XiaoMi-AI文件搜索系统
World File Search System模糊
SSVEP BCI系统的可解释的模糊转移学习
摘要 - 大脑计算机界面（BCIS）的快速演变显着影响了人类计算机相互作用的领域，具有稳态的视觉诱发电势（SSVEP），作为一种尤其是强大的范式。这项研究探讨了高级分类技术利用可解释的模糊转移学习（IFUzzyTL）来增强基于SSVEP系统的适应性和性能。最近的努力通过创新的转移学习方法加强了减少校准要求，从而通过策略性地应用域适应性和很少的动作学习策略来完善跨主题的生成性并最大程度地减少校准。深度学习中的开创性发展还提供了有希望的增强功能，促进了稳健的领域适应性，并显着提高了SSVEP分类的系统响应能力和准确性。但是，这些方法通常需要复杂的调整和广泛的数据，从而限制了立即适用性。ifuzzytl引入了一个自适应框架，该框架将模糊逻辑原理与神经网络体系结构相结合，重点关注有效的知识传递和域自适应。ifuzzytl通过整合模糊的推理系统和注意机制来完善人类干预格式的输入信号处理和分类。这种方法通过有效管理脑电图数据的固有可变性和不确定性来增强模型的精度，并与现实世界的运营需求保持一致。在三个数据集中证明了该模型的功效：12JFPM（1s的12JFPM（89.70％精度为149.58），基准（ITR为85.81％，ITR的精度为85.81％），ITR的准确性为213.99）和Eldbeta（76.50％的IT and and and and ath and and and and and and and and and and and and and and and aft）and 94.63）和94.63）和94.63） SSVEP BCI性能的基准。
网站：www.ijeer.forexjournal.co.in基于模糊逻辑控制器的充电和排放
摘要 - 目前的研究介绍了用锂离子在电动汽车应用中使用的锂离子制造的电池的模糊充电和排放控制方法。提出的基于模糊的解决方案考虑了可用的参数，以充电或在安全功能区域内收取商店。为了分析和控制电池性能，已经使用了各种控制方法，但是每个方法都有自己的缺点集，例如无法停止两个充电条件，即控制器的难度，冗长的充电时间。由于缺乏数学计算，模糊的控制器也更简单地构造，具有较少的额外感应组件，并且更少的深层放电和过度充电保护措施，从而使其在速度和复杂性方面更有效。通过使用负载需求和产生的数值模拟证明了建议的充电控制器系统的有效性。在模拟负载条件下评估建议的控制器的性能。该模型的调节电池充电和排放能力得到了试验的成功结论。输出表明电池的充电状态（SOC）永远不会超过该特定类型的20％至80％的安全范围。这项研究的主要结果是一种新的模糊模型和用于调节电池充电和排放的操作实时系统。一般术语：电池管理系统，模糊逻辑控制器。关键字：充电 - 收费；模糊逻辑控制器；最先进的；锂离子和matlab/simulink。
RLTG：多目标定向灰盒模糊测试
定向灰盒模糊测试可以引导模糊器探索特定的目标代码区域，在补丁测试等场景中取得了良好的效果。然而，如果有多个目标代码需要探索，现有的定向灰盒模糊测试器（如AFLGo和Hawkeye）往往会忽略一些目标，因为它们使用距离的调和平均值，倾向于测试可达路径较短的目标。此外，现有的定向灰盒模糊测试器由于程序中存在间接调用，无法计算出准确的距离。此外，现有的定向灰盒模糊测试器无法解决探索和利用问题，种子调度效率低下。针对这些问题，我们提出了一种动态种子距离计算方案，当可达路径遇到间接调用时，动态增加种子距离。此外，种子距离计算可以处理多目标场景下的偏差问题。利用种子距离计算方法，我们提出了一种基于置信上限算法的种子调度算法，以解决定向灰盒模糊测试中的探索和利用问题。我们实现了一个原型 RLTG，并在实际程序上对其进行了评估。原型评估表明，我们的方法优于最先进的定向模糊器 AFLGo。在多目标基准测试 Magma 上，RLTG 以 6.9 倍的速度重现错误，并且比 AFLGo 多发现 66.7% 的错误。
通过机器学习技术对某些图形结构的模糊和清晰的计算分析
颈动脉动脉粥样硬化患者有缺血性中风和由于栓子和脑组织的慢性灌注不足而导致缺血性中风和认知下降的风险。血运重建程序改善了脑血液动力学，这对认知功能有一定影响。一些作者认为，颈动脉动脉狭窄的存在是影响认知能力下降的独立因素。这项研究的目的是研究颈动脉粥样硬化个体的颈动脉支架动脉狭窄程度与注意力表现之间的关系。在心脏病学住院期间涉及患者（T-1）的单个中心和住院治疗后1年（T-2）进行了一项前瞻性纵向研究，用于颈动脉狭窄。使用了R. brickenkamp的注意力D2测试。研究表明，颈动脉狭窄的关键程度与接受颈动脉支架的个体的注意力表现较差有关。然而，无论颈动脉狭窄的程度如何，所有接受颈动脉支架的患者的浓缩能力在手术后一年有所提高。还发现，颈动脉动脉粥样硬化患者的血管收缩（右/左）的一侧对注意力的认知功能没有影响。
用于充电的粒子群优化模糊控制器...
