像中对阿尔茨海默氏病（AD）进行分类。提出的网络协同委托3D CNN，2D CNN和变压器用于准确的AD分类。3D CNN用于执行本机3D表示学习，而2D CNN用于利用大型2D数据库和2D代表学习的预训练权重。使用具有感应性偏置的CNN网络有效地提取局部大脑中与AD相关的异常的信息信息。跨前网络还用于获得CNN后多平面（轴向，冠状和矢状）和多切片图像之间的注意力关系。也可以使用不感应偏置的变压器学习分布在大脑中较大区域的差异。在此期间，我们使用了来自阿尔茨海默氏病神经影像学计划（ADNI）的训练数据集，该计划总共包含4,786 3D T1加权MRI图像。对于有效数据，我们使用了来自三个不同机构的数据集：澳大利亚成像，生物标志物和生活方式旗舰研究（AIBL）（AIBL），开放访问Imaging研究（OASIS）的开放访问系列（OASIS）以及来自培训数据集中的一些ADNI数据。我们提出的M3T基于曲线（AUC）下的区域（AUC）和AD分类的分类精度，与常规的3D分类网络相结合。这项研究表示，所构成的网络M3T在多机构验证数据库中实现了最高的性能，并证明了该方法有效地将CNN和Transformer用于3D医学图像的可行性。
基于变压器的家庭能源管理系统的需求预测
越来越多的房主选择光伏（PV）系统和/或电池存储以最大程度地减少其能源账单并最大程度地利用能源。这刺激了最大程度地实现这些目标的高级控制算法的发展。但是，开发此类控制器时面临的一个普遍挑战是对家庭电力征服的准确预测，尤其是对于较短的时间分辨率（15分钟）和数据效率高的方式。在本文中，我们分析了转移学习如何通过从多个家庭中利用数据来改善单一房屋的负载预测来提供帮助。具体来说，我们使用来自多个不同家庭的数据训练先进的预测模型（时间融合变压器），然后在具有有限数据的新家庭（即只有几天）上进行对全球模型的捕获。所获得的模型用于预测家庭在接下来的24小时（日前）的时间分辨率为15分钟的时间，目的是在高级控制器（例如模型预测控制）中使用这些前铸件。我们在（i）预测准确性（〜15％的MAE降低）和（ii）控制性能（〜2％的能源成本降低）（使用现实世界中的家庭数据）方面显示了这种转移学习设置的好处，而仅使用单个新家庭的数据，而仅使用单个新家庭的数据。
百年变压器站和线项目
提交中包含的所有个人信息（例如姓名，地址，电话号码和财产位置）均由环境部，保护和公园部收集，维护和披露，以进行透明和咨询。该信息是根据《环境评估法》的授权收集的，或者是为了创建如s所述的公众可用的记录而收集和维护的。 37《信息自由与保护隐私法》。您提交的个人信息将成为公共记录的一部分，除非您要求您的个人信息保密。有关更多信息，请联系416-314-4075或foi.mecp@ontario.ca的环境，保护和公园的信息自由和隐私协调员。
基于变压器的应力降低模型研究
摘要 人们无时无刻不在处于压力与焦虑的环境中，引发多种心理和生理健康问题，因此及时识别心理压力，寻找可行、普适的减压方法尤为重要。本研究基于脑电信号探究放松音乐、自然节奏音乐等不同音乐对缓解压力的影响。通过心算测试创设压力环境，23名被试分别在有音乐和无音乐条件下进行心算测试，同时记录被试的脑电信号。通过压力测试问卷（包括特质焦虑量表（STAI-6）和自我压力评估）验证音乐对缓解压力的作用。配对t检验显示，在有音乐和无音乐条件下，压力测试问卷值有显著变化（p<0.01）。此外，提出了一种基于Transformer的脑电信号压力水平分类模型。实验结果表明，通过聆听放松音乐和自然节奏音乐的方法可以达到减轻心理压力的效果，且所提模型对心理压力脑电信号的分类准确率较高。关键词：脑电信号，心理压力，音乐，自我注意，Transformer
基于序列到序列变压器结构
摘要：近年来，图像复制移动伪造（CMFD）的检测已成为验证数字图像的真实性的关键挑战，尤其是随着图像操纵技术的迅速发展。虽然深度卷积神经网络（DCNN）已被广泛用于CMFD任务，但它们通常受到一个显着限制的阻碍：编码过程中空间分辨率的逐步减少，这导致了关键图像细节的丢失。这些细节对于图像复制移动伪造的准确检测和定位至关重要。为了克服现有方法的局限性，本文提出了一种基于变压器的CMFD和本地化方法，作为传统DCNN技术的替代方法。所提出的方法采用变压器结构作为编码器来以序列到序列方式处理图像，用自我发项计算代替以前方法的特征相关计算。这使该模型可以捕获图像中的远程依赖性和上下文细微差别，从而保留了通常在基于DCNN的方法中丢失的更细节。此外，还利用了适当的解码器来确保图像特征的精确重建，从而提高了检测准确性和定位精度。实验结果表明，所提出的模型在USCISI等基准数据集上实现了出色的性能，用于图像复制移动伪造的检测。这些结果表明了变压器体系结构在推进图像伪造检测领域的潜力，并为未来的研究提供了有希望的方向。
蛋白质特异性de的变压器神经网络...
蛋白质靶标的药物发现是一个非常费力，漫长且昂贵的过程。机器学习方法，尤其是深层生成网络可以大大减少开发时间和成本。然而，大多数方法意味着蛋白质粘合剂的先验知识，其物理化学特征或蛋白质的三维结构。这项工作中提出的方法生成具有预测能力结合靶蛋白的新分子，仅依靠其氨基酸序列。，我们将靶标特异性药物设计视为氨基酸“语言”和简化分子输入线进入系统表示分子的转化问题。为了解决这个问题，我们应用了变压器神经网络体系结构，这是一种序列转导任务的最新方法。变压器基于一种自我发项技术，该技术允许按顺序捕获项目之间的远程依赖性。该模型具有结构性新颖性的逼真的多样化化合物。药物发现中使用的计算出的物理化学特性和常见的指标属于合理的药物相似的值范围。