XiaoMi-AI文件搜索系统
World File Search System网络理论
收藏政策声明：计算机科学、电信和人工智能
国会图书馆收藏政策声明 计算机科学、电信和人工智能（QA75-76.9、TK5101-TK6720、TK7800-TK7895 和 Q334-Q390 类） 目录 I.范围 II.多元化和包容性收藏声明 III.研究优势 IV.收藏政策 V. 最佳版本和首选格式 VI.采购来源 VII.收藏级别 I.范围 本收藏政策声明涵盖 QA 子类的主要子集 - QA75-QA76.9，涉及计算机的一般理论和应用以及数据处理和计算机系统。其他与计算机技术相关的作品归类为 TK5101-TK6720，涵盖电信技术（包括电报、电话、无线电、雷达、电视和有线网络）、TK7885-TK7895，包括计算机硬件和电路以及硬件和电子设计作品，以及 Q334-Q390，包括人工智能和信息理论作品。研究的先进性和跨学科性将计算机科学与多种学科联系起来，例如算法分析、人工智能、组合优化、计算生物学、计算复杂性、计算几何、计算机图形学、计算机视觉、计算机辅助验证、并发数据结构和体系结构、约束编程、数据库系统、代理和电子商务、图形绘制、神经网络、软件工程和静态分析、纳米技术、科学可视化和科学计算、安全和密码学、计算理论、网络理论、互联网计算、移动和普适计算、随机算法和概率分析、机器人技术、用户界面和虚拟现实。计算机和人工智能应用方面的著作也可以在其代表性学科下找到（例如医学、化学、军事科学）。计算机科学/数据处理历史的核心档案馆藏（连同国会图书馆）包括查尔斯·巴贝奇研究所、计算机博物馆、哈格利博物馆和图书馆、国家档案和记录管理局、史密森学会和斯坦福大学图书馆。IBM、AT&T、德州仪器等都有公司档案。James W. Cortada 的《数据处理历史档案：美国主要指南》Collections（纽约，Greenwood Press，1990 年）提供了额外的收藏信息，ArchiveGrid (OCLC) 也是如此。
课程编号和名称 ECE 372 - 电子电路 II
课程编号和名称 ECE 372 - 电子电路 II 学分、学时 3 学分，3 学时 讲师或协调员姓名 Mohammed Feknous 教学材料 RC Jaeger – TN Blalock，微电子电路设计，ISBN 978-0-07-338045-2（正文） 参考书：Sergio Franco，使用运算放大器和模拟集成电路进行设计，ISBN 0-07- 232084-2 具体课程信息 课程内容简要说明（目录说明） FET 和 BJT 小信号放大器的原理：六种不同单级配置的 Q 点设计、输入和输出阻抗、增益和信号范围限制。 模拟集成电路的设计，包括电流源、差分放大器、噪声源、有源负载和 CMOS 电路。 晶体管高频模型、米勒效应和多级放大器的频率响应。 多级放大器的反馈和二端口网络理论。先决条件：ECE 232、ECE 271 共同要求：无 课程的教育目标（例如，学生将能够解释某一特定主题的当前研究的意义。） 学生将能够 1. 分析并获得涉及 BJT 和 MOSFET 的最流行的单级配置的相关特性 2. 学习设计这些单级放大器，选择适合更复杂电路规格的适当配置。 3. 评估电容器（低频下的耦合和旁路电容器，以及影响高频响应的内部电容）对这些放大器频率响应的影响。 4. 分析和设计差分对，并了解这种配置不仅在简单放大器的情况下的重要性，而且作为运算放大器设计中的基本模块的重要性。 5. 确定多级放大器、电流源、有源负载和构成运算放大器主干的模块的特性。 6. 理解和评估反馈对放大器特性的影响。 7. 研究和设计基于比较器的电路，包括施密特触发器、正弦波发生器和计时器。8. 对设计进行逆向工程，根据不同的规格重新配置，并向同行展示。
引用 (APA) Yun, M., Yang, D., He, S., Cai, M., Xiao, J., Zhang, K., & Zhang, GQ (2022). MOSFET 电源故障定量评估方法
