XiaoMi-AI文件搜索系统
World File Search System提取器
QIAcube® HT 版本 4.17 用户手册 - QIAGEN
5.16 使用“真空提取”向导创建运行文件 5-94 5.16.1 启动“真空提取”向导 5-95 5.16.2 “真空提取器配置向导”步骤 5-95 5.16.3 “表格设置”步骤：配置布局 5-98 5.16.4 “配置 [1]”步骤 5-100 5.16.5 “配置 [2]”步骤 5-101 5.16.6 “加载预捕获试剂 1”步骤 5-103 5.16.7 “加载捕获板”步骤 5-105 5.16.8 “清洗步骤 1 至清洗步骤 n”步骤 5-106 5.16.9 “干燥样品”步骤 5-108 5.16.10 “洗脱步骤”步骤 5-109 5.16.11 向导摘要 5-111 5.16.12 指定真空处理 5-112
语音生成的细粒度定量情绪编辑
摘要 - 它仍然是一个重大的挑战，如何在语音产生中进行定量控制语音情感的表现力。在这项工作中，我们提出了一种方法来定量操纵情感的情感，以编辑语音生成。我们应用层次情感分布提取器，即层次结构，可以量化不同粒度水平的情绪强度。层次结构ED随后集成到FastSpeech2框架中，指导模型以在音素，单词和话语水平上学习情感强度。在合成过程中，用户可以手动编辑生成的声音的情感强度。客观和主观评估都证明了拟议网络在细粒度的定量情绪编辑方面的有效性。
使用卷积神经网络进行人工智能朝圣者检测
朝圣是世界上最重要的伊斯兰宗教集会，数百万朝圣者前往麦加和麦地那圣地举行仪式。朝圣者的安全是当局的首要任务。在麦加，圣地周围分布着 5000 个摄像头来监控朝圣者，但考虑到每秒收集的图像数量巨大，人类几乎不可能跟踪所有事件。为了解决这个问题，我们建议使用基于深度学习和卷积神经网络的人工智能技术来检测和识别朝圣者及其特征。为此，我们建立了一个全面的数据集来检测朝圣者及其性别。然后，我们开发了两个基于 YOLOv3 和 Faster-RCNN 的卷积神经网络来检测朝圣者。实验结果表明，带有 Inception v2 特征提取器的 Faster RCNN 在所有类别中提供了 51% 的最佳平均精度。
推荐引用 推荐引用 Vilone G.、Rizzo L.、Longo L. 基于规则、与模型无关的可解释人工智能方法的比较分析。第 28 届 AIAI 爱尔兰人工智能与认知科学会议论文集，爱尔兰都柏林，2020 年 12 月 7-8 日，V. 2771，第 85-96 页，DOI：10.21427/z4x3-3f86
摘要：可解释人工智能的最终目标是建立既具有高精度又具有可解释性的模型。理解此类模型的推论可以看作是揭示其输入和输出之间关系的过程。这些关系可以表示为一组推理规则，这些规则通常在模型中并不明确。学者们提出了几种从数据驱动的机器学习模型中提取规则的方法。然而，对它们的比较研究有限。本研究提出了一种新颖的比较方法，通过使用六个定量指标来评估和比较四个事后规则提取器生成的规则集。研究结果表明，这些指标实际上可以帮助识别优于其他方法的方法，从而能够成功地对可解释性的独特方面进行建模。
使用深度神经网络检测飞机机身缺陷
为确保飞机结构的飞行安全，有必要使用目视和无损检测 (NDI) 方法进行定期维护。在本文中，我们提出了一种使用深度神经网络 (DNN) 的基于图像的飞机缺陷自动检测方法。据我们所知，这是首次使用 DNN 进行飞机缺陷检测。我们对最先进的特征描述符进行了全面评估，并表明使用 vgg-f DNN 作为特征提取器与线性 SVM 分类器可实现最佳性能。为了减少处理时间，我们建议应用 SURF 关键点检测器来识别缺陷补丁候选。我们的实验结果表明，对于笔记本电脑上的高分辨率（20 兆像素）图像，我们可以在大约 15 秒的处理时间内实现超过 96% 的准确率。
基于纹理特征的脑信号数据神经系统异常智能检测方法
