XiaoMi-AI文件搜索系统
World File Search System识别方法
飞机飞行控制开发和验证的系统识别方法
系统识别方法通过测量动态系统的输入和输出来组成一个或一系列数学模型。提取的模型可以表征整个飞机或部件子系统行为（例如执行器和机载信号处理算法）的响应。本文讨论了频域系统识别方法在飞机飞行控制系统的开发和集成中的应用。使用频率响应综合识别 (CIFER ® ) 系统识别工具，可以提取和分析从非参数频率响应到传递函数和高阶状态空间表示等不同复杂程度的模型。结果显示了艾姆斯研究中心众多飞行和模拟程序的测试数据，包括旋翼机、固定翼飞机、先进短距起飞和垂直着陆 (ASTOVL)、垂直/短距起飞和着陆 (V/STOL)、倾转旋翼飞机和风洞中的旋翼实验。对于这类广泛的系统，可以实现出色的系统特性和动态响应预测。示例说明了系统识别技术在飞机开发的整个生命周期中（从初始规格到模拟和台架测试，再到飞行测试优化）提供集成的动态响应数据流中所发挥的作用。
研究文章是一种听觉诱发磁场的新识别方法
摘要：本文将条件令牌（CT）定义为具有特定条件的令牌，并提出了其在智能合约中操作的使用功能，以便可以在公共区块链中部署。如果CTS被交换为/同等的货币，那么所有条件均已实现，即所需的履行和义务/权利。在使用中，义务类型的CT可以用作可划分的抵押贷款，也可以用作应收账款，应付账款和凭证的代表。虽然权利类型的CT可以用作可分开的固定收入债券或投资工具。因此，可以将两种类型的CT与匹配的方法集成在一起，因此可以在分散率的任何类型的对等（P2P）系统中使用，例如众筹和P2P贷款。本文应用了这个新模型来解决供应链财务的复杂问题。对于可行性，本研究得出结论是CT是“ Verdinglichung obsigatorischer rechte”，而在成本和收益方面，CTS比当前的公司贷款更好。此外，它还能够将风险转移给其他投资者。在实施方面，本文提出了一个系统框架，并完成了系统概念证明。
新型抗疟药物的现有和新兴靶标识别方法
疟疾仍然是全世界最常见的传染病之一，世界 40% 以上的人口生活在疟疾流行地区（世界卫生组织，2021 年）。2020 年，疟疾病例超过 2 亿，死亡人数超过 60 万，主要由两种疟原虫引起，即恶性疟原虫和间日疟原虫（世界卫生组织，2021 年）。其中，恶性疟原虫占人类感染病例的 90% 以上，是全球沉重的健康负担。这些病例对发展中国家的影响尤为严重，19 个非洲国家和印度承担了 85% 的疟疾负担。此外，大多数死亡病例发生在 5 岁以下儿童中。疟疾预防工作的成功与否参半。使用杀虫剂处理过的蚊帐可有效降低寄生虫患病率和儿童死亡率，并已成为疟疾控制计划的核心内容（Pryce 等人，2018 年）。然而，疫苗的研发取得了有限的成功，最近批准的 RTS,S 疫苗 (Mosquirix ™) 显示出有限的效果，使儿童临床疟疾发病率降低了 26-38%（Morrison，2015 年）。由于缺乏高效疫苗，疟疾管理目前依赖于小分子抗疟药物，这些药物可以快速有效地治疗活动性
以航空公司为例，使用提示列表提出风险识别方法
摘要：风险管理和安全是经常被提及的主导话题，尤其是在这个时期。安全管理系统 (SMS) 基于风险管理，航空运输以及其他运输方式都需要实施风险管理。事实上，乘客和工作人员的安全是每家航空公司的首要任务，这些人会面临一些常见的风险。风险识别对于成功的风险管理至关重要，因为只有识别出的风险才能得到管理。根据对已发布的框架和标准的研究，设计了一种风险识别方法，使用了一份按逻辑顺序排列的风险清单，这些风险与典型的航空活动以及该方法所处的特定环境有关。提示列表是根据背景分析编制的，该分析侧重于内部和外部背景，并以此为基础确定提示列表的结构，以便可以根据各种标准将风险从列表转移到风险登记册，以便进一步处理。该清单包含来自多个领域（经济、生态、社会、个人、商业、营销等）的风险。提示列表本身的设计还包括对其编制、使用和更新方法的提议。
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。
构建利用多脑区 GLCM 特征和机器学习技术的精神分裂症识别方法
