XiaoMi-AI文件搜索系统
World File Search System误差值
“计划进行检查”计划有助于提高“居民医师的标准化培训”的质量：对FIR结果的分析对使用电动机诱发的基于潜在的神经反馈
这项研究旨在通过提供基于经颅磁刺激（TMS）引起的运动诱发电位（MEP）的神经反馈来研究心理实践（运动图像训练）的影响。二十四名健康的右手受试者已入学。将受试者随机分配为两组：一个组给出了正确的TMS反馈（REAL-FB组）和一个被给予随机的False TMS反馈（Sham-FB组）的组。当目标圆在计算机监视器中心重叠的十字架时，想象的主题会想到开关。在实际FB组中，基于在Motor Imagery之前的试验中测得的MEP振幅提供了对受试者的反馈。相比之下，Sham-FB组的受试者的反馈值与MEP振幅无关。tms。MEP记录在右侧的右侧骨间肌肉中。我们在两组中评估了一次性练习和一次性练习后的运动表现。结果，在实时FB组和Sham-FB组之间的误差值变化百分比变化中观察到了显着差异。此外，在第4组和第五组中两组之间的MEP截然不同。因此，建议基于MEP的神经反馈可能会增强心理实践的影响。
使用
摘要 - 本文将着重于自动驾驶汽车中的自适应巡航控制。自适应巡航控制输入是安全距离，该安全距离取决于距离值，测量距离，自动驾驶汽车本身的纵向速度，输出是所需的加速度。目标是根据超声波传感器测量的距离跟随前面的车辆，并保持前方车辆之间的距离大于我们确定的安全距离。为此，我们使用了基于适用于自适应巡航控制系统的神经网络，使用了超级扭曲滑动模式控制器（STSMC）和非单明的终端滑动模式控制器（NTSMC）。神经网络能够近似于NTSMC控制器的指数达到法律项参数，以补偿不确定性和扰动。使用超声波传感器生产并测试了一个自主汽车自适应巡航控制系统原型，以测量两家汽车之间的距离，而Arduino板作为微控制器，以实施我们的程序，并将四个DCS Motors作为执行器作为执行器，以移动或停止我们的主机车辆。该系统由代码和Simulink Matlab处理，这些控制器的效率和鲁棒性非常好，如低纵向速度误差值所证明的那样。使用基于神经网络控制器的STSMC和NTSMC改善自适应巡航控制，可以提高自动驾驶汽车的安全性，这些神经网络控制器的效率和鲁棒性选择。
优化废弃鳄梨油的生物柴油产量和燃料特性：ANFIS 和 RSM 机器学习模型的比较研究
化石燃料带来的挑战推动了人们对替代能源的追求，从而推动了生物燃料的发展。本研究重点是通过酯交换反应从废弃的鳄梨油中生产生物柴油。首先，使用萃取技术从鳄梨的果皮和种子中提取油。然后用甲醇和硫酸 (H₂SO₄) 对提取的油进行预处理，以将其游离脂肪酸含量降低至 1.0 wt% 以下。本研究比较了两种专家系统，即自适应神经模糊推理系统 (ANFIS) 和响应面法 (RSM)，用于建模和优化鳄梨油的生物柴油生产。使用统计指标评估了这些优化工具的性能。结果表明，ANFIS 优于 RSM，误差值较低，预测标准误差 (SEP)=0.7653、平均绝对误差 (MAE)=0.1413、均方根误差 (RMSE)=0.4103、平均绝对偏差 (AAD)=0.2955%、均方误差 (MSE)=0.1683，判定系数高 (R² = 0.9976)。两种模型都预测生物柴油产量较高 (>85%)，ANFIS 的产量 (88.21%) 略高于 RSM (86.20%)。将优化条件下生产的生物柴油的特性与美国材料与试验协会 (ASTM) D6751 和欧洲标准 (EN) 14214 标准进行了比较，结果发现其在可接受的范围内，表明该燃料是适用的。
先进的机器学习算法来评估原材料对超高性能混凝土流动性和抗压强度的影响
通过人工智能技术估算混凝土特性已被证明是建筑领域节省时间和成本的有效方法。超高性能混凝土 (UHPC) 的制造基于多种成分的组合，从而产生一种非常复杂的新鲜和硬化形式的复合材料。成分越多，可能的组合、特性和相对混合配比就越多，导致难以预测 UHPC 行为。本研究的主要目的是开发机器学习 (ML) 模型来预测 UHPC 的流动性和抗压强度。因此，当前的研究采用了复杂而有效的人工智能方法。为此，应用了一个名为决策树 (DT) 的单独 ML 模型和名为引导聚合 (BA) 和梯度提升 (GB) 的集成 ML 算法。还采用了诸如判定系数 (R2)、均方根误差 (RMSE) 和平均绝对误差 (MAE) 之类的统计分析来评估算法的性能。结论是，GB 方法可以适当地预测 UHPC 的流动性和抗压强度。DT 技术的 R 2 值较高，分别为抗压和流动性的 0.94 和 0.95，误差值较小，与其他 R 2 值较低的算法相比具有更高的精度。SHAP 分析表明，石灰石粉含量和固化时间分别对 UHPC 的流动性和抗压强度具有最高的 SHAP 值。本研究成果将有利于建筑行业的学者快速有效地确定 UHPC 的流动性和抗压强度。