神经系统疾病的诊断是现代医学面临的最大挑战之一，也是当前的一个主要问题。脑电图 (EEG) 记录通常用于识别各种神经系统疾病。EEG 会产生大量的多通道时间序列数据，神经科医生可以通过视觉分析这些数据来识别和了解大脑内的异常及其传播方式。这是一个耗时、容易出错、主观且令人精疲力尽的过程。此外，EEG 分类的最新进展主要集中在使用 EEG 数据将特定疾病的患者与健康受试者进行分类，这种方法成本效益不高，因为它需要多个系统来检查受试者的 EEG 数据以查找不同的神经系统疾病。这迫使研究人员推进他们的工作，并创建一个统一的分类框架，用于从 EEG 信号数据中识别各种神经系统疾病。因此，本研究旨在通过开发一种基于机器学习 (ML) 的数据挖掘技术来满足这一要求，以从 EEG 数据中对多种异常进行分类。纹理特征提取器和基于 ML 的分类器用于时频谱图图像以开发分类系统。首先，使用滤波技术从信号中去除噪声和伪影，然后进行归一化以降低计算复杂度。之后，将归一化信号分割成小的时间段，并使用短时傅里叶变换从这些时间段生成频谱图图像。然后使用两个基于直方图的纹理特征提取器分别计算特征，并使用主成分分析从提取的特征中选择显著特征。最后，使用四种不同的基于 ML 的分类器将选定的特征归类为不同的疾病类别。在四个实时 EEG 数据集上测试了所开发的方法。所得结果显示出对各种异常类型进行分类的潜力，表明可以利用它从脑信号数据中识别各种神经系统异常。
基于纹理特征的脑信号数据神经系统异常智能检测方法
神经系统疾病的诊断是现代医学面临的最大挑战之一，也是当前的一个主要问题。脑电图 (EEG) 记录通常用于识别各种神经系统疾病。EEG 会产生大量的多通道时间序列数据，神经科医生可以通过视觉分析这些数据来识别和了解大脑内的异常及其传播方式。这是一个耗时、容易出错、主观且令人精疲力尽的过程。此外，EEG 分类的最新进展主要集中在使用 EEG 数据将特定疾病的患者与健康受试者进行分类，这种方法成本效益不高，因为它需要多个系统来检查受试者的 EEG 数据以查找不同的神经系统疾病。这迫使研究人员推进他们的工作，并创建一个统一的分类框架，用于从 EEG 信号数据中识别各种神经系统疾病。因此，本研究旨在通过开发一种基于机器学习 (ML) 的数据挖掘技术来满足这一要求，以从 EEG 数据中对多种异常进行分类。纹理特征提取器和基于 ML 的分类器用于时频谱图图像以开发分类系统。首先，使用滤波技术从信号中去除噪声和伪影，然后进行归一化以降低计算复杂度。之后，将归一化信号分割成小的时间段，并使用短时傅里叶变换从这些时间段生成频谱图图像。然后使用两个基于直方图的纹理特征提取器分别计算特征，并使用主成分分析从提取的特征中选择显著特征。最后，使用四种不同的基于 ML 的分类器将选定的特征归类为不同的疾病类别。在四个实时 EEG 数据集上测试了所开发的方法。所得结果显示出对各种异常类型进行分类的潜力，表明可以利用它从脑信号数据中识别各种神经系统异常。
铟基 FEEP 推进系统在不同应用和轨道上的飞行历史：太空清洁
摘要：自 2018 年场发射电推进 (FEEP) 推进器首次飞行以来，已发射了 200 多个基于 FEEP 的推进系统，其中包括 190 个传统 ENPULSION NANO 系统、18 个更高功率的 MICRO 系统和 9 个新型 NANO R 3 /AR 3。后者是传统 NANO 的后继产品，AR 3 版本允许直接推力矢量能力而无需活动部件。本文报告的所有推进系统均基于被动供给的铟基液态金属 FEEP 技术。本文报告了最新的发射和飞行遗产统计数据。我们介绍了在不同应用和轨道中使用的不同推进系统的遥测数据，并介绍了在 LEO 上对传统 NANO 推进器进行 1350 小时累计点火后进行的成功的在轨提取器清洁程序。
模式识别和预测XXXV（DCS117）
本次会议是一个针对模式识别和预测的新研究（PRP）的年度论坛，其中包括算法，体系结构和系统方法。理论，模拟和光学/数字/混合硬件重新估计。将特别强调模式识别，学习，预测和跟踪的新进展。鼓励有关新颖对象识别，机器学习，空间/视频监视以及使用现实世界应用程序执行的气候/生物预测系统的论文。其他模式识别体系结构，其中可能包括用于产品检查以及对象识别和跟踪的提取器。还将考虑有关原型设备，组件，系统和产品的论文。我们进一步鼓励有关新技术的论文处理高级传感器数据（例如高光谱，LADAR，SAR和基于事件的视觉传感器数据）以及多传感器数据/信息融合。