随着宽带隙 (WBG) 半导体的新兴发展，电力电子转换器的功率密度和效率不断提高，可能引起更多的开关振荡、电磁干扰噪声和额外的功率损耗，进一步增加器件故障的概率。因此，确定和量化在某些应用中使用 WBG 半导体组装的金属氧化物半导体场效应晶体管 (MOSFET) 的故障对于提高功率转换器的可靠性至关重要。本研究提出了一种基于 MOSFET 寄生参数的新型故障定量评估方法。根据二端口网络理论，MOSFET 等效于由独立的电感、电容和电阻串联组成的一些二阶 RLC 电路。然后，通过频域反射法识别与 MOSFET 物理故障相关的频域阻抗。采用加速老化和键合线切断实验来获得 MOSFET 器件的各种质量状态。结果表明，可以有效量化MOSFET的质量水平及其键合线剥离次数。通常代表MOSFET质量的漏源导通电阻（R DS(on) ）在质量退化过程中与漏源寄生电阻（RD + RS ）呈现正线性函数关系。这一发现与理论上建立的R DS (on)和RD + RS之间的相关性相符。同时，源极寄生电感（LS ）随键合线故障的严重程度而增加，即使是轻微的故障也表现出很高的灵敏度。所提出的方法是一种有效的无需通电处理的功率半导体器件质量筛选技术，可有效避免结温和测试条件（电流和电压）对测试结果的影响，并且不需要设计额外的测试电路。我们在该方法中使用的测试频率范围为10 – 300 MHz，在一定程度上适合为高频WBG功率器件制造提供在线质量监控技术。
Fondazione Bruno Kessler - FBK Borse di Studio
对活动和预期研究结果的综合描述本论文的目的是推进数学模型和分析工具，以调查信息传播到在线社交网络上的动态及其对传播错误或误导新闻的影响。这项研究将借鉴来自各个领域的专业知识，包括随机过程，网络理论，数据科学，人工智能和统计，以分析在多个社交媒体用户中形成的社交网络的结构和功能特征，以及多个社交媒体平台（可能跨越）多个社交媒体平台，以及相关的动态过程推动了内容的扩散。通过我们的研究，我们旨在通过开发适当的数学和统计工具来为对在线通信动态的理解做出贡献。我们的最终目标是向记者，事实核对者和决策者提供有关特定信息来源的可信度，并协助特定决策者做出有关遏制错误信息和虚假信息的决策的信息。为了实现这些目标，我们将采用一种跨学科的方法，该方法将促进我们对在线社交网络作为数学模型和社会技术系统的理解。在第三个实施阶段，该项目将将传统的统计方法与切割机器学习算法合并。目的是处理在线消息的广泛数据库，并提取有关循环内容的见解，否则在此规模上将无法实现。我们的重点将放在（i）数学模型的开发上，这些模型有效地捕获了在线社交媒体平台（例如Telegram，YouTube或Twitter）的复杂性； （ii）开发统计工具以根据其属性来识别模式，预测结果并对不同的在线叙事进行分类； （iii）在社交媒体数据的大量存储库中实施这些工具，并识别解决方案以最大程度地减少虚假信息扩散。此外，我们将探索强化学习和合作AI方法论，作为开发旨在减轻错误信息和虚假信息的社会影响的社会机器人的潜在解决方案，最终努力促进更可持续和有效的在线环境。
供应链优化中AI的理论方法
将人工智能（AI）集成到供应链管理中已成为提高当代业务运营效率和韧性的关键途径。本文在供应链优化的背景下探讨了AI的各种理论方法，划定了实现性能和适应性提高的途径。从历史概述开始，本文深入研究了供应链管理中AI技术的演变，阐明了这些方法如何改变了物流和运营的景观。这项探索的基础是关于基于供应链优化的数学建模和算法框架的讨论，为后续的AI应用提供了理论基础。本文的重点是将机器学习技术应用于需求预测和库存管理，该技术利用数据驱动的见解来优化资源分配并减轻与供求需求波动相关的风险。此外，网络理论和图形算法在优化供应链网络的结构和动态，实现有效的运输，分配和库存路由方面起着至关重要的作用。供应链中的战略决策是通过游戏理论的镜头来解决的，该理论提供了理论框架来建模多个利益相关者之间的交互并优化竞争环境中的结果。此外，群智能和多代理系统为复杂供应链生态系统内的协调和协作提供了创新的解决方案。进化算法和人工神经网络被讨论为供应链设计，预测分析和风险管理的强大工具，提供了优化各种操作领域决策过程的功能。此外，强化学习技术赋予了实时操作环境中动态决策的能力，从而促进了自适应和弹性的供应链管理实践。通过整合多种AI技术，混合方法提供了协同解决方案，这些解决方案利用了各种方法的优势，以应对供应链优化中的多方面挑战。通过理论见解和实际案例研究的综合，本文为AI驱动的供应链优化的当前状态和未来方向提供了宝贵的见解。
