XiaoMi-AI文件搜索系统
World File Search System手动的
论文最终稿已接受在 IEEE 知识与数据工程学报上发表。©2022 IEEE。本文个人使用
摘要 — 数据整理任务（例如从各种来源获取和链接数据、转换数据格式和更正错误记录）可占典型数据工程工作的 80%。尽管机器学习和人工智能兴起，但数据整理仍然是一项繁琐且手动的任务。我们引入了 AI 助手，这是一类半自动交互式工具，用于简化数据整理。AI 助手通过推荐合适的数据转换来指导分析师完成特定的数据整理任务，该转换尊重通过与分析师交互获得的约束。我们正式定义了 AI 助手的结构，并描述了将数据清理视为优化问题的现有工具如何符合定义。我们为四种常见的数据整理任务实现了 AI 助手，并通过利用它们遵循的通用结构，使数据分析师可以在数据科学的开源笔记本环境中轻松访问 AI 助手。我们通过三个示例场景对我们的 AI 助手进行了定量和定性评估。我们表明，统一的交互式设计可以轻松执行手动或使用全自动工具难以完成的任务。
推进数字取证调查的自动化
摘要 当传统的预防性安全机制无法遏制复杂而隐秘的网络犯罪事件时，数字取证可用于辅助这些机制。数字取证调查过程基本上是手动的，或者充其量是半自动化的，需要高技能的劳动力并投入大量时间。行业标准工具以证据为中心，仅自动执行少数前期任务（例如解析和索引），并且从多个证据源进行集成的能力有限。此外，这些工具始终是人为驱动的。这些挑战在当今日益计算机化和高度网络化的环境中更加严重。需要收集和分析的数字证据量增加了，典型案件中涉及的数字证据来源的多样性也增加了。这进一步阻碍了数字取证从业者、实验室和执法机构，导致案件积压导致调查和法律系统的延误。需要提高数字调查过程的效率，以提高速度并减少人力投入。本研究旨在通过推进数字取证调查流程的自动化来实现这一时间和精力的减少。使用设计科学研究方法，设计和开发工件以解决这些实际问题。总结一下，自动化数字调查系统的要求和架构
基于Edgeml和计算机视觉的印刷电路板中的缺陷检测
在工业环境中，生产高质量的印刷电路板（PCB）对于确保可靠的产品到达最终客户至关重要[1]至关重要。质量控制部门旨在根据预先建立的标准确保和执行工业过程的每个阶段的合规性。部门负责通过采样来对产品进行功能测试和视觉检查，这是一项经常手动的任务，依赖于员工的重点和解释。这可能会导致人类错误或未发现的缺陷，这些缺陷落在抽样之外[2]。行业4.0技术的集成，例如物联网（IoT），人工智能（AI）和云计算，在优化和确保过程中的可靠性方面起着重要作用[3]。机器学习模型处理和分析大量数据和识别模式的技术能力使得能够准确区分有缺陷的和非缺陷的PCB，检测到未安装的或错误安装的组件，甚至识别痕迹中的缺陷，例如开路通行器或短路或短路。这项技术使基于样本的检查不必要，因为可以单独分析每个生产的董事会。这项工作旨在调查不同的卷积神经网络架构，以表征工业过程中PCB中的组装缺陷。
对早期育儿干预对杏仁核 - 眶额皮层静止状态连通性连通性的初步检查：一项随机临床试验