摘要：准确诊断精神分裂症是一种复杂的精神疾病，对于有效管理治疗过程和方法至关重要。各种类型的磁共振 (MR) 图像都有可能作为精神分裂症的生物标志物。本研究旨在通过结构 MR 图像对精神分裂症患者和健康对照者大脑双侧杏仁核、尾状核、苍白球、壳核和丘脑区域可能出现的纹理特征差异进行数值分析。为此，使用机器学习方法对从右脑、左脑和双侧大脑的五个区域获得的灰度共生矩阵 (GLCM) 特征进行分类。此外，还分析了这些特征在哪个半球更具特色，以及 Adaboost、Gradient Boost、eXtreme Gradient Boosting、随机森林、k-Nearest Neighbors、线性判别分析 (LDA) 和朴素贝叶斯中的哪种方法具有更高的分类成功率。检查结果显示，左半球这五个区域的 GLCM 特征在精神分裂症患者中的分类性能优于健康人。使用 LDA 算法，在健康和精神分裂症患者中，分类成功率为 100% AUC、94.4% 准确率、92.31% 灵敏度、100% 特异性和 91.9% F1 得分。因此，这表明五个预定区域而不是整个大脑的纹理特征是识别精神分裂症的重要指标。
研究论文基于双向LSTM和注意力机制的表情脑电多模态情绪识别方法
由于人类情绪的复杂性，不同的情绪特征之间存在一定的相似性，现有的情绪识别方法存在特征提取困难、准确率不高的问题，为此提出一种基于双向长短期记忆和注意机制的表情脑电多模态情绪识别方法。首先基于双线性卷积网络（BCN）提取面部表情特征，将脑电信号变换为三组频带图像序列，利用BCN对图像特征进行融合，得到表情脑电多模态情绪特征。然后通过带有注意机制的长短期记忆在时序建模过程中提取重要数据，有效避免采样方法的随机性或盲目性。最后，设计一种具有三层双向长短期记忆结构的特征融合网络，将表情与脑电特征进行融合，有助于提高情绪识别的准确率。在MAHNOB-HCI和DEAP数据集上，基于MATLAB仿真平台对所提方法进行测试。实验结果表明,注意机制可以增强图像的视觉效果;且与其他方法相比,所提方法可以更有效地从表情和脑电信号中提取情感特征,情绪识别的准确率更高。
可减少用户校准负担的强大肌电模式识别方法：挑战和未来
肌电模式识别（MPR）已演变为一项广泛用于控制肌接口（MI）设备（如假肢和矫形机器人）的技术。当前的MIS不仅能够对假肢的多元自由控制，而且还具有消费电子产品的巨大潜力。但是，肌电信号的非平稳随机特征构成了挑战，从而在诸如电极移动和切换新用户之类的实际情况下导致性能退化。常规误差通常需要细致的校准，对用户造成重大负担。为解决校准过程中用户挫败感，研究人员致力于确定减轻这种负担的MPR方法。本文将基于数据分布变化和基于动态数据类别的校准负担负担的常见场景分类。然后进一步研究并总结了用于减轻用户校准负担的流行强大的MPR算法。我们将这些算法分为基于数据操纵，特征操纵和模型结构。并描述了每种方法适用的情况以及校准所需的条件。最后，本次审查以强大的MPR以及其余的挑战和未来的机会的优势结束。
研究论文：基于小波卷积神经网络和支持向量机的混合脑电情绪识别方法
方法：本文提出了一种基于从小波 CNN（WCNN）加权层提取的深度特征和多类支持向量机（MSVM）的混合方法来提高从脑电图（EEG）信号中识别情绪状态的能力。首先，使用连续小波变换（CWT）方法对 EEG 信号进行预处理并将其转换为时频（TF）颜色表示或尺度图。然后，将尺度图输入到四个流行的预训练 CNN，AlexNet、ResNet-18、VGG-19 和 Inception-v3 中进行微调。然后，将每个 CNN 中的最佳特征层用作 MSVM 方法的输入，以对效价-唤醒模型的四个季度进行分类。最后，使用与受试者无关的留一受试者排除标准在 DEAP 和 MAHNOB-HCI 数据库上评估所提出的方法。
基于多分支深度学习融合模型的计算机辅助颅内脑电信号识别方法及临床验证
1 北京邮电大学泛网无线通信教育部重点实验室，北京市海淀区西土城路10号，100876，中国；ypwang@bupt.edu.cn（YW）；liuzimo@bupt.edu.cn（ZL）；guojinjie2@bupt.edu.cn（JG）；gpcao@bupt.edu.cn（GC）；baytest@bupt.edu.cn（MO）2 首都医科大学宣武医院神经外科，北京市西城区长椿街45号，100053，中国；yangdai@mail.ccmu.edu.cn（YD）；shanyongzhi@xwhosp.org（YS）3 北京航空航天大学机电工程与自动化学院机器人研究所，北京市海淀区学院路37号，100191，中国； drliuda@buaa.edu.cn 4 无锡北邮传感技术与工业研究所有限公司，无锡 214001，中国 * 通讯作者：gxkang@bupt.edu.cn (GK); ggzhao@xwhosp.org (GZ) † 这些作者对这项工作的贡献相同。