XiaoMi-AI文件搜索系统
World File Search System能比
Decawave DW1000 与 DW3000 在低功率双边测距应用中的性能比较
摘要 — 室内定位和情境感知正成为各种应用的两项关键技术。最近，通过采用超宽带 (UWB) 技术，人们已经实现了厘米级精度和低功耗的实时定位系统。自 2015 年以来，Decawave 已生产出商用 UWB 集成电路，利用飞行时间测量技术来估计两个代理之间的距离。这项工作介绍了两台 Decawave 收发器（DW1000 和 2020 年发布的新款 DW3000）之间的性能研究。测试空间包括视距内区域和由 UWB 无线电信号反射到各种障碍物而引起的各种非视距条件。最后，我们分析了不同配置下的功耗，并对两台设备进行了比较。结果表明，两者在 1 米以上的测量范围内具有相似的精度，而考虑到较短的距离，DW3000 的平均性能要好 33.2%。此外，新收发器在实时测量过程中的功耗降低了近 50%，平均值达到 55 mW。索引术语 — 超宽带技术、超宽带通信、物联网、室内定位、功耗
Moveit和Moveit Pro之间的功能比较
Moveit Pro是一个开发人员平台和SDK，其中包含许多用于机器人ARM运动计划，控制，抓握和计算机视觉的高级算法。Moveit Pro可以更快，更可靠地运送生产。MoveIt是ROS生态系统中Moveit Pro最初建立的原始开源框架。
经典与量子主动用户检测算法性能比较
摘要 — 连接的移动设备数量的强劲增长对有效利用可用网络资源提出了新的挑战。代码域非正交多址 (NOMA) 技术似乎是一种非常有效的解决方案。每个设备都使用其分配的代码同时传输其数据以及用户标识符，而无需任何资源预留交换，从而节省了宝贵的无线资源。然而，这需要一个能够盲目检测活跃用户的接收器，这非常复杂。在量子架构有希望的叠加特性的驱动下，本文的目标是在 NOMA 的背景下调整和应用量子 Grover 算法进行活跃用户检测 (AUD)，以减轻搜索复杂性。将这种改进的 Grover 算法与最佳经典最大似然 (ML) AUD 接收器以及基本的经典传统相关接收器 (CCR) 进行了比较。根据接收信号的信噪比 (SNR) 评估 AUD 概率的基准。我们表明，我们改进的 Grover 算法在高 SNR 范围内非常有前景。索引词 —NOMA、AUD、最大似然、量子算法、Grover 算法
用于重建NGS的聚类模型之间的性能比较来自技术重复
为了提高单个DNA测序结果的性能，研究人员经常使用同一个人和各种统计聚类模型的重复来重建高性能呼叫仪。在这里，考虑了基因组Na12878的三个技术重复，并比较了五个模型类型（共识，潜在类，高斯混合物，kamila - 适应性的K-均值和随机森林），涉及四个性能指标：敏感性，精度，精度，准确性和F1评分。与不使用组合模型相比，i）共识模型提高了精度0.1％； ii）潜在类模型带来了1％的精度改善（97％ - 98％），而不会损害灵敏度（= 98.9％）； iii）高斯混合模型和随机森林提供了更高精确度（> 99％）但敏感性较低的呼叫； iv）卡米拉提高了精度（> 99％），并保持高灵敏度（98.8％）；它显示出最好的总体表现。根据精确和F1得分指标，比较了组合多个呼叫的非监督聚类模型能够改善测序性能与先前使用的监督模型。在比较模型中，高斯混合模型和卡米拉提供了不可忽略的精度和F1得分的改进。因此，可能建议将这些模型用于呼叫集重建（来自生物或技术重复），以进行诊断或精确医学目的。
三个微波炉的性能比较...
