XiaoMi-AI文件搜索系统
World File Search System识别率
使用Microsoft 365业务的安全指南（...
区域或行业垂直注意事项；但是，不同框架之间的控件大多彼此兼容，因此解决一个通常在其他框架中的控件求解的控件。为您方便，我们在下面的清单中列出了适用的CIS控件。身份管理计划：Microsoft 365租户中的用户可以具有其身份（用户名，密码等）完全在云中管理，或与本地Active Directory同步。如果您的客户没有现有的Active Directory本地目录，则可以通过使用PowerShell中的PowerShell中的单独添加用户或使用CSV文件来设置仅云的身份。如果您的客户具有Active Directory，则建议我们从混合方法开始 - 使用Azure AD连接以将域与Microsoft 365同步，并且它们从混合动力转变为仅在云中管理身份，尽可能合理地在云中管理身份，因为它可以更简单地管理，降低复杂性，并且比识别率相比更容易降低相同的识别率，从而使自己更容易同步。我们建议配置Azure AD与Microsoft 365业务溢价连接：
基于几何模型的手势识别方法
摘要 — 通过技术手段进行手臂和手部跟踪可以收集可用于确定手势含义的数据。为此，机器学习算法主要被研究以寻找最高识别率和最短识别时间之间的平衡。然而，这种平衡主要来自于统计模型，而统计模型很难解释。与此相反，我们提出了 µC 1 和 µC 2，两种基于几何模型的手势识别方法，支持识别过程的可视化和几何解释。我们将 µC 1 和 µC 2 与两种经典机器学习算法 k-NN 和 SVM 以及两种最先进的深度学习模型 BiLSTM 和 GRU 进行比较，实验数据集包含意大利手语 (LIS) 的十个手势类别，每个类别由五名没有经验的非母语手语者重复 100 次，并通过可穿戴技术（传感手套和惯性测量单元）收集。最终，我们在高识别率（> 90%）和低识别时间（< 0.1 秒）之间实现了折衷，这足以满足人机交互的需要。此外，我们基于几何代数详细阐述了算法的几何解释，这有助于对识别过程有所理解。
利用卷积神经网络识别脑电信号中的想象词语法类别
在本文中，我们提出了一个使用多通道卷积神经网络 (MC-CNN) 的框架，用于从脑电图 (EEG) 信号中识别隐性口语单词的语法类别（动词或名词）。我们提出的网络通过考虑 EEG 信号的空间、时间和频谱特性来提取特征。此外，从大脑不同区域获取的信号集在所提出的框架内分别处理，然后在分类阶段组合。这种方法使网络能够有效地从处理想象语音的大脑位置学习判别特征。我们的网络经过了具有挑战性的实验测试，包括测试对象未参与系统训练的情况。在我们的主要应用场景中，训练期间未使用任何特定名词或动词的实例，我们的方法实现了 85.7% 的识别率。此外，我们提出的方法在公开可用的 EEG 数据集上进行了评估，并在二元分类中实现了 93.8% 的识别率。这些结果证明了我们方法的潜力。 2021 作者。由 Elsevier BV 出版 这是一篇根据 CC BY 许可 (http://creativecommons.org/licenses/by/4.0/) 开放获取的文章。
“ ...
摘要 - 本文探讨了通过对新数据进行微调模型来改善现有面部生物识别系统质量的方法。它检查了反映生物识别安全系统基本操作原理的总体框架，以及使用OPENCV中的深神经网络（DNN）面部检测方法来解决此任务的主要方法和方法。已经开发了一个面部识别软件套件，其中包括：检测模块，头部位置确定模块，用户识别模块，访问控制和管理系统（ACMS）模块和培训模块。已经对现有方法进行了研究，以增强识别算法和系统的准确性。对系统进行微调后在一天中不同时间进行微调后的识别率的增加进行了分析。研究结果表明，开发的模块可确保高准确性和可靠性。由于系统微调，识别率提高了约4-5％。此外，值得注意的是，具有面部识别技术的ACM代表了寻求自动出勤跟踪过程的教育机构的强大工具。此步骤标志着应用高级技术以提高出勤管理的效率和准确性的重大进展。关键字 - 识别，识别系统，识别算法，深度神经网络（DNN）的面部检测方法，微调，与访问控制和管理系统（ACMS）集成（ACMS）
使用深层神经网络和SSVEP信号的空间模式
摘要：与传统的生物特征识别方法相比，由于其独特的特性，大脑生物识别技术引起了科学界的越来越多的关注。许多研究表明，脑电图特征在个人之间是不同的。在这项研究中，我们通过考虑特定频率的视觉刺激引起的大脑反应的空间模式提出了一种新的方法。更具体地说，我们建议，用于识别个体，将常见的空间模式与专门的深度学习神经网络相结合。采用常见的空间模式使我们能够设计个性化的空间过滤器。此外，在深层神经网络的帮助下，空间模式被映射到新的（深）表示中，在这些表示中，以高正确的识别率进行了个人之间的歧视。我们在两个稳态视觉诱发的潜在数据集上进行了全面比较，分别由三十五和11受试者组成的两个稳态视觉诱发的潜在数据集进行了全面比较。此外，我们的分析包括稳态视觉诱发的潜在实验中的大量闪烁频率。对这两个稳态视觉诱发潜在数据集进行的实验显示了我们方法在人识别和可用性方面的有用性。所提出的方法在大量的视觉刺激频率上实现了99％的平均正确识别率。
