XiaoMi-AI文件搜索系统
World File Search System挖掘
Twitter文本挖掘分析
背景：Covid-19的大流行使平衡健康饮食在加强人类免疫系统中所扮演的关键作用。在Twitter等社交媒体平台上，人们对与营养有关的信息引起了人们的兴趣。迫切需要评估和理解公众舆论，态度和对在Twitter上共享的与营养相关信息的情感。目的：本研究使用文本挖掘来分析Twitter上与营养相关的消息，以识别和分析公众如何感知各种食品组和饮食，以改善对SARS-COV-2病毒的免疫力。方法：我们收集了71,178个与营养有关的推文，这些推文在2020年1月1日，2020年至9月30日之间发布。相关的解释文本挖掘算法用于识别用户提到的经常讨论的主题，这些主题有助于对SARS-COV-2的免疫力建立。我们评估了这些主题的相对重要性，并进行了情感分析。我们还定性地检查了这些推文，以更深入地了解与营养有关的主题和食品组。结果：文本挖掘产生了10个主题，用户在Twitter，Viz蛋白质，全谷物，水果，蔬菜，与乳制品有关的，香料和草药，液体，补充剂，可避免的食物和特殊饮食中经常讨论的主题。补充剂是最常讨论的主题（23,913/71,178，33.6％），比例较高（20,935/23,913，87.75％），表现出积极情绪，得分为0.41。香料和草药（8719/71,178，12.25％）和可避免的食物（8619/71,178，12.11％）也经常讨论。消耗液体（17,685/71,178，24.85％）和水果（14,807/71,178，20.80％）是第二和第三频繁的主题，具有良好的积极情绪。对较高比例的可避免食品（7627/8619，84.31％）的负面情感，情感得分为–0.39。结论：本研究确定了用户讨论的10个重要食品群和相关的情感，这些情绪是提高免疫力的一种手段。我们的发现可以帮助营养师和营养学家制定适当的干预措施和饮食计划。
人工智能引导的内在构象挖掘
。CC-BY-NC-ND 4.0 国际许可下可用（未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者此版本于 2021 年 11 月 21 日发布。；https://doi.org/10.1101/2021.11.21.469457 doi：bioRxiv 预印本
人工智能与可持续性挑战深入挖掘
在很大程度上，人工智能系统的可持续性是在设计和规划阶段确定的。因此，从一开始就应该仔细考虑是否有必要为特定任务开发和部署复杂且资源密集型的人工智能系统。如果是，那么必须提出其他基本问题：系统必须处理哪些数据以及如何处理？有哪些风险？将实施哪些安全措施？
SRK 咨询 - 在线挖掘数据
附件为我们的独立技术报告（“ITR”），该报告涉及 Mwana Africa plc（“Mwana”）的重大和某些其他采矿及勘探资产。Mwana 是一家在英格兰和威尔士注册成立的公司，注册号为：02167843，注册办事处位于 Devon House Dartmouth Street, London, SW1H9BL，包括位于津巴布韦的 Bindura Nickel Corporation 和 Freda Rebecca Mine 以及位于津巴布韦和刚果民主共和国的勘探前景。我们根据 2007 年 3 月的提案编号 377727/1 以及我们对多伦多证券交易所安大略省证券委员会（“OSC”）上市要求的理解编制了此 ITR。
在印度泰米尔纳德邦Pattaraiperumbudur的挖掘地点
这项调查是在塔拉科塔（Terracotta）戒指中采集的陶土样品，预计将在铁器时期建造，在印度泰米尔纳德邦（Tamil Nadu）的Pattaraiperumbubudur发掘。借助EDX，XRD和TG-DTA检验，使用FE-SEM检查样品，以找到样品的矿物组成，形态和生产技术。来自XRD结果很明显，样品中石英和长石的百分比较高。使用FE-SEM测试，在氧化气氛下发现点火温度在600-900°C之间。使用吸水和孔隙率测试研究了样品的物理特性，该测试对样品的多孔结构较少，从而想出了较低的燃烧温度。通过TG-DTA测试估计制造时的射击温度为600-900°C，它也与FE-SEM和孔隙率一致。
卷积神经网络的深度图像挖掘
图像挖掘是一种从庞大的图像数据集中搜索和发现有价值的信息和知识的方法。图像挖掘基于数据挖掘、数字图像处理、机器学习、图像检索和人工智能。图像挖掘处理隐藏信息提取、图像数据关联和图像中不清晰可见的附加模式。选择适合图像挖掘过程的适当对象或图像特征是程序员面临的主要挑战。该过程包括在更短的时间内找出最有效的路线并节省用户的工作量。本文的主要目标是设计和实现具有更高性能的图像分类系统，其中使用 CIFAR-10 数据集来训练和测试使用 CNN 的分类模型。卷积神经网络是值得信赖的，它可以产生高质量的结果。使用深度卷积神经网络 (DCNN) 获得了 98% 的高准确率。
充分挖掘生物能源的潜力
图 2.净耗电量，太瓦时（IEA，《世界能源展望》，2023 年）（联邦网络局，2022 年）（弗劳恩霍夫系统与创新研究所 ISI，2023 年）（能源转型，2023 年）（dena 主导研究，2021 年）（网络发展计划，2024 年）
挖掘移动对象的周期行为
周期性是运动物体中经常发生的现象。寻找周期行为对于理解物体运动至关重要。然而，周期行为可能非常复杂，涉及多个交错的周期、部分时间跨度以及时空噪声和异常值。在本文中，我们解决了挖掘运动物体的周期行为的问题。它涉及两个子问题：如何检测复杂运动中的周期以及如何挖掘周期性运动行为。我们的主要假设是观察到的运动是由与某些参考位置相关的多个交错的周期行为产生的。基于此假设，我们提出了一个两阶段算法Periodica来解决这个问题。在第一阶段，提出参考点的概念来捕捉参考位置。通过参考点，可以使用结合傅里叶变换和自相关的方法来检索运动中的多个周期。在第二阶段，提出一个概率模型来表征周期行为。对于特定时期，通过层次聚类从部分运动序列中统计概括出周期性行为。对合成数据集和真实数据集的实证研究证明了我们方法的有效性。
地下挖掘中的空气速度测量
附录列表................................................................................................................ yjj