超越大数据 - 信息技术与人工智能的基本原理
如何进行商业。在现代世界中，每个有抱负的专业人士实际上都不需要专业编写代码或获得计算机科学博士学位。，但重要的是，他们对计算机和数字网络的运作方式有基本的熟悉 - 它们的惊人能力及其重要局限性。人类和人类代理之间的每次数字通信和交易都会使数字足迹积累成通常称为大数据的大量数据结构。本课程回顾了这些体系结构的发展方式，它们当前的组织方式以及技术进步将如何导致全新的数字体系结构模型。关键主题包括：网络安全，人工智能，机器学习，神经网络体系结构，自然语言处理，病毒信息动态，障碍链技术，数据挖掘和数据分析。没有先决条件。课程理由的年轻男女进入教育，健康，媒体和表现方面的职业生活中，发现自己处于数字世界中。本课程是“数字化”的伴侣，旨在为他们在那个动态的，全球，网络的环境中为专业成就做好准备，并对数字网络和计算智能有了深入的了解。这不是编程或电气工程的课程。这不是使用数字技术的技能课程。该课程具有五个中心要素：1）网络理论，2）人工智能，3）数据科学，4）IT的社会，文化和经济影响，以及5）下一代技术。没有科学，技术或数学的预期。该课程的设计旨在比“数字”更深入，但是可以独立学习课程。该课程以对IT和AI技术对社会，经济和文化动态的影响的当前评估进行综述。练习包括学生尝试在线AI分析算法工具，例如GPT-3（用于文本）和图像识别工具。这些练习的动手使学生了解当前AI的局限性和承诺。其他练习包括批评实际的大数据系统的分析推理结构，例如程序化营销模型和浏览器“ Finger Printing”。在线工具将允许学生测试这些平台正在利用自己的个人信息。其他参与性练习包括经典的图灵测试，中国房间的场景和非技术编程练习。
来自演员网络的生成AI的道德研究...
杭州，中国abstract在沟通内容的创新和生成中广泛使用生成人工智能的使用主要是由于其出色的创造力，运营效率以及与各种行业的兼容性。尽管如此，这也引发了道德问题，例如未经授权访问数据，算法有偏见的决策以及对生成的内容的犯罪使用。为了解决与生成人工智能相关的安全漏洞，我们将Chatgpt分析为演员网络理论框架内的案例研究。我们发现了总共九位演员，包括人类和非人类生物。我们研究了与Chatgpt相关的道德问题所涉及的转化的演员和过程，并分析了参与道德问题的关键参与者。目的是探索具有生成人工智能出现的道德问题的起源，并为生成人工智能的治理提供了特定的观点。k eywords生成人工智能，演员网络理论，chatgpt，人工智能伦理1.i ntroduction生成人工智能（Genai）涵盖了各种各样的工具，其开发表示机器学习技术的应用范式转移。genai使机器从开发工具过渡，以识别文本，照片或其他混乱的数据集中的隐藏模式，以使用已在广泛数据集中培训的算法来生成不受限制的文本，图像和视频。Chui等。Chui等。[1]目前，Genai在包括医学，艺术，教育和金融在内的各个领域都具有有希望的潜力。[2]进行了最近的全球调查，以评估AI在组织中的采用。调查包括1,684名受访者。调查结果表明，大约三分之一的受访者报告了Genai在其组织中至少有一个功能的定期使用。此外，有40％的受访者表示他们的公司对增加对AI的投资，特别是Genai的兴趣。此外，有28％的受访者提到其组织的董事会已经考虑了Genai的使用。很明显，Genai正在显着影响不同的业务，尤其是内容生产行业。同时，研究报告表明，只有少数组织有足够的装备，用于广泛使用AI或与这些技术相关的潜在商业危害。只有21％的参与者表示他们的公司已经实施了一项政策。直接质疑与使用AI相关的潜在危害时，只有少数受访者承认该公司准备解决Genai的不确定性。Genai可能也可能存在的潜在风险，
