XiaoMi-AI文件搜索系统
World File Search System识别方法
生物识别标准和方法 - Redalyc
方法：本文探讨生物识别领域的标准化问题。本文的第一部分介绍了最广泛使用的生物识别标准的具体示例。本文的第二部分概述了最常用的生物识别方法。结果：研究结果表明，生物识别系统和生物识别传感器的发展有助于更好地保护身份免遭滥用，因为生物识别技术在提高系统操作的安全性和准确性方面具有巨大潜力。生物识别系统提高了用户的安全性，并且在确定身份方面也提供了更高的精度。结论：生物识别标准的制定应注重其互联互通性，以及提高与其他 IT 标准的连通性。关键词：生物识别标准化组织、生物识别标准、生物识别传感器、生物识别方法。
一种识别图像中读数的新方法... - IIETA
对于电力线路巡检，传统的人工巡检方式存在着抄表工作量大、准确率低、存在安全隐患等一系列问题。基于数字图像技术的电表读数图像智能识别方法具有很大的实用价值。但现有的基于深度学习的电表读数识别方法普遍忽略了电表仪表盘指针、刻度等关键点的提取，现有算法鲁棒性和抗干扰能力较差，因此本文旨在研究一种基于深度学习的电力线路巡检电表图像读数识别新方法。首先对电表仪表盘倾斜进行校正，精确定位仪表盘中心；然后基于YOLOv5网络模型构建电表读数识别模型，给出YOLOv5网络模型结构，介绍其工作原理；最后通过实验结果验证了所提出的电表读数图像处理方法及构建的识别模型的有效性。
BETA：面向 SSVEP-BCI 应用的大型基准数据库
脑机接口 (BCI) 提供了一种替代的交流方式，在过去 20 年里引起了人们日益增长的兴趣。具体来说，对于基于稳态视觉诱发电位 (SSVEP) 的 BCI，频率识别方法和数据共享已经有了显著的改进。然而，这个领域的公共数据库数量仍然有限。因此，我们在研究中提出了一个面向 BCI 应用的 BE 基准数据库 (BETA)。BETA 数据库由 70 名执行 40 个目标提示拼写任务的受试者的 64 通道脑电图 (EEG) 数据组成。BETA 的设计和获取是为了满足现实世界应用的需求，它可以用作这些场景的试验台。我们通过一系列分析验证了数据库，并对 BETA 上的十一种频率识别方法进行了分类分析。我们建议分别使用宽带信噪比 (SNR) 和 BCI 商来表征单次试验和人群水平的 SSVEP。BETA 数据库可从以下链接下载 http://bci.med.tsinghua.edu.cn/download.html。
使用降解曲率的电池容量膝关节识别和早期预测
突然的容量淡出会对电池应用中的性能和安全性产生重大影响。为了解决可能发生的膝盖引起的担忧，这项工作旨在通过引入对膝盖的新定义及其发作来更好地理解其原因。提出了基于弯曲的膝盖及其发作的基于曲率的鉴定，这依赖于发现降解的初始和最终稳定加速之间的过渡中的明显波动的行为。该方法在两种不同的电池化学分配的实验降解数据上进行了验证，并将其合成降解数据验证，并且也标有文献中最先进的膝盖识别方法。结果表明，当最先进的膝盖识别方法失败时，我们提出的方法可以成功识别膝盖。此外，在膝盖和生命的末期（EOL）之间发现了明显的强度，并且在膝盖发作和EOL之间几乎同样强。由于该方法不需要完整的淡入淡出曲线，因此这可以打开在线膝关节识别以及膝盖和EOL预测。
铅服务线标识的新兴方法
出于范围的目的，不包括常规识别方法。对文献和供应商信息进行了批判性审查，正在根据Battelle合同68HERC21D0003进行评估，以评估准备就绪，准确性，成本和干扰水平。研发（R＆D）被归类为有一个想法，但没有功能的原型。演示定义为具有原型和测试，但尚未商业上可用。
深度学习小册子 - François Fleuret
当前人工智能进步时期的开启是因为 Krizhevsky 等人 [ 2012 ] 展示了一种结构简单的人工神经网络（该网络已为人所知二十多年 [ LeCun 等人，1989 ]），可以大幅击败最先进的复杂图像识别方法，而这只需将其规模扩大一百倍，并在同样扩大的数据集上进行训练即可。
19 基因技术 - A-Level 笔记
探针 探针是单链 DNA 的短序列，其碱基序列与特定 VNTR 区域互补。它们还包含一种识别方法 - 1) 放射性标记（例如磷同位素），可使探针发出辐射，使 X 射线胶片变暗，形成暗带图案 2) 荧光染色剂/染料，在紫外线下会发出荧光，形成彩色带图案
使用 3-d 加速度计进行手势识别 - SMEC
摘要：基于手势的交互是一种自然的人机交互方式，在普适计算环境中有着广泛的应用。本文提出了一种基于加速度的手势识别方法，称为 FDSVM（基于帧的描述符和多类 SVM），该方法仅需要可穿戴的三维加速度计。使用 FDSVM，首先收集手势的加速度数据并用基于帧的描述符表示，以提取判别信息。然后构建基于 SVM 的多类手势分类器以在非线性手势特征空间中进行识别。在包含数周的 12 种手势的 3360 个手势样本的数据集上进行的大量实验结果表明，所提出的 FDSVM 方法明显优于其他四种方法：朴素贝叶斯、DTW、HMM 和 C4.5。在用户相关的情况下，FDSVM 对 4 个方向手势的识别率为 99.38%，对所有 12 个手势的识别率为 95.21%。在用户无关的情况下，它对 4 个手势的识别率为 98.93%，对 12 个手势的识别率为 89.29%。与文献中报道的其他基于加速度计的手势识别方法相比，FDSVM 在用户相关和用户无关的情况下均能给出最佳结果。
使用 3-d 加速度计进行手势识别 - SMEC
摘要：基于手势的交互是一种自然的人机交互方式，在普适计算环境中有着广泛的应用。本文提出了一种基于加速度的手势识别方法，称为 FDSVM（基于帧的描述符和多类 SVM），该方法仅需要可穿戴的三维加速度计。使用 FDSVM，首先收集手势的加速度数据并用基于帧的描述符表示，以提取判别信息。然后构建基于 SVM 的多类手势分类器以在非线性手势特征空间中进行识别。在包含数周内 12 个手势的 3360 个手势样本的数据集上进行的大量实验结果表明，所提出的 FDSVM 方法明显优于其他四种方法：朴素贝叶斯、DTW、HMM 和 C4.5。在用户相关的情况下，FDSVM 对 4 个方向手势的识别率为 99.38%，对所有 12 个手势的识别率为 95.21%。在用户无关的情况下，它对 4 个手势的识别率为 98.93%，对 12 个手势的识别率为 89.29%。与文献中报道的其他基于加速度计的手势识别方法相比，FDSVM 在用户相关和用户无关的情况下均能给出最佳结果。