为了降低电网的功耗和成本，本文讨论了基于粒子群优化 (PSO) 的模糊逻辑控制器 (FLC) 的开发，用于微电网 (MG) 应用中电池储能系统 (ESS) 的充电 - 放电和调度。最初，FLC 被开发用于控制储能系统的充电 - 放电，以避免传统系统的数学计算。然而，为了改进充电 - 放电控制，使用 PSO 技术优化 FLC 的隶属函数，同时考虑可用功率、负载需求、电池温度和充电状态 (SOC)。调度控制器是根据负载实现低成本不间断可靠电源的最佳解决方案。为了降低电网电力需求和消耗成本，还引入了最佳二进制 PSO 来在一天中的不同时间在各种负载条件下调度 ESS、电网和分布式电源。得到的结果证明了所开发的基于 PSO 的模糊控制的鲁棒性，可以有效地管理电池充电和放电，同时将电网功耗降低 42.26%，将能源使用成本降低 45.11%，这也证明了该研究的贡献。© 2020 作者。由 Elsevier Ltd. 出版。这是一篇根据 CC BY-NC-ND 许可协议开放获取的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。
使用模糊支持向量机的情感分析...
The Ministry of Communication and Information and the Ministry of BUMN of The Republic of Indonesia designed a mobile app “Peduli Lindungi” to be used to help the public and related government agencies in carrying out screening and tracing people's movement to stop the spread of Corona Virus Disease (Covid-19).The existence of a mobile app, “Peduli Lindungi” triggers abundant different sentiments from the Indonesian community, either positive or负面情绪。基于积极的情绪，印度尼西亚共和国政府可能会对该应用程序的各个方面有一些反馈。相比之下，负面的情感可以用作移动应用程序潜在改进的初始点。本研究应用模糊支持向量机（FSVM）模型来对用户对Peduli Lindungi应用程序的评论进行分类。FSVM可以将客户的评论分为两个或多个类别，并且比其他分类方法相对更高的准确性。这项研究的结果表明，使用FSVM的评论分类可产生良好的准确性，值为77％。完全正确的预测是2813个评论中的2192个评论。
用于可解释人工智能的随机模糊规则泡沫
摘要 随机泡沫训练多个模糊规则泡沫函数近似器，然后将它们组合成单个基于规则的近似器。泡沫系统在来自训练有素的神经分类器的引导随机样本上独立训练。泡沫系统将神经黑匣子转换为可解释的规则集。基于模糊规则的系统具有底层概率混合结构，可对每个输入的规则产生可解释的贝叶斯后验。规则泡沫还通过广义概率混合的条件方差来衡量其输出的不确定性。随机泡沫通过平均其吞吐量或规则结构来组合学习到的加性模糊系统。随机泡沫在其规则、规则后验和条件方差方面也是可解释的。30 个 1000 规则泡沫在 MNIST 数字数据集的随机子集上进行训练。每个这样的泡沫系统的分类准确率约为 93.5%。平均吞吐量的随机泡沫实现了 96。 80% 的准确率，而仅对其输出进行平均的随机泡沫则实现了 96.06% 的准确率。吞吐量平均的随机泡沫也略胜于对 30 棵分类树进行平均输出的标准随机森林。30 个 1000 规则泡沫也在深度神经分类器上进行训练，准确率为 96.26%。对这些泡沫吞吐量进行平均的随机泡沫本身的准确率为 96.14%。对其输出进行平均的随机泡沫准确率仅为 95.6%。附录证明了加法系统模糊近似定理的高斯组合泡沫版本。
