XiaoMi-AI文件搜索系统
World File Search System浅显
基于数字孪生的故障诊断方法... - MDPI
摘要：卫星系统功能密度与复杂度的不断提升、恶劣的航天环境以及减少操作人员参与的成本控制措施，都日益推动着对故障诊断与健康监测（FD-HM）新方法的开发需求。数据驱动的FD-HM方法利用信号处理或数据挖掘获取系统运行状态的隐含信息，有利于对系统进行粗放而浅显的监控，有望减轻操作人员的工作负担。然而，这些卫星系统FD-HM方法主要以历史数据和一些静态物理数据为驱动，很少考虑仿真数据、实时数据以及二者之间的数据融合，不能完全胜任卫星在轨的实时监控与维护。为保障复杂卫星系统的可靠运行，本文提出了一种新的FD-HM物理-虚拟融合方法——数字孪生。此外，我们提出了卫星电力系统的 FD-HM 应用，以证明所提方法的有效性。
Wasabi：值得信赖的人工智能的概念模型
摘要 ÐAI 扩展到我们的生活和生计中，这清楚地表明我们必须开发符合道德和值得信赖的 AI。我们提出了 Wasabi，这是一种基于众所周知的信任到可信度的能力-仁慈-诚信模型的可信 AI 的新概念模型。当前可信 AI 的方法提出了一系列理想属性，包括公平性、可解释性和可问责性。然而，这些属性不足以涵盖能力、仁慈和诚信的标准，即使满足这些属性，由此产生的不完整性也会损害可信度。我们将判例法作为可信度概念的证据。法律案件代表了律师激烈争论并由陪审团仔细审议的边界条件。因此，它们捕捉到了浅显分析中缺少的重要细节和权衡。我们从每个案例中找出了人工智能的经验教训。最后我们给出了未来调查的方向。
学会反思具有挑战性的经历：人工智能镜像方法
当公民面临重大社会变革时，他们发现自己的假设受到挑战，身份受到威胁，这让他们有退缩到志同道合的“泡沫”中的风险，而不是思考自己是否有东西可以学习。算法驱动的媒体平台通过放大认知偏见和两极分化辩论加剧了这一过程。本文主张人工智能 (AI) 可以发挥独特的作用，它为在线作家举起一面隐喻性的“镜子”，通过精心设计的反馈，使他们更加了解并反思自己对具有挑战性的情况的反应和方法。作为一个例子，我们描述了一个使用自然语言处理来注释个人对具有挑战性的经历的书面反应的 Web 应用程序，突出显示作者似乎在浅显或深刻地思考的地方。学生已经在使用这个开源工具来帮助他们理解他们遇到的工作安排挑战，但可以找到更广泛的应用。我们的愿景是，这样的工具可以让公民更多地意识到自己的偏见，让他们不那么被动，当他们的假设受到挑战时，他们更愿意接受新的观点。
基于脑电图的运动想象分类的深度学习
由于记录过程繁琐，脑电图 (EEG) 数据集通常较小且维数较高。在这种情况下，强大的机器学习技术对于处理大量信息和克服维数灾难至关重要。人工神经网络 (ANN) 在基于 EEG 的脑机接口 (BCI) 应用中取得了良好的效果，但它们涉及计算密集型的训练算法和超参数优化方法。因此，虽然质量与成本之间的权衡通常被忽视，但意识到这一点却大有裨益。在本文中，我们将基于遗传算法的超参数优化程序应用于卷积神经网络 (CNN)、前馈神经网络 (FFNN) 和循环神经网络 (RNN)，所有这些网络都是故意浅显的。我们比较了它们的相对质量和能量时间成本，但我们也分析了具有相似精度的同类型网络的结构复杂性的变化。实验结果表明，优化过程提高了所有模型的准确率，并且只有一个隐藏卷积层的 CNN 模型可以与 6 层深度信念网络相等或略胜一筹。FFNN 和 RNN 无法达到相同的质量，尽管成本明显较低。结果还强调了这样一个事实，即同一类型网络的大小不一定与准确率相关，因为较小的模型在性能上可以匹敌甚至超越较大的模型。在这方面，过度拟合可能是一个促成因素，因为深度学习方法在有限的训练示例下会遇到困难。
基于脑电图的运动想象分类的深度学习
由于记录过程繁琐，脑电图 (EEG) 数据集通常较小且维数较高。在这种情况下，强大的机器学习技术对于处理大量信息和克服维数灾难至关重要。人工神经网络 (ANN) 在基于 EEG 的脑机接口 (BCI) 应用中取得了良好的效果，但它们涉及计算密集型的训练算法和超参数优化方法。因此，虽然质量与成本之间的权衡通常被忽视，但意识到这一点却大有裨益。在本文中，我们将基于遗传算法的超参数优化程序应用于卷积神经网络 (CNN)、前馈神经网络 (FFNN) 和循环神经网络 (RNN)，所有这些网络都是故意浅显的。我们比较了它们的相对质量和能量时间成本，但我们也分析了具有相似精度的同类型网络的结构复杂性的变化。实验结果表明，优化过程提高了所有模型的准确率，并且只有一个隐藏卷积层的 CNN 模型可以与 6 层深度信念网络相等或略胜一筹。FFNN 和 RNN 无法达到相同的质量，尽管成本明显较低。结果还强调了这样一个事实，即同一类型网络的大小不一定与准确率相关，因为较小的模型在性能上可以匹敌甚至超越较大的模型。在这方面，过度拟合可能是一个促成因素，因为深度学习方法在有限的训练示例下会遇到困难。
浅析脑机接口中的人工智能应用
摘要 人工智能 (AI) 已成为神经病学领域的一种变革性工具，为脑部疾病的诊断、治疗和管理提供了创新的解决方案。本综述重点介绍了 AI 在三个关键领域的应用：中风、阿尔茨海默病和动脉瘤。通过分析机器学习算法、深度学习模型和神经网络的最新进展，本文强调了 AI 在提高诊断准确性、预测疾病进展和个性化治疗计划方面的重大影响。在中风的背景下，AI 在增强成像技术和预测患者结果方面发挥了重要作用。对于阿尔茨海默病，通过分析神经影像和临床数据，AI 驱动的工具在早期检测和监测疾病进展方面显示出良好的前景。在动脉瘤的情况下，AI 应用改善了检测和风险评估，促进了及时有效的干预。尽管取得了这些进展，但本综述还讨论了与 AI 整合到临床实践相关的伦理考虑、挑战和局限性。这篇浅显的评论旨在为研究人员、临床医生和政策制定者提供宝贵的见解，促进人工智能技术在脑部疾病管理中的进一步探索和实施，以及脑部疾病成像的商业平台。关键词：脑卒中、阿尔茨海默病、动脉瘤、人工智能、脑部疾病