摘要：本研究引入了七个纳米金属氧化物（WO 2，Tio 2，Al 2 O 3，Sio 2，Sio 2，Y 2 O 3，ZRO 2和MGO）的混合物，作为微波炉（MW）受感受器，以评估其在温度分布，体重损失，效果上的常规敏感器相比，评估其有效性。基于结果，处理时间最高的时间与没有任何感受器的蛋糕烘烤有关。操作时间取决于所用的感受器；因此，用纳米金属氧化物的蛋糕在MW中烘烤的蛋糕的操作时间最低。用纳米金属氧化物，氧化铝 +氧化铝 +碳化硅（Al 2 O 3 + SIC），铝（Al）铝（Al）铝质氧化物，铝（Al）摄氏受试者和不带振动者，样品的最终表面温度在MW烘烤期间的181、160、140和130°C之间变化。因此，纳米金属氧化物启发器的温度达到了177°C的高度，这对于非酶褐变反应是必不可少的。MW加热中纳米金属氧化物的受感受器不仅改变了与摄像机接触的产品的表面温度，还影响了产品的其他部分。此外，褐变反应的速率在过程开始时开始较低，逐渐增加，然后在过程结束时降低。此外，与没有摄像头的烘烤的蛋糕相比，用纳米金属氧化物摄像机烘烤的蛋糕表现出最低的硬度。总而言之，由于其高度的MW辐射表面吸收水平，导致表面温度升高，处理时间较短，并且硬度较低，因此纳米氧化物敏感受体是MW烘焙蛋糕最合适的选择。
原创文章 人工智能增强篮球罚球的运动学分析 BEKIR KARLIK 1、MUSA HAWAMDAH 2 1 埃波卡大学计算机工程系，地拉那，阿尔巴尼亚 2 塞尔丘克大学计算机工程系，科尼亚，土耳其 在线发表：2024 年 12 月 30 日 接受发表：2024 年 12 月 15 日 DOI：10.7752/jpes.2024.12321 摘要：问题陈述和方法：在篮球比赛中，罚球的成功与否取决于球的出手角度、在空中的正确位置以及最佳速度运动特征。本研究利用人工智能（AI）研究了篮球运动员在疲劳前后执行罚球的运动学特征。材料和方法：我们使用了各种监督机器学习算法，包括：k-最近邻 (k-NN)、朴素贝叶斯、支持向量机 (SVM)、人工神经网络 (ANN)、线性判别分析 (LDA) 和决策树。这些算法用于对从球员收集的运动数据得出的特征进行分类，以揭示他们在不同疲劳程度下的投篮机制的模式和变化。当球员在疲劳前后成功和不成功投篮时，在球释放点测量肘部、躯干、膝盖和踝关节角度。有两种方法可用于对这些特征进行分类：第一种方法是直接使用行数据；另一种是使用主成分分析 (PCA) 减少数据。对于这两种方法，数据在应用于分类器之前都在 0-1 之间归一化。结果：我们通过使用朴素贝叶斯分类器对行数据获得了 98.44% 的最佳分类准确率。此外，使用 PCA 对减少数据进行 ANN 的结果显示最佳分类准确率 95.31%。研究结果揭示了疲劳引起的投篮力学的不同模式和变化，并强调了机器学习模型在分析生物力学数据方面的有效性。讨论和结论：这些结果有助于制定训练计划，以提高疲劳状态下的表现和一致性。这项研究强调了人工智能和数据驱动方法在运动生物力学中的潜力，可以为运动员表现和疲劳管理提供有价值的见解。关键词：智能算法、运动生物力学、运动数据、疲劳引起的变化简介在对各种运动进行的研究中已经观察到功能技能和基于技能的运动模式之间的差异。评估功能技能比评估基于技能的运动模式更具挑战性（Goktepe 等人，2009 年；Abdelkerim 等人，2007 年；Chappell 等人，2005 年）。例如，Goktepe 等人（2009 年）利用统计分析来证明踝关节、肩膀和肘部角度对网球发球的影响。Abdelkerim 等人（2007）展示了篮球运动员的计算机化时间运动分析，而 Chappell 等人（2005）则研究了在进行疲劳前和疲劳后练习的三个停跳任务中落地和跳跃动作中改变的运动控制策略。评估基于技能的收缩、适当的肌肉发力时间和关节定位等因素相对容易。值得注意的是，个人之间的动作执行和技能习得存在差异。在篮球罚球中，关节角度是足以将投篮分为不同类别的基本特征（Schmidt 等人，2012；Ge，2024；Zhang & Chen，2024）。疲劳是人类活动的自然结果，会影响运动员在训练和比赛期间的认知和学习能力。虽然大多数研究认为疲劳是影响表现的一个关键因素（Forestier & Nougier，1998；Apriantono 等人，2006），但一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010；Rusdiana 等人，2019；Li，2021；Bourdas 等人，2024）。例如，Uygur 等人（2010）基于统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024）则专注于疲劳对三分跳投的影响。Li 等人（2021）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中尚未发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同数据源或机器学习技术在结构分析和语义提取中的作用。这项研究是首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析
