XiaoMi-AI文件搜索系统
World File Search System测试精度
数字孪生中的人工智能 - Amazon AWS
摘要 随着数字化进程的推进，大数据、人工智能、云计算、数字孪生、边缘计算等先进的计算机技术被应用于各个领域。为研究数字孪生与人工智能结合的应用现状，本文通过研究目前已发表文献的研究成果，对人工智能在数字孪生中的应用及前景进行分类。分别探讨了数字孪生在航空航天、生产车间智能制造、无人驾驶汽车、智慧城市交通四个领域的应用现状，并回顾了当前的挑战和未来需要展望的课题。研究发现，数字孪生与人工智能的融合在航空航天飞行检测仿真、故障预警、飞机装配乃至无人驾驶飞行中都有着显著的效果。在汽车自动驾驶虚拟仿真测试中，可节省80%的时间与成本，相同路况降低实际车辆动力学模型参数规模，大幅提升测试精度。在生产车间智能制造中，虚拟车间环境的建立，可及时故障预警，延长设备使用寿命，保障车间整体运营安全。在智慧城市交通中，模拟真实道路环境，还原交通事故，使交通状况清晰高效，快速精准地开展城市交通管理。最后，对数字孪生与人工智能的未来进行了展望，希望为未来相关领域的研究提供参考。
使用新的基于注意力的深卷积神经网络的实时交通标志识别方法
摘要：汽车行业中的人工智能（AI）允许汽车制造商通过整合AI驱动的高级驾驶员辅助系统（ADAS）和/或自动化驾驶系统（ADS）（例如Traffiffififififient识别（TSR）系统），从而为智能和自动驾驶汽车提供智能和自动驾驶汽车。现有的TSR解决方案集中在他们认识的某些标志上。出于这个原因，提出了一种TSR方法，其中涵盖了更多的道路标志类别，例如警告，监管，强制性和优先符号，以构建一个智能和实时系统，能够分析，检测和分类为正确类别。提出的方法基于对不同的特征符号检测（TSD）和Traffim符号分类（TSC）的概述，旨在在准确性和处理时间方面选择最佳的特征。因此，提出的方法将HAAR级联技术与深CNN模型分类结合在一起。开发的TSC模型在GTSRB数据集上进行了培训，然后在各种路标上进行了测试。所达到的测试精度率达到98.56％。为了提高分类性能，我们提出了一个新的基于注意力的深卷积神经网络。由于获得的测试准确性和F1测量率分别达到99.91％和99％，因此所达到的结果比其他符号分类研究中存在的结果更好。在Raspberry Pi 4板上评估并验证了开发的TSR系统。实验结果证实了建议的方法的可靠性。
人工智能的利用来预测苹果公司的股票价格
仅使用统计分析的摘要预测股票价格仍然是一个巨大的挑战，这是由于有效的市场假设，该假设断言价格体现了所有可访问的信息。尽管如此，精选的投资者和资金始终通过利用复杂的策略来超越美国股票市场。大多数财务研究人员持怀疑态度，即AI孤立地表现不断优于标准普尔500指数基金，但算法提供了广泛数据集的深刻见解，以帮助投资组合经理做出更明智的选择。这项研究努力确定输入功能和机器学习模型的最佳合并，以准确预测Apple Inc.股票的开放价格。AI算法仅利用技术投资分析进行预测，因为该研究的重点是使用仅从投资网站中获得可获得的值获得最高的测试精度。精心评估了五个不同的机器学习模型，从最简单的线性回归模型到最复杂的神经网络回归器。我们的假设认为，由于其复杂性，神经网络和随机森林模型将比所有其他算法更准确，并且使用更受限制的技术指标将通过避免复杂性和过度拟合的陷阱来产生卓越的准确性。虽然预测精度可能无法达到专业投资标准的梯队，但剖析了各种模型和投资价值，以展示制定股票预测计划的过程。
基于EEG的视觉识别的无源主题适应
摘要 - 本文重点介绍了基于脑电图的视觉识别的主题适应。它旨在通过从源主题的丰富数据中传输知识来构建针对脑电图样本受到限制的目标主题定制的视觉刺激识别系统。现有的方法考虑了在培训期间可以访问源主题样本的情况。但是，由于隐私问题，访问诸如EEG信号之类的个人生物学数据通常是不可行的，并且有问题。在本文中，我们介绍了一种新颖而实用的问题设置，即无源的受试者适应，其中源主题数据不可用，并且仅提供预先训练的模型参数以进行对象适应。为了解决这一具有挑战性的问题，我们提出了基于分类的数据生成，以使用分类响应来模拟来自源对象的脑电图样本。使用生成的样本和目标主题数据，我们执行主题独立的特征学习来利用跨不同主题共享的常识。值得注意的是，我们的框架是可以推广的，并且可以采用任何独立于主题的学习方法。在EEG-IMAGENET40基准的实验中，我们的模型都会带来一致的改进，而不论其无关学习的选择如何。此外，我们的方法显示出有希望的性能，即使在不依赖源数据的情况下，在5-Shot设置下将TOP-1测试精度记录为74.6％。我们的代码可以在https://github.com/deepbci/deep-bci上找到。索引术语 - 脑计算机界面，脑电图，基于脑电图的视觉识别，无源的主题适应，深度学习
通过生成的...
