XiaoMi-AI文件搜索系统
World File Search System智能算法
一种用于受损文物修复的组合人工智能算法
经过众多研究者的研究，人工智能可以很好地模仿人类的语言和视觉表达，并在声音和图片中模仿人类的风格。这种能力虽然依赖于学习数据，但人工智能比人类更客观，更基于数字数据。我们将其应用于过去通过人工智能神经网络制作的文化资产的修复，并将通用 CNN 稍微不同地应用于修复目的。文化财产包含从它们被创造的时代开始的各种背景，因此修复存在许多复杂性和困难。如果简单地将其视为噪音并恢复，结果取决于学习的数据。为了解决这个问题，将 CNN 分为完整和详细，并一起学习关联，并通过基于该神经网络的生成竞争网络 (GAN) 修复受损部分。我们训练了一个神经网络，该神经网络提取韩国“宝塔”（主要在佛教的影响下制作）的视觉特征，并进行了一项基于训练后的神经网络修复受损部分的研究。通过基于CNN的神经网络提取塔的特征，并基于提取的特征通过生成对抗网络（GAN）修复受损部分。我们认为我们的研究将来会积极用于文化遗产的修复以及考古记录的修复 关键词
利用人工智能算法混合模型精准检测乳腺癌转移
方法 在本研究中，我们使用了威斯康星乳腺癌数据集 [(https://archive.ics.uci.edu/ml/datasets/Breast+Cancer+Wisconsin+(Diagnostic)] 中的数字化病理图像数据，其中包括 357 个良性和 212 个恶性 BC 样本。我们主要回顾了 2006-2019 年期间基于各种算法对从癌症组织收集的图像进行诊断和分类的报告。我们的审查表明，单独应用 ML 算法在疾病的检测和预测方面并不准确和成功。接下来，我们使用 7 种标准化且广泛使用的算法对我们的样本中的 BC 进行分类以进行比较。我们应用的前两种算法是使用基于核方法的密度估计概率的 K-最近邻 (KNN) 和用于模式提取的决策树 (DT)。我们的第三个算法是森林树 (FT)，我们使用了一组 FT 对癌症患者进行分类。我们向每个 FT 输入了一组数据，以便算法可以开始学习。对于预测，我们使用了一组新数据，以便 FT 可以预测结果。
审查医学领域专家识别的人工智能算法：范围审查
摘要：随着信息量的增加和人与人之间的相互联系，识别特定领域中知识渊博的个人对于组织来说变得至关重要。人工智能 (AI) 算法已被用于评估知识并定位特定领域的专家，从而减轻了专家分析和识别的人工负担。然而，在医学和生物医学领域，探索人工智能算法在专家查找中的应用的研究有限。本研究旨在对现有关于利用人工智能算法在医学领域进行专家识别的文献进行范围审查。我们使用自定义搜索字符串系统地搜索了五个平台，并通过其他来源确定了 21 项研究。搜索范围涵盖了截至 2023 年的研究，研究资格和选择遵循 PRISMA 2020 声明。搜索共评估了 571 项研究。其中，我们纳入了 2014 年至 2020 年期间进行的六项符合我们审查标准的研究。四项研究使用机器学习算法作为模型，而两项研究使用自然语言处理。一项研究结合了两种方法。所有六项研究都表明，与基线算法相比，专家检索取得了显著的成功，这通过各种评分指标来衡量。人工智能提高了专家查找的准确性和有效性。然而，在智能医疗专家检索方面还需要做更多的工作。
基于软件和硬件技术的神经计算机接口人工智能算法的稳健性
摘要 本文主要研究利用信息技术进行脑机交互，利用脑电图（EEG）信号检测大脑活动模式。在实验中，我们使用了机器学习方法，即以下分类器：Bagging、Boosting、Nearest Neighbors 和 Support Vector。实验从手指运动任务期间对 EEG 信号的真实观察开始。我们使用 10 倍交叉验证来评估每个分类器的性能，包括准确性和稳健性。结果发现，支持向量分类器在分类器中表现出最高的稳定性。实验的主要目标是确定分类器的稳健性的重要性，特别是在医疗应用中。总之，该实验有助于脑机交互领域的发展以及在医疗保健和其他地方具有实际应用的稳健神经接口技术的开发。