结合脑机接口康复系统的机器学习方法优化
摘要.[目的]中风患者无法自行活动，必须进行康复训练，让神经系统触发并恢复功能。传统做法是使用电极帽提取脑波特征，并与辅助设备相结合。但存在电极帽不易佩戴、电位识别不佳的问题，且不同的提取方法会影响脑机接口（BCI）的准确性，仍有改进空间。[对象与方法]本实验使用的脑波耳机无需导电凝胶即可获得良好的脑电图进行神经诱导并驱动上肢康复机器人。接下来，邀请8名中风患者和200名正常参与者进行为期4周的康复训练。使用快速傅里叶变换（FFT）、幅值平方相干性（MSC）特征提取方法和诱导闪烁频率的五种机器学习技术来确定训练的有效性。 [结果] 结果表明最佳稳态视觉诱发闪烁频率为 6 Hz, FFT 的识别率比 MSC 方法提高约 5.2%; 对不同的特征提取方法采用优化模型可使识别率提高 1.3%～9.1%。[结论] 基于 Fugl-Meyer 评估 (FMA)、改良 Ashworth 量表 (MAS) 指数改进及功能性磁共振成像 (fMRI) 的图像显示大脑运动感觉区域已成为集中激活现象。 除了强化特征提取方法外, 还让肘部动作有明显的恢复效果。关键词: 脑机接口, 稳态视觉诱发电位, 特征提取
机器学习驱动的威胁识别以使用遗传算法增强粉丝安全性
摘要：作为一种高度有前途的技术，飞行的临时网络代表了无人驾驶汽车（无人机）的自组织网络，引起了对环境监测，灾害管理，精密农业，监测和军事行动的多种应用的关注。但是，这些网络面临着各种安全威胁的挑战，包括由于其在动态环境中的部署而导致的恶意节点检测。为了解决这个问题，我们在本文中使用遗传算法（ML-TIFGA）提出了一种改进的新型安全解决方案，基于机器学习的威胁识别。研究包括使用基本遗传算法检测异常行为节点，并通过使用信誉系统动态地适应不断变化的网络条件。为了增强我们的安全解决方案ml-tifga，我们评估了两个关键因素：合作和可信度，它们在我们的遗传人群中充当飞行节点染色体内的遗传元素。此外，还合并了一种机制来重新配置信任，并在考虑过去的行为监控时通过更新的加权声誉系统动态提取威胁的挑战。使用NSL-KDD数据集中的实际样品值发现了实验结果中的显着改进，这产生了显着的99.829％的分类精度。此外，培训的威胁识别率达到98.36％，测试样品的识别率达到98.86％，通过ML-TIFGA的网络可靠性增长了99.3％。在针对最新方法的基准测试时，诸如延迟，吞吐量和数据输送率之类的绩效指标分别显示出24.65％，29.16％和31.73％的明显增强。
基于多维结构特征的硬件木马检测技术
具体来说， Oya 等人 [ 3 ] 总结了 9 种木马特征并对 每种特征赋予特定的分值，通过分值的高低来确定 是否存在硬件木马。但该文并未阐述这些特征的性 质及与硬件木马触发机制的联系。 Yao 等人 [ 4 ] 基于 数据流图提出 4 种硬件木马特征，利用硬件木马特 征匹配算法来检测硬件木马，并形成了检测工具 FASTrust 。然而基于数据流图的木马特征构建方 法是从寄存器层面进行的，大量的组合逻辑被忽略， 误识别率较高。 Hasegawa 等人 [ 5 ] 提出了 LGFi, FFi, FFo, PI, PO 等 5 种硬件木马特征，并利用支持向量 机算法来训练并识别木马节点，然而在训练集中， 硬件木马特征集较少，训练集分布并不平衡，即便 是采用动态加权的支持向量机依然存在较大的误识 别情况。 Chen 等人 [ 6 ] 计算待测电路中两级 AONN 门 的分数，认为分数较高的门是硬件木马。该方法对 单触发型硬件木马有效，然而对于多触发条件的硬 件木马无能为力，且未考虑有效载荷电路及其功能。
使用 ARDUINO UNO 的智能轮椅 - IJSRMS
对于肢体残疾的人，我们开发了语音和手势控制轮椅。残疾人或老年人可以使用这项技术。该系统使用语音和手势。在语音系统中，我们使用前进、后退、左转、右转、停止等命令。我们识别了语音，成功识别率为 99.03% 到 98.3%，我们还使用手势控制轮椅的移动，为此我们使用加速度计传感器。加速度计直接连接到微控制器，微控制器连接到编码器 IC（HT12E），该 IC 连接到 RF 发射器模块，以无线方式传输数据。电机收到信号后将相应地运行。该系统的目的是通过语音和手势实现轮椅的方向控制。