解决混凝土设计中的环境问题
摘要。本文通过研究人工智能在混凝土设计中的应用来解决对可持续基础设施的迫切需求，特别强调预测单轴抗压强度 (UCS) 以减轻环境影响。混凝土是一种基本的建筑材料，由于其巨大的碳足迹，是环境恶化的主要原因。该研究的重点是利用人工神经网络 (ANN) 的潜力来预测传统建筑混凝土中的 UCS，这种混凝土在全球建筑实践中得到广泛应用。这一重点源于人们认识到这些混凝土类型对环境有重大影响，既影响碳足迹，又影响生态系统。研究方法包括分析一个数据集，该数据集包含 300 个立方体混凝土试件，尺寸为 15 厘米 × 15 厘米 × 15 厘米，按 70:30 的比例分为训练集和测试集。除了 ANN 模型外，还采用了各种机器学习分类器（包括支持向量机和决策树）进行比较。结果表明，基于 ANN 的预测模型优于替代分类器，具有高准确率和最小误差值，从而证实了其在估计 UCS 值方面的可靠性。这些发现凸显了整合人工智能技术以提高建筑实践的可持续性和减轻与混凝土使用相关的环境影响的潜力。通过采用 ANN 预测模型等创新方法，建筑行业可以为环境保护和可持续发展做出重大贡献。关键词：人工智能；混凝土；施工管理；环境影响；可持续结构 1. 简介
卷积神经网络
摘要从互联网技术和通信技术的快速发展中受益，行业互联网迅速上升。随着互联网技术的快速发展，网络安全变得越来越突出。此外，入侵攻击会导致系统故障或降低系统性能，因此入侵检测是确保系统可靠性的重要方面。针对运营过程中工业互联网面临的巨大安全风险，本研究提出了一种基于卷积神经网络的工业互联网故障检测模型，该模型最初通过卷积神经网络筛选了卷积神经网络的入侵攻击，并引入了粒子群群群优化算法，以识别筛查的入侵攻击。The experimental results demonstrated that when the training set size was 1600, the accuracy rates of random forest, K-mean clustering algorithm, convolutional neural network and improved convolutional neural network algorithms were 93.2%, 94.9%, 96.3%, and 98.6%, respectively, and the false alarm rates were 6.9%, 5.0%, 3.8%, and 2.1%, respectively.随机森林，K均值聚类，卷积神经网络和改进的卷积神经网络算法的均方根误差值分别为0.32、0.22、0.18和0.11。当训练集大小为800时，相应的F1值为0.81、0.84、0.87和0.98。该研究的结果表明，改进的算法模型优于其他策略，为在工业互联网中的应用提供了坚实的基础。
系统生物学在植物代谢建模中使用组织特异性基因表达进行精确通量预测
动机：对生命系统中代谢型号等复杂表型的准确预测是系统生物学的巨大挑战，并且是有效地识别可以满足紧迫工业需求的生物技术干预措施的核心。使用机械建模方法（例如频率平衡分析（FBA）），基因表达数据的应用以提高代谢频道预测的准确性，尽管在多组织系统中尚未证明其生物技术重要性。我们假设，一种通过组织之间相对表达水平所告知的代谢频道预测的方法将提高预测准确性。结果：从多个转录组和蛋白质组学数据集中得出的相对基因表达水平被整合到拟南芥中心代谢的多组织的DIEL模型的FBA预测中。与标准的parsibimious FBA方法相比，这种整合与从13 c代谢型号分析中的实验基础图与基于实验的频道图的一致性。通过使用加权平均百分比误差值测量FBA预测与MFA频率图之间的分歧，对于高光条件的较高的FBA，对于低光条件而言，这是169％–180％，对于低光条件，为94％–103％，取决于使用的基因表达数据集。将表达数据纳入建模过程后，这一点下降到10％-13％和9％-11％，这也大大改变了植物的预测碳和能源经济。可用性和实施：作为本研究的一部分生成的代码和数据可从https：// github获得。com/gibberella/airidopsisgeneexpression重量。
智能睡眠照明系统的新设计，可改善...