再生混凝土力学性能预测与灵敏度分析的人工智能算法综述
使用从拆除废物中产生的再生骨料来生产混凝土是减少建筑环境对环境影响的一种有希望的选择。然而，预测再生骨料混凝土的硬化性能是其在建筑领域大规模部署的主要障碍之一。由于传统的经验方法对于预测新的再生骨料配方的性能不太可靠，近年来，人工智能方法已得到广泛发展，以实现这一目标。在本文中，我们对预测再生骨料混凝土的机械性能和进行敏感性分析的人工智能 (AI) 方法进行了广泛的文献综述。本研究对文献中发现的主要方法和算法的适用性、准确性和计算要求进行了详尽的描述、检查和讨论。此外，还强调了各种算法的优点和缺点。人工智能算法已在各种预测应用中取得了成功，并且准确率很高。虽然这些算法是用于估计再生骨料混凝土混合物成分和机械性能的强大预测工具，但它们的性能高度依赖于数据结构和超参数选择。这项研究可以帮助工程师和研究人员更好地决策使用人工智能算法进行机械性能预测和/或优化再生骨料混凝土的配方。
人工智能算法预测骨科手术后处方镇痛鸡尾酒的疗效
骨科手术后使用止痛药缓解术后疼痛是围手术期医学的一个主要问题。特别是在肩部手术（例如肩袖修复）、全关节置换和肢体创伤的情况下，预计疼痛程度会很高；因此，必须采用高效的策略来加快恢复，避免患者不适和痛苦，并降低疼痛相关并发症的风险 [ 1 – 3 ]。在多模式疼痛治疗中，医生通常会联合使用两种或两种以上的止痛药 [ 4 , 5 ]。由于这些药物之间可能存在药理学相互作用，因此很少知道疗效的预测。相互作用可以基于作用机制（例如受体上的药效学）或药代动力学途径。例如，高达 95% 的双氯芬酸在吸收后与血清白蛋白结合，在肝脏中经 CYP 3A4 羟基化和葡萄糖醛酸化后经肾脏消除。临床效果是通过阻断环氧合酶 I 和 II 实现的，从而导致前列腺素的合成减少。对乙酰氨基酚也通过环氧合酶途径表现出其作用，抑制前列腺素合成。另一方面，阿片类药物通过受体起作用，这些受体对这些镇痛药具有特异性，在肝脏中经 CYP 3A4 羟基化后消除。因此，对于临床医生来说，两种以上药物的组合可能不清楚，并且对处方的净效应感到困惑。术后处方中含有具有各种药代动力学和药效学特性的阿片类药物和非阿片类药物。据我们所知，关于当以两种以上药物组合使用时这些特性如何变化的数据很少，而且很少发表（如果有的话）[6-11]。对具有大量止痛药组合的止痛药的任何统计评估都面临着严峻的挑战：使用传统统计方法得出结论极其困难。我们使用人工智能方法 [12-15] 来克服这一困难。我们使用（人工）神经网络（NN）进行数据分析；具体来说，我们使用称为自动编码器的无监督神经网络（图 1）。这些无监督神经网络通过最小化损失（输入和输出之间的差异的平方和，在训练集上取平均值）来生成高精度模拟输入的输出（因此得名：自动编码器）。特征向量在下一段中描述。然后，我们将每个输入特征向量的代码层权重用作降维特征向量的坐标（图 1）。疼痛程度是分类变量，所施用的止痛药也是如此。我们使用独热编码为每个患者生成一个 38 维特征向量（参见方法部分）。这些特征向量并不独立。降维算法（神经网络自动编码器）找到独立性并将结果映射到二维流形（平面图）上。每个患者都是这个平面上的一个点，这些点不是随机分布的；相反，它们是聚集的。在我们掌握的众多聚类算法中，我们使用 DBSCAN 聚类算法 [ 16 ]，因为将其应用于点可以识别出具有许多共同止痛药的鸡尾酒聚类。相互依赖性产生包含高效止痛药的聚类；正如我们下面讨论的那样，这一发现无法通过任何其他方式找到（有 61 种不同的止痛药鸡尾酒，总共 750×2 = 1500 种疼痛
人工智能算法在非专业用户医疗环境中的应用：CARTIER-IA 平台
