XiaoMi-AI文件搜索系统
World File Search System错误检测
数字通信讲义B.Tech（III年 - I ...
在数字通信中。单元I脉冲数字调制：数字通信系统的元素，数字通信系统的优势，PCM生成和重建，量化噪声，量化类型和兼容的类型，差异PCM（DPCM），时间分配多重和消除。增量调制：Delta调制及其拉回，自适应增量调制，PCM和DM系统中的噪声，说明性问题。单元II数字调制技术：简介，询问调制器，连贯和非辅助询问探测器，FSK调制器，FSK的相干和非辅助检测，BPSK调制器和BPSK的连贯接收，DPSK和QPSK原理。数据传输：基本频带信号接收器，错误的概率，最佳过滤器，匹配的过滤器，使用匹配的滤镜的错误概率。使用CORELATOR的eptimum滤波器。第三单元信息理论：信息理论简介，信息量及其属性的概念，平均信息（熵）及其属性，信息速率，共同信息及其特性，说明性问题。来源编码：简介，优势，Hartley Shannon的定理（渠道容量定理），Bandwidth-S/N权衡取代，Shannon-Fano编码，Huffman编码，说明性问题。单元IV线性块代码：简介，线性块代码的矩阵描述，线性块代码的错误检测和错误校正功能，Hamming代码。循环代码：编码，综合征计算，解码，
使用传感器和机器学习对害虫昆虫外观的预测
摘要：如果农民不及时反应以抑制其传播，虫害昆虫的出现可能会导致产量损失。可以通过昆虫陷阱来监测昆虫的发生和数量，其中包括它们的永久游览和检查其状况。另一种有效的方法是在陷阱中设置带有相机的传感器设备，将陷阱拍摄并将图像转发到Internet上，其中有害生物昆虫的外观将通过图像分析预测。天气条件，温度和相对湿度是影响某些害虫出现的参数，例如Helicoverpa Armigera。本文提出了一种机器学习模型，该模型可以考虑到空气温度和相对湿度，可以每天在一个季节预测昆虫的出现。应用了几种用于分类的机器学习算法，并提出了其预测昆虫发生的准确性（高达76.5％）。由于根据测量进行测量的日子以时间顺序给出了测试的数据，因此将现有模型扩展，以考虑三天和五天的时间。扩展方法显示出更好的预测准确性和较低的错误检测百分比。在五天的情况下，受影响检测的准确性为86.3％，而虚假检测的百分比为11％。所提出的机器学习模型可以帮助农民检测害虫的发生，并节省检查领域所需的时间和资源。
航空电子辐射硬度保证（RHA）指南
3D Three-dimensional ADC Analog-digital Converters Ag Silver APEX Advanced Photovoltaic Experiment APS Active Pixel Sensor ASET Analog Single-event Transient ASIC Application-specific Integrated Circuit BCH Bose–Chaudhuri–Hocquenghem BiCMOS Bipolar CMOS BJT Bipolar Junction Transistor BNL Brookhaven National Laboratory BoK Book of Knowledge Br Bromine CAD Computer-aided Design CCA Circuit Card Assembly CCD Charge-coupled Device CGS centimeter–gram–second CIS CMOS Image Sensor CL