原创文章 人工智能增强篮球罚球的运动学分析 BEKIR KARLIK 1、MUSA HAWAMDAH 2 1 埃波卡大学计算机工程系，地拉那，阿尔巴尼亚 2 塞尔丘克大学计算机工程系，科尼亚，土耳其 在线发表：2024 年 12 月 30 日 接受发表：2024 年 12 月 15 日 DOI：10.7752/jpes.2024.12321 摘要：问题陈述和方法：在篮球比赛中，罚球的成功与否取决于球的出手角度、在空中的正确位置以及最佳速度运动特征。本研究利用人工智能（AI）研究了篮球运动员在疲劳前后执行罚球的运动学特征。材料和方法：我们使用了各种监督机器学习算法，包括：k-最近邻 (k-NN)、朴素贝叶斯、支持向量机 (SVM)、人工神经网络 (ANN)、线性判别分析 (LDA) 和决策树。这些算法用于对从球员收集的运动数据得出的特征进行分类，以揭示他们在不同疲劳程度下的投篮机制的模式和变化。当球员在疲劳前后成功和不成功投篮时，在球释放点测量肘部、躯干、膝盖和踝关节角度。有两种方法可用于对这些特征进行分类：第一种方法是直接使用行数据；另一种是使用主成分分析 (PCA) 减少数据。对于这两种方法，数据在应用于分类器之前都在 0-1 之间归一化。结果：我们通过使用朴素贝叶斯分类器对行数据获得了 98.44% 的最佳分类准确率。此外，使用 PCA 对减少数据进行 ANN 的结果显示最佳分类准确率 95.31%。研究结果揭示了疲劳引起的投篮力学的不同模式和变化，并强调了机器学习模型在分析生物力学数据方面的有效性。讨论和结论：这些结果有助于制定训练计划，以提高疲劳状态下的表现和一致性。这项研究强调了人工智能和数据驱动方法在运动生物力学中的潜力，可以为运动员表现和疲劳管理提供有价值的见解。关键词：智能算法、运动生物力学、运动数据、疲劳引起的变化简介在对各种运动进行的研究中已经观察到功能技能和基于技能的运动模式之间的差异。评估功能技能比评估基于技能的运动模式更具挑战性（Goktepe 等人，2009 年；Abdelkerim 等人，2007 年；Chappell 等人，2005 年）。例如，Goktepe 等人（2009 年）利用统计分析来证明踝关节、肩膀和肘部角度对网球发球的影响。Abdelkerim 等人（2007）展示了篮球运动员的计算机化时间运动分析，而 Chappell 等人（2005）则研究了在进行疲劳前和疲劳后练习的三个停跳任务中落地和跳跃动作中改变的运动控制策略。评估基于技能的收缩、适当的肌肉发力时间和关节定位等因素相对容易。值得注意的是，个人之间的动作执行和技能习得存在差异。在篮球罚球中，关节角度是足以将投篮分为不同类别的基本特征（Schmidt 等人，2012；Ge，2024；Zhang & Chen，2024）。疲劳是人类活动的自然结果，会影响运动员在训练和比赛期间的认知和学习能力。虽然大多数研究认为疲劳是影响表现的一个关键因素（Forestier & Nougier，1998；Apriantono 等人，2006），但一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010；Rusdiana 等人，2019；Li，2021；Bourdas 等人，2024）。例如，Uygur 等人（2010）基于统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024）则专注于疲劳对三分跳投的影响。Li 等人（2021）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中尚未发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同数据源或机器学习技术在结构分析和语义提取中的作用。这项研究是首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析