感知的操纵者：人工智能 (AI) 系统如何设计来误导乔纳森·科勒
人工智能 (AI) 与计算机一样古老，可以追溯到 1945 年的 ENIAC (电子数字积分计算机)。“人工智能之父”约翰·麦卡锡在 1956 年他召集的达特茅斯会议上对人工智能进行了定义，他指出“学习的每个方面或智能的任何其他特征原则上都可以得到如此精确的描述，以至于可以让机器对其进行模拟。” 1958 年，他专门为人工智能开发了 LISP 语言。20 世纪 60 年代、70 年代和 80 年代见证了专家系统和一些自然语言系统的发展。20 世纪 90 年代，机器学习得到了发展。21 世纪的特色是大数据；2010 年代和 2020 年代是神经网络。神经网络理论是在 20 世纪 40 年代发展起来的，第一个神经网络是在 20 世纪 50 年代、60 年代和 70 年代设计的。反向传播训练是在 20 世纪 80 年代发展起来的，循环神经网络和卷积神经网络是在 20 世纪 90 年代和 21 世纪发展起来的，而生成对抗神经网络是在 2014 年发展起来的。2017 年，Vaswani 等人 1 提出了一种新的网络架构 Transformer，它使用了注意力机制，省去了循环和卷积机制，所需的计算量大大减少。这被称为自注意力神经网络。它允许将语句的分析分成几个部分，然后并行分析它们。这是自神经网络诞生以来唯一真正重大的创新，因为它显著减少了推理和训练的计算负荷。神经网络的功能与人脑相同，使用大脑神经元、树突、轴突和突触的数学等价物。计算机和大脑都使用电信号，但神经脉冲是通过电化学方式传输的，这比计算机中的纯电流慢得多。轴突被髓鞘隔离，髓鞘可以大大加快传输速度，大量髓鞘化可以使速度提高 100 倍。2 GPT-3 系统中的人工智能神经网络在 2023 年就已经拥有爱因斯坦的智商，到现在可能已经是人类的 1000 倍。3 神经网络的心理层面在 1993 年由 K. Anders Ericsson 等人在一部被广泛称为“10,000 小时参考”的作品中描述。这适用于任何类型的技能——演奏乐器、做数学、参加体育比赛。当然，那些出类拔萃的人确实练习了很多，但更重要的是深度思考。爱立信并不了解其中的机制。2005 年，R. Douglas Fields 提出了
大脑的代谢模式
目前缺乏可揭示儿童肌张力障碍不同大脑区域功能特征的影像学标记。在这项观察性研究中，我们通过揭示不同儿童肌张力障碍亚组的特定静息清醒大脑葡萄糖代谢模式，评估了 [ 18 F]2-氟-2-脱氧-D-葡萄糖 (FDG)-PET 在了解肌张力障碍病理生理学方面的效用。我们检查了 2007 年 9 月至 2018 年 2 月期间在英国埃夫利娜伦敦儿童医院 (ELCH) 接受深部脑刺激手术评估的 267 名肌张力障碍儿童的 PET 扫描。使用统计参数映射 (SPM12) 分析了没有大体解剖异常（例如大囊肿、严重的脑室扩大；n = 240）的扫描结果。在 144/240 (60%) 例患有 10 种最常见的儿童期肌张力障碍的病例中检查了葡萄糖代谢模式，重点检查了 9 个解剖区域。使用 39 名成人对照者作为比较组。遗传性肌张力障碍与以下基因有关：TOR1A、THAP1、SGCE、KMT2B、HPRT1（莱施·尼汉病）、PANK2 和 GCDH（戊二酸尿症 1 型）。后天性脑瘫 (CP) 病例分为与早产 (CP-Preterm)、新生儿黄疸/核黄疸 (CP-Kernicterus) 和缺氧缺血性脑病 (CP-Term) 相关。每个肌张力障碍亚组都有不同的 FDG-PET 摄取改变模式。最常见的表现是苍白球、壳核或两者的局部葡萄糖代谢减慢，但 PANK2 除外，该病例的基底神经节代谢似乎正常。HPRT1 独特地表现出所有九个大脑区域的葡萄糖代谢减慢。颞叶葡萄糖代谢减慢见于 KMT2B 、HPRT1 和 CP-核黄疸。