机器学习、深度学习和其他相关人工智能方法等高级算法和模型的使用率不断增长，因为它们在不同环境中具有优势。其中一个环境是医学领域，因为这些算法可以支持疾病检测、图像分割和其他多项任务。然而，有必要组织和安排这些场景中涉及的不同数据资源，并解决数据源的异构性问题。这项工作介绍了 CARTIER-IA 平台：一个用于管理医疗数据和成像的平台。该项目的目标侧重于提供一个友好且可用的界面来组织结构化数据、可视化和编辑医学图像，并在存储的资源上应用人工智能算法。平台设计的挑战之一是简化这些复杂的任务，使非人工智能专业的用户无需进一步培训即可从人工智能算法的应用中受益。提供了平台内人工智能应用的两个用例，以及一个启发式评估来评估 CARTIER-IA 第一版的可用性。
关于EVS中有效电池管理的优化和人工智能算法的全面审查
摘要 - 全面，用于电动汽车应用中的电池技术的研究正在迅速扩展，以解决温室排放和全球变暖的问题。电动汽车（EV）的效率高度取决于对重要因素的精确测量以及电池存储系统的适当操作和分析。不幸的是，电池存储系统的监控和安全措施不足会导致严重的问题，例如电池过度充电，装卸，超负荷，电池不平衡，热爆炸和燃烧危害。电池对其能力的能量的数量被描述为充电状态（SOC）。SOC以百分比为单位测量，估计为在相同问题下电池的最大输出与其在特定时间的平均能量之间的距离。健康状态（SOH）是对电池最大充电量的评估，而首次排放时的起始值。SOH是使用百分点作为变量的。 有效的电池管理系统，其中包括针对内容量身定制的，充电控制，热调节，电池保护和安全性，对于解决这些问题至关重要。 本文的目标是对电动汽车应用程序中使用的各种智能控制策略和电池管理系统方法进行彻底分析。 此外，审查还评估了智能算法，以根据其属性，自定义，安排，准确性，收益和缺点来估算电池状态。SOH是使用百分点作为变量的。有效的电池管理系统，其中包括针对内容量身定制的，充电控制，热调节，电池保护和安全性，对于解决这些问题至关重要。本文的目标是对电动汽车应用程序中使用的各种智能控制策略和电池管理系统方法进行彻底分析。此外，审查还评估了智能算法，以根据其属性，自定义，安排，准确性，收益和缺点来估算电池状态。最后，提出了开发成功的复杂算法和控制器的前景和方向，以创建一个增强的电池管理系统，以在将来的应用环境友好的EV技术中为应用程序创建。
人工智能智能算法能够自动表征所应用频率的正负介电泳范围
摘要：本研究描述了一种现象学方法，用于自动确定正负介电泳 (DEP) 的频率范围——一种可用于大规模并行微纳米组装的电动力。实验装置由带有金微电极阵列的微加工芯片组成，该芯片连接到一个函数发生器，该函数发生器能够数字控制 1 V（峰峰值）的交流信号和 10 kHz 至 1 MHz 范围内的各种频率。乳胶微珠（直径 3 µ m）的悬浮液在 DEP 力的影响下被吸引或排斥在微电极上，这是施加频率的函数。珠子运动的视频通过连接到显微镜的数码相机捕捉。OpenCV 软件包用于对图像进行数字分析并识别珠子。通过人工智能 (AI) 算法比较已识别珠子的连续帧位置，该算法确定微珠的云行为，并通过算法确定珠子是否受到电极的吸引或排斥。根据确定的珠子行为，算法将增加或减少应用的频率并执行由计算机控制的函数发生器的数字命令。因此，研究平台的运行完全自动化。AI 引导平台已确定正 DEP (pDEP) 在 500 kHz 频率以下活跃，负 DEP (nDEP) 在 1 MHz 频率以上有证据，交叉频率在 500 kHz 和 1 MHz 之间。这些结果与之前发表的通过实验确定的乳胶微珠的频率相关 DEP 行为一致。本研究描述的由实时 AI 引导反馈回路辅助的现象学方法将有助于主动操纵系统以实现期望的现象学结果，例如在电极处收集粒子，即使由于相互作用力的复杂性和多样性，无法进行基于模型的预测。