DeepGo：预测定向灰盒模糊测试
在本文中，我们提出了一个预测定向灰盒模糊测试器 DeepGo，它可以结合历史和预测信息来引导 DGF 通过最佳路径到达目标站点。我们首先提出路径转换模型，该模型将 DGF 建模为通过特定路径转换序列到达目标站点的过程。突变产生的新种子将导致路径转换，而高奖励路径转换序列对应的路径表示通过它到达目标站点的可能性很高。然后，为了预测路径转换和相应的奖励，我们使用深度神经网络构建虚拟集成环境 (VEE)，它逐渐模仿路径转换模型并预测尚未采取的路径转换的奖励。为了确定最佳路径，我们开发了一个强化学习模糊测试 (RLF) 模型来生成具有最高序列奖励的转换序列。RLF 模型可以结合历史和预测的路径转换来生成最佳路径转换序列，以及指导模糊测试突变策略的策略。最后，为了练习高奖励路径转换序列，我们提出了行动组的概念，全面优化模糊测试的关键步骤，实现高效到达目标的最优路径。我们在 2 个基准测试套件（共 25 个程序，100 个目标站点）上对 DeepGo 进行了测试。实验结果表明，与 AFLGo、BEACON、WindRanger 和 ParmeSan 相比，DeepGo 在到达目标站点方面分别实现了 3.23 倍、1.72 倍、1.81 倍和 4.83 倍的加速比，在暴露已知漏洞方面分别实现了 2.61 倍、3.32 倍、2.43 倍和 2.53 倍的加速比。
关键代码引导的灰盒模糊测试
新提交的提交容易将漏洞引入程序。作为一种有前途的对策，可以使用定向灰盒模糊测试器通过将提交更改位置指定为目标来测试提交更改。但是，现有的定向模糊测试器主要侧重于达到单个目标，而忽略了对其他受影响代码的多样化探索。因此，它们可能会忽略在远离更改位置的位置崩溃的错误，并且在多目标场景中缺乏直接性，这在提交测试的背景下都很常见。在本文中，我们提出了一种直接灰盒模糊测试器 WAFLG O ，以有效发现提交引入的漏洞。WAFLGO 采用一种新颖的关键代码引导输入生成策略来彻底探索受影响的代码。具体而言，我们确定了两种类型的关键代码：路径前缀代码和数据后缀代码。关键代码首先引导输入生成逐渐、增量地到达更改位置。然后，在保持关键代码可达性的同时，输入生成策略进一步鼓励在探索受影响代码时生成输入的多样性。此外，WAFLGO 引入了一种轻量级多目标距离度量，用于直接和彻底检查所有更改点。我们实现了 WAFLG O，并使用提交引入的 30 个真实错误对其进行了评估。与 8 种最先进的工具相比，WAFLGO 实现了平均 10.3 × 的加速。此外，WAFLGO 在测试最近 50 次提交的真实软件（包括 libtiff、fig2dev 和 libming 等）时发现了 7 个新漏洞，其中包括 4 个 CVE。
飞机降落在航母上的模糊路径选择策略
摘要：着陆是航空母舰上所有作业中最危险的任务之一，着陆安全对飞行员和甲板操作都至关重要。目前，舰载机着陆的安全性通过设计自动着陆控制器和训练飞行员提高其控制能力来提高，但迄今为止尚未研究选择着陆路径的重要性。本文研究了航空母舰着陆路径选择问题，因为存在多个对应于不同情况的候选路径。考虑到环境信息和人为判断的模糊性，提出了一种模糊路径选择策略来解决该问题，目标是为飞行员提供更合理的决策。该策略考虑到了工业界广泛使用的模糊多属性群决策 (FMAGDM) 的思想。首先，给出着陆路径选择的背景。然后，抽象出影响决策的因素并建立概念模型。开发了基于TOPSIS的群决策方法来表示每个决策者对每条备选路线的偏好，并考虑到飞行员和着陆控制台操作员（LCO）的知识和权重来确定当前环境下的最佳着陆路径。在不同设置（即不同环境下）下进行实验研究