XiaoMi-AI文件搜索系统
World File Search System检测方法
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。
防止意外孤岛的逆变器板载检测方法：行业实践
为了解决分布式能源 (DER) 中对意外孤岛效应的长期担忧，一个为期多年的研究项目正在进行中。该项目旨在解决逆变器连接 DER 中部署的增长、扩展的功能和新的性能选项。该项目的主要成果预计将是定义通用孤岛检测方法、在典型馈线环境中的有效性评估以及筛选互连请求的新标准。该项目以桑迪亚国家实验室最近的研究成果“混合 DER 类型的意外孤岛检测性能，SAND2018-8431”（2018 年 7 月）为基础。1 正在进行的其他工作是研究不同的孤岛检测方法、穿越性能类别和馈线细节如何影响预防。计划发布更多 EPRI 和桑迪亚报告来提供这项研究的结果。
文章 结合基于签名和基于行为的检测方法的高级入侵检测 †
1 仁荷大学电气与计算机工程系，韩国仁川 22212；heeyong.kr@gmail.com 2 德克萨斯 A&M 大学金斯维尔分校电气工程与计算机科学系，美国德克萨斯州金斯维尔 78363；taesic.kim@tamuk.edu * 通信地址：mklee@inha.ac.kr；电话：+82-32-860-7456 † 本文是我们在 ICNGC 2021 上发表的论文的扩展版本，题为“Hee-Yong Kwon；Taesic Kim；Mun-Kyu Lee。一种用于工业控制系统的混合入侵检测方法”，其中我们介绍了一种混合入侵检测方法。在这个完整版本中，我们进行了额外的实验来微调各种参数和异常检测标准。因此，我们进一步提高了异常检测的性能。此外，我们还从执行时间角度证明了所提出方法的效率。
PotholeGuard：一种基于点云语义分割的坑洼检测方法
摘要 — 坑洼检测对于道路安全和维护至关重要，传统上依赖于 2D 图像分割。然而，现有的 3D 语义坑洼分割研究往往忽略点云稀疏性，导致局部特征捕获和分割精度不理想。我们的研究提出了一种创新的基于点云的坑洼分割架构。我们的模型有效地识别隐藏特征并使用反馈机制来增强局部特征，改善特征呈现。我们引入了一个局部关系学习模块来理解局部形状关系，增强了结构洞察力。此外，我们提出了一种轻量级自适应结构，用于使用 K 最近邻算法细化局部点特征，解决点云密度差异和域选择问题。共享 MLP 池化被集成以学习深度聚合特征，促进语义数据探索和分割指导。在三个公共数据集上进行的大量实验证实了 PotholeGuard 优于最先进方法的性能。我们的方法为稳健而准确的 3D 坑洼分割提供了一种有前途的解决方案，可应用于道路维护和安全。索引词——坑洼、点云、语义分割、计算机视觉
SmOOD：基于平滑度的飞机设计替代神经网络的分布外检测方法
航空工业一直在寻求在人力、计算时间和资源消耗方面更高效的设计优化方法。当代理模型和最终过渡到 HF 模型的切换机制都经过适当校准时，混合代理优化可以在提供快速设计评估的同时保持高质量结果。前馈神经网络 (FNN) 可以捕获高度非线性的输入-输出映射，从而产生有效的飞机性能因素替代品。然而，FNN 通常无法推广到分布外 (OOD) 样本，这阻碍了它们在关键飞机设计优化中的应用。通过基于平滑度的分布外检测方法 SmOOD，我们建议使用优化的 FNN 替代品对模型相关的 OOD 指标进行编码，以生成具有选择性但可信预测的可信代理模型。与传统的基于不确定性的方法不同，SmOOD 利用 HF 模拟固有的平滑特性，通过揭示其可疑的敏感性来有效地暴露 OOD，从而避免对 OOD 样本的不确定性估计过于自信。通过使用 SmOOD，只有高风险的 OOD 输入才会被转发到 HF 模型进行重新评估，从而以较低的间接成本获得更准确的结果。研究了三种飞机性能模型。结果表明，基于 FNN 的替代方法优于高斯过程替代方法
基于CRISPR-CAS13A系统，为禽流感病毒建立快速的视觉检测方法
迅速，特定且敏感地检测禽流感病毒（AIV），这项研究建立了一种基于定期群散布的短palindromic重复序列（CRISPR）和CRISPR相关蛋白13A（Cas13a）的重组酶辅助扩增（RAA）的视觉检测方法。在这项研究中，根据AIV核蛋白（NP）基因的保守序列设计了特定的引物和CRRNA RNA（CRRNA）。raa技术用于放大目标序列，并通过侧流量尺（LFD）视觉检测到放大产物。评估了Raa-Crispr-Cas13a-lfd的特定峰，敏感性和可重复性。同时，使用该方法和聚合酶链反应（PCR） - 琼脂糖电泳方法检测临床样品，并计算了两种检测方法的重合速率。结果表明，RAA-CRISPR-CAS13A-LFD方法可以实现目标基因片段的特定扩增，并且可以通过LFD视觉观察到检测结果。同时，与感染性支气管炎病毒（IBV），传染性喉咙痛病毒（ILTV）和纽卡斯尔病毒病毒（NDV）没有交叉反应。灵敏度达到10 0拷贝/ µL，比PCR-琼脂糖电泳方法高1,000倍。临床测试的巧合率为98.75％，总反应时间约为1小时。在这项研究中建立的RAA-CRISPR-CAS13A-LFD方法具有快速，简单，强大的特异性和高灵敏度的优点，这为AIV检测提供了新的视觉方法。
计划您的防御：对RISC-V内核的泄漏检测方法的比较分析
摘要。将微处理器与侧通道攻击进行硬化是确保其安全性的关键方面。此过程中的关键步骤是在识别和减轻“泄漏”硬件模块，该模块在执行加密算法期间泄漏信息。在本文中，我们介绍了不同的泄漏检测方法，侧通道漏洞因子（SVF）和测试向量泄漏评估（TVLA）如何有助于对微处理器的硬化。我们使用两个加密算法sha-3和AES对两个RISC-V核心Shakti和Ibex进行实验。我们的发现表明，SVF和TVLA可以为识别泄漏模块提供宝贵的见解。但是，这些方法的有效性可能会因使用的特定核心和加密算法而有所不同。我们得出的结论是，泄漏年龄检测方法的选择不仅应基于计算成本，还应基于系统的特定要求，所检查算法的实施以及潜在威胁的性质。
银河合并挑战：基于机器学习的检测方法之间的比较研究
。加巴。计算机科学，UL。。 08544，美国墨西哥蒙丹，88025 34055，韩国10 St. Cherry，Tucson，Tucson，AZ，美国物理与天文学大学3009，NA 6009，15
研究进展方面的昆虫肠道微生物的功能和检测方法
摘要：昆虫肠道是广泛的微生物的家园，这些微生物在营养物质的消化和吸收以及防御致病性微生物的保护中起着至关重要的作用。这些肠道微生物的种类受到年龄，饮食，农药，抗生素，性别和种姓等因素的影响。越来越多的证据表明，肠道菌群中的干扰会导致造成昆虫的健康，并且其多样性对宿主的健康产生了深远的影响。近年来，由于元基因组学和生物信息学技术的发展，使用分子生物学技术对宿主肠道微生物多样性进行快速，定性和定量研究已成为主要重点。本文回顾了昆虫肠道微生物的主要功能，影响因素和检测方法，以便为更好地研究肠道微生物和有害昆虫的管理提供参考和理论基础。