我们研究了婴儿期为儿童的情绪调节和休息状态功能连通性（RS-FC）的基于证据的育儿计划的长期因果关系。家庭被儿童保护服务（CPS）转诊为寄养计划的转移的一部分。还招募了一群低风险的家庭。cps涉及的家庭被随机分配以接收目标（附件和生物行为追赶，ABC）或对照干预措施（家庭的发展教育，DEF），然后婴儿已满2。两种干预措施都是基于家庭的，手动的，并且长10年。在童年时期，儿童接受了6分钟的休息状态功能性MRI扫描。基于杏仁核种子的RS-FC分析以干预组作为群体级别的兴趣预测指标完成。57个儿童（N ABC = 21; n def = 17; n comp = 19; m年龄= 10.02岁，范围= 8.08 - 12.14）成功地扫描了。def组证明了负左杏仁核↔OFC连接性，而在ABC和比较组中，连通性接近零（ABCVSDEF：Cohen的D = 1.17）。ABC可能会在干预完成后约8年增强高危儿童的调节性神经生物学结局。
分析物流流的分析VSM 4.0
电子邮件：fabiano.nunes@espm.br摘要本文介绍了Meudt等人开发的值流映射4.0（VSM 4.0）的应用。（2017）在物流分配中心（DC）中信息流中的活动的详细识别。绘制了订单生成，订购，检查，检查器检查和运输流量的映射。所采用的研究方法是在冶金领域的大型巴西工业的配送中心的案例研究，该中心生产用于零售的消费品。在这种实际应用中，该方法产生了令人满意的结果，因为有可能识别和衡量VSM 4.0的信息指标：数字化/自动化率（DR）为9％，数据利用率（DU）率为0％，数据可用性（DA）率（DA）率为16％。从这些数据中，可以验证该公司没有专有信息流，使此信息稀疏和管理困难，因为84％的信息是手动的，也就是说，在不使用数字媒体的情况下，ERP使用较低。在信息流很大的物流环境中验证了VSM 4.0的实际适用性。进一步，我们观察到，VSM 4.0可能有助于识别操作管理中的废物，并为数字化转型流入和过程提供信息，这对于向行业4.0迁移至关重要。
雨水排水的房主指南
我们希望您能发现这种手动的信息和有用，可实现我们在莱克韦市内管理雨水和雨水污染的共同目标。它旨在为您提供您可以采取的步骤和行动来改善财产和社区内部的雨水管理。作为房主，您的零件可以像保持沟渠那样的四肢和叶子或确保您的车道涵洞没有任何可能抑制雨水流动的碎屑而保持院子一样简单。当您开发地段或园林绿化时，您可以无意中造成洪水和排水问题，这些问题会对邻近物业产生不利影响。本小册子旨在很好地概述观看的内容，可以采取什么行动以及如果您看到问题，该打电话给谁。每个人都可以在维持我们的溪流，小溪和绿色带上发挥积极作用，以便它们继续成为居民和野生动植物的便利。这样的维护不仅将有助于保护我们宝贵的饮用水源，而且还将帮助绿化城市，恢复我们的水路并改善所有居民的生活质量。这些准则是根据《莱克韦市法令》制定的。它们本质上是一般性的，可能不适用于所有情况。如果您有异常问题或特定问题，请致电（512）314-7540与Building＆Development Services联系。
利用拓扑元素提高虚拟现实神经元追踪的可用性
摘要 — 连接组学领域的研究人员正在努力重建大脑中的神经连接图，以便从根本上了解大脑如何处理信息。构建此连接图是通过荧光显微镜成像技术获取的高分辨率图像堆栈来追踪神经元来完成的。虽然已经提出了大量自动追踪算法，但这些算法通常依赖于数据中的局部特征，并且在嘈杂的数据或模糊的情况下会失败，需要耗时的手动校正。因此，手动和半自动追踪方法仍然是创建精确神经元重建的最新方法。我们提出了一种新的半自动方法，该方法使用拓扑特征来指导用户追踪神经元，并将该方法集成到以前用于手动追踪的虚拟现实 (VR) 框架中。我们的方法增强了可视化和与拓扑元素的交互，从而可以快速理解和追踪复杂的形态。在我们的试点研究中，神经科学家表现出强烈的偏好，他们更喜欢使用我们的工具，而不是之前的方法，他们表示在追踪过程中疲劳感更少，并称赞它能够更好地理解可能的路径和替代方案。对追踪的定量评估表明，与完全手动的方法相比，用户的追踪速度有所提高，同时保持了类似的准确性。