ICODE SLIX、ICODE SLIX2、ICODE 3 和 ICODE DNA 之间的功能比较
有限担保和责任 — 本文件中的信息被认为是准确可靠的。但是，恩智浦半导体不对此类信息的准确性或完整性做出任何明示或暗示的陈述或保证，也不对使用此类信息的后果承担任何责任。如果本文件的内容由恩智浦半导体以外的信息来源提供，恩智浦半导体不承担任何责任。在任何情况下，恩智浦半导体均不对任何间接、附带、惩罚性、特殊或后果性损害负责（包括但不限于利润损失、储蓄损失、业务中断、与移除或更换任何产品相关的成本或返工费用），无论此类损害是否基于侵权（包括疏忽）、担保、违约或任何其他法律理论。无论客户因任何原因可能遭受任何损害，恩智浦半导体对客户对本文所述产品的累计和累积责任应根据恩智浦半导体商业销售条款和条件进行限制。
体育活动认知功能比较
摘要本研究旨在全面评估健身房和非群体的认知功能，重点关注诸如精神速度，注意力，视觉构建能力，学习和记忆等领域。使用雪球抽样招募了30名参加体育馆的参与者，其中包括30名健身参与者和31名非访客。使用Nimhans神经心理学电池进行认知评估，包括数字符号替换，以替代精神速度，注意注意力的数字警惕性测试，用于视觉构建能力的复杂数字测试，学习和记忆。使用SPSS软件进行统计分析。的结果表明，体育馆参加者对各个认知领域的非群众表现出色。两组之间的视觉构建能力没有显着差异。这些结果有助于对体育锻炼和认知功能之间联系的知识不断增长，这些发现的含义突显了从久坐的生活方式中摆脱久坐的生活方式的重要性，这是认知功能的潜在缺陷来源，并沉迷于更活跃的生活方式。通过关注这些相互联系的因素，未来的干预措施和生活方式的改变可能能够改善认知功能以及整体健康和福祉。
预测9月北极海冰：多模型的季节性技能比较
米切尔·布什克（Mitchell Bushuk），位于撒哈拉阿里（Sahara Ali），b david A. Bailey，C Qing Bao，D LaurianeBatté，E Uma S. Bhatt，E Edward Blanchard-Wrigestworth，G Ed Blockley，G Ed Blockley，Hgavin Cawley，Hgavin Cawley，i Junhaw Goulet I. Culllet Richlet I. Cullath，M，M，Kk Francis Dirkis X. diberial Exracu，QMaximilianGöbel，R William Gregory，S Virgini Guemas，T Lawrence Hamilton，U Bean He，D Senifer E. Caya，Uther，Uther，Elliot Kim，M Noriaki Kimura，N Dmitry Condrashov，Y Zachary M. CCED WISED LIN，DD YU’MASSONNET，GG WALTER N. pp Steefen Titsche, qq Michel Tsamadus, rr Keguang Wang, ss Jianwu Wang, b Wonqi Whee Yigo Wang, c Younghua, dad James Williams, bolun Yag, dedd Zhang, n and Youngfei Zhang s
使用人工智能模型的马外科手术和生存预测：原始，估算，平衡和特征的性能比较
人工智能（AI）技术虽然不如人类医学先进，但在兽医学领域的潜力很大。该技术提供了一系列基本好处，例如疾病诊断，治疗计划，疾病控制和整体动物健康改善。基于临床数据，本研究使用15个AI模型来预测手术的必要性和显示出急性腹痛症状（绞痛）的马中生存的可能性。通过比较原始，估算的缺失值和平衡数据集的手术和生存预测，我们根据15个AI模型的平均准确性确定了最有效的数据集。此外，我们还通过计算特征的重要性得分和生存预测来探索了提高准确性的潜力。我们的结果表明，平衡的数据集可实现预测手术和生存的最高平均精度，分别为80.76％和77.96％。随机森林（RF）模型的表现优于其他手术的最准确模型（准确性= 85.83，曲线下的面积[AUC] = 0.906）和存活预测（准确性= 80.75，AUC = 0.888）。可以观察到，将数据集中的特征数量减少56％，导致手术预测准确性提高到86.38％。同样，当特征数量减少24％以进行生存预测时，预测性能提高到83.75％。这项研究强调了在兽医医学中精确实施人工智能技术的重要性，这可以显着增强模型性能。