精确且可靠的贷款状况预测是金融机构的本质，但是，该数据中缺乏现实世界中的数据和偏见会极大地影响机器学习模型的准确性。贷款状况预测模型面临的另一个挑战是阶级失衡，其中一个类别（例如批准的贷款）比另一个类别（例如批准的贷款）（例如违约贷款）更普遍，从而导致对多数类的预测偏差。这项研究检查了生成的对抗网络（GAN），以增强数据并改善机器学习模型的性能。在Kaggle贷款数据集（380个样本）上使用了几种机器学习（ML）模型，包括但不限于支持向量机（SVM）和集合袋树。基线训练和测试精度为86.9％和86.3％（SVM），84.5％和82.1％（集合）。actgan（激活生成网络）来生成被接受和拒绝贷款的合成数据点。使用新的增强数据进行重新培训显示出显着的改进：训练和测试的SVM精度上升至94.4％和93.4％，而集成模型分别达到97.4％和95.8％。还探索了其他ML模型，例如KNN，决策树和逻辑回归，并在准确性方面表现出了令人鼓舞的结果。这些发现提出，基于GAN的数据增强可以增强贷款状况预测的性能。未来的研究可以探索Gan对不同架构的影响，并评估这种方法的一般适用性。
使用视频视觉变压器对周围车辆的巷道更改预测
摘要：预期周围车辆的车道变化对于自动驾驶汽车的安全和ffi cient运行至关重要。以前的作品采用了不包含上下文信息的物理变量的用法。最近的方法依赖于行动识别模型，例如3D CNN和RNN，从而处理了复杂的体系结构。尽管变形金刚的出现成为行动识别，但采用变压器体系结构的作品有限。自主驾驶依赖于许多外部因素，包括驾驶员行为，天气状况，意外障碍和遵守Tra FFI C规则。但是，关键组件是能够准确预测自动驾驶汽车之前的车辆是否可能改变车道的能力。这项研究通过采用视频动作预测来应对自动驾驶汽车中车道变化预测（LCP）的关键挑战，并特别着重于整合视频视觉变形金刚（Vivit）。使用摄像头输入得出的小管嵌入，此方法利用了预防数据集，该数据集提供了对车辆轨迹和关键事件的详细注释。该方法超过了先前的模型，在通过1秒地平线预测车道变化方面达到了超过85％的测试精度。比较分析重点介绍了Vivit在视频数据中捕获时空依赖性方面的优越性，同时也需要更少的参数，从而提高了计算EFFI的效率。这项研究有助于通过展示Vivit在现实世界应用中的E FFI CACY并提倡进一步探索以提高车辆安全性和E FFI效率的进一步探索，从而有助于提高自主驾驶技术。
![arxiv：2201.08878v1 [Quant-ph] 2022年1月21日](/simg/g:\will\search\icon\source\2\22c0aa3c5a3b0fb3f8a5cbe0a5918d8e49f33976.webp)
arxiv：2201.08878v1 [Quant-ph] 2022年1月21日
Quantum机器学习（QML）是一个新兴的研究领域，主张使用量子计算来进步机器学习。由于发现了参数变化量子电路（VQC）以替换人工神经网络的可容纳能力，因此它们已被广泛采用以在量子机学习中的不同任务中采用。然而，尽管它们有可能超过神经网络，但VQC限于量子电路可伸缩性的挑战，仅限于小规模应用。为了解决这个缺点，我们提出了一种算法，该算法使用张量环表示在电路中压缩量子状态。使用张量环表示中的输入Qubit状态，单量子门保持张量环表示。但是，对于两个Qubit门而言，情况并非如此，其中使用近似值将输出作为张量环表示。使用此近似值，与精确的仿真算法相比，与指数增加相比，存储和计算时间在量子数和层数中线性增加。此近似值用于实现张量环VQC。使用基于梯度下降的算法进行张量环VQC参数的训练，其中使用了反向传播的效果方法。在两个数据集上评估了所提出的方法：分类任务的虹膜和MNIST，以使用更多量子位来显示提高准确性。关键字：变分量子电路，张量网络，有监督的学习，classifation我们使用各种电路架构实现了虹膜数据集的测试精度为83.33％，MNIST数据集的二进制和三元分类为99.30％和76.31％。IRIS数据集的结果优于Qiskit上的VQC上的结果，并且可扩展，这证明了VQC用于大规模量子机器学习应用程序的潜力。