额叶代谢减慢见于 SGCE 、HPRT1 和 PANK2 。丘脑和脑干代谢减慢仅见于 HPRT1 、CP-早产和 CP-足月肌张力障碍病例。额叶和顶叶代谢亢进的组合仅见于 CP-足月病例。PANK2 病例表现出顶叶代谢亢进和小脑代谢减慢的明显组合，但壳核-苍白球葡萄糖代谢完整。 HPRT1 、PANK2 、CP-核黄疸和 CP-早产病例的小脑和岛叶葡萄糖代谢减慢，以及顶叶葡萄糖代谢亢进。研究结果为肌张力障碍的病理生理学提供了见解，并支持肌张力障碍发病机制的网络理论。每个肌张力障碍亚组的“特征”模式可以作为有用的生物标记，用于指导鉴别诊断和指导个性化管理策略。
过滤器和包装器堆叠合奏（FWSE）-Dr -ntu
Sugam Budhraja是新西兰奥克兰理工大学的博士生。他的背景是机器学习和软件开发。他的研究领域包括神经信息学，深度学习，自学学习和回声状态网络。Maryam Doborjeh获得了新西兰奥克兰理工大学的计算机科学博士学位。她目前是新西兰奥克兰技术大学工程，计算机和数学科学学院的高级讲师。她的研究领域是神经信息学，尖峰神经网络，机器学习和大脑数据分析。巴尔卡兰·辛格（Balkaran Singh）是新西兰奥克兰理工大学的博士生。他的背景是计算机科学和应用统计。他的研究领域是在神经网络，持续学习，元学习和尖峰神经网络中的优化。塞缪尔·谭（Samuel Tan）是新加坡南南技术大学的博士生。他的背景是生物科学和统计。他的研究领域包括生物信息学，网络理论和邻里优化。Zohreh Doborjeh获得了博士学位。来自新西兰奥克兰技术大学的计算认知神经科学博士学位。她目前是新西兰奥克兰大学大脑研究中心的博士后研究员，也是新西兰威卡托大学心理学学院的讲师。她的研究领域是神经信息学，神经心理学，认知神经科学和人工智能。收到：2023年2月9日。埃德蒙德·莱（Edmund Lai）获得了西澳大利亚大学的电气工程博士学位。他目前是新西兰奥克兰技术大学工程，计算机和数学科学学院的信息工程学教授。他的研究兴趣是数字信号处理，计算智能，多代理动力系统和优化。亚历山大·梅尔金（Alexander Merkin）在俄罗斯的社会和法医精神病学研究中心获得了精神病学博士学位。他目前是AUT大学中风与应用神经科学研究所的研究员，也是Aut University心理治疗与咨询系讲师。他的研究兴趣包括数字心理健康，人工智能，心理学，精神病学和认知神经科学。吉米·李（Jimmy Lee）获得了新加坡国立大学的基本医学学位。他是新加坡心理健康研究所的精神科医生和临床医生，也是南约技术大学Lee Kong Chian医学院的副教授。他的研究领域是精神病学，心理药理学，精神分裂症和基于AI的健康技术。Wilson Goh获得了英国伦敦帝国学院的生物信息学和计算系统生物学博士学位。他目前是新加坡南南技术大学Lee Kong Chian医学院生物医学信息学助理教授。 他的研究领域是复杂的系统，生物信息学，计算生物学，蛋白质组学和基因组学。他目前是新加坡南南技术大学Lee Kong Chian医学院生物医学信息学助理教授。他的研究领域是复杂的系统，生物信息学，计算生物学，蛋白质组学和基因组学。尼古拉·卡萨博夫（Nikola Kasabov）获得了保加利亚索非亚技术大学的博士学位。他是新西兰奥克兰技术大学工程，计算和数学科学学院的Kedri的创始董事和知识工程教授。他在英国Ulster University，IICT保加利亚科学院和中国达利安大学担任教授职位。他的研究领域是计算智能，神经信息学，知识发现和尖峰神经网络，以及700多个出版物。修订：2023年9月18日。接受：2023年10月3日©作者2023。牛津大学出版社出版。这是根据Creative Commons归因非商业许可（https://creativecommons.org/licenses/by-nc/4.0/）发行的开放访问文章，该媒介在任何媒介中允许非商业重复使用，分发和复制，前提是原始工作被正确引用。有关商业重复使用，请联系journals.permissions@oup.com