摘要。背景：儿童由于生理特点，难以自行入睡。因此，人们研究了各种设备（例如智能手机）来辅助改善儿童的睡眠质量。但所有这些设备都需要由父母控制，并且不具备监测睡眠环境的功能。目的：本文开发了一种包括睡眠照明设备和智能手机适配器的智能睡眠照明系统，以改善儿童的睡眠环境。方法：通过睡眠照明设备监测和分析睡眠环境的温度、湿度和亮度，以控制多色光和音频组件。可以调节多色光发出的彩色光以改善睡眠氛围。此外，音频组件可以播放白噪声来诱导睡眠。此外，家长可以使用具有多通道无线通信方法的智能手机加密狗来实时监控和控制不同位置的一个或多个照明设备。结果：对于环境监测，从室内设定温度 15 ◦ C 到 35 ◦ C，所提出的设备和商用传感器之间的平均差异为 0.588 ◦ C ± 0.10 ◦ C，湿度测量的平均误差值为 0.74% (40% ∼ 60% RH)。此外，制造的睡眠照明装置在多色发光和播放白噪声方面表现出良好的性能。因此，连接到所提出的智能手机加密狗的智能手机能够以无线方式监控和控制所提出的照明设备。结论：所制造的睡眠照明装置具有高精度温度和湿度传感器以及亮度传感器，可以准确监测睡眠环境。该照明装置可以播放白噪声以诱导儿童睡眠。此外，还可以通过智能手机应用程序操作多色LED灯以改善睡眠氛围。测量数据将发送到照明装置并与睡眠环境数据一起处理，以提高睡眠质量。此外，最终系统将由大学医院的睡眠研究中心通过临床实验为真实最终用户进行测试。
使用心理健康护理中高度去识别的数据预测患者等待时间：增强型机器学习方法
背景：等待时间会影响患者的满意度、治疗效果以及患者接受的护理效率。心理健康领域的等待时间预测是一项复杂的任务，它受到预测门诊患者所需治疗次数的难度、高失约率以及使用团体治疗的可能性的影响。如果输入数据的效用较低，等待时间分析的任务就会变得更具挑战性，这种情况发生在通过删除直接和准标识符对数据进行高度去识别化时。目标：本研究的第一个目标是开发机器学习模型，利用实时数据预测精神病门诊患者从转诊到第一次预约的等待时间。第二个目标是利用系统知识在输入数据高度去识别化的情况下提高这些预测模型的性能。第三个目标是确定导致长时间等待的因素，第四个目标是建立这些模型，使它们实用且易于实施（因此对护理提供者有吸引力）。方法：我们分析了加拿大安大略海岸精神卫生科学中心 8 家门诊诊所的回顾性高度去识别化管理数据，使用 6 种机器学习方法来预测新门诊患者的首次预约等待时间。我们使用系统知识来缓解数据低效用的问题。数据包括 4187 名患者，他们通过 30,342 次预约接受了治疗。结果：不同类型的精神卫生诊所的平均等待时间差异很大。超过一半的诊所的平均等待时间超过 3 个月。诊所预约的次数和失约率差异很大。尽管存在这些差异，但随机森林方法为 8 家诊所中的 4 家提供了最小均方根误差值，为其他 4 家诊所提供了第二小均方根误差。利用系统知识提高了高度去识别化数据的效用，并提高了模型的预测能力。结论：随机森林方法通过系统知识得到增强，为新门诊患者提供了可靠的等待时间预测，尽管高度去识别的输入数据的效用很低，而且不同诊所和患者类型的等待时间差异很大。优先系统被确定为导致等待时间过长的一个因素，并建议使用快速通道系统作为潜在解决方案。