基于人工智能的功率转换器电路参数设计（AI-D）
摘要 --- 参数设计对于确保功率转换器的整体性能令人满意具有重要意义。通常，功率转换器的电路参数设计包括两个过程：分析和推导过程和优化过程。现有的参数设计方法包括两种类型：传统方法、计算机辅助优化（CAO）方法。在传统方法中，需要严重依赖人。即使新兴的 CAO 方法使优化过程自动化，它们仍然需要手动的分析和推导过程。为了减轻对人的依赖以实现高精度和易于实施，本文提出了一种基于人工智能的设计（AI-D）方法用于功率转换器的参数设计。在提出的 AI-D 方法中，为了实现分析和推导过程的自动化，采用仿真工具和批量归一化神经网络（BN-NN）为优化目标和设计约束构建数据驱动模型。此外，为了实现优化过程的自动化，使用遗传算法来搜索最佳设计结果。所提出的 AI-D 方法在电动汽车 48 V 至 12 V 附件负载电源系统中同步 Buck 转换器的电路参数设计中得到了验证。给出了效率最优的同步 Buck 转换器的设计案例，该转换器在体积、电压纹波和电流纹波方面均有约束。最后，通过硬件实验验证了所提出的 AI-D 方法的可行性和准确性。索引术语 - 功率转换器、参数设计、人工智能、进化算法、神经网络。
通过高通量FTIR分析与微孔板读取器
抽象的FTIR光谱识别是当今的金标准分析程序，用于塑料污染材料表征。高通量FTIR技术已经用于小型微型塑料（10-500 µm），但对于大型微塑料（500-5 mm）和大型塑料（> 5 mm）而言，较少的。通常使用ATR分析这些较大的塑料，该塑料是高度手动的，有时会破坏感兴趣的颗粒。此外，由于昂贵的光谱数据收集，由于参考材料和光谱收集模式的种类有限，光谱库通常是不足的。我们使用FTIR微板读取器来测量大型颗粒（> 500 µm），推进了一种新的高通量技术来解决这些问题。我们创建了一个新的参考数据库，其中包括6000多个光谱，用于传输，ATR和反射频谱收集模式，其与塑料污染研究相关的600多个塑料，有机和矿物参考材料。我们还通过创建一个新的粒子支架来使用现成的零件创建用于传输测量的新粒子读取器中的未来分析，并为存储颗粒制造非塑料96孔微孔板。我们确定应将颗粒呈现给读取器，因为较厚的颗粒会导致质量不佳的光谱和鉴定，因此应尽可能薄。我们使用Open Specy验证了新数据库，并证明了光谱库中需要其他传输和反射光谱参考数据。
测量辅助装配的研究重点
摘要 ：本文首次提出测量辅助装配（MAA）的概念，并概述了在工业中实现该概念的研究重点。MAA 表示高价值和复杂产品装配的范式转变，包括开发和使用新颖的计量流程，以全面集成和提高关键装配和辅助流程的能力。本文详细介绍了 MAA 的完整框架，展示了它如何促进大型复杂产品（如机身）装配过程能力和效率的逐步改变，而传统装配过程需要整改和返工，使用不灵活的工具并且主要是手动的，从而导致成本和周期时间压力。MAA 的概念包含一系列创新的测量辅助过程，这些过程可以实现快速的零件到零件装配、更多地使用灵活的自动化、可追溯的质量保证和控制、减轻结构重量以及提高整个尺寸尺度的精度水平。在实验飞机机翼上进行了 MAA 技术的全面工业试验，证明了该方法的可行性，而 140 家小公司的研究则强调需要更好地采用现有的工艺能力和质量控制标准。MAA 确定的研究重点包括开发无框架和工具嵌入式自动计量网络。其他研究重点涉及开发集成尺寸变化管理、热补偿算法以及将设计与测量和工艺规划联系起来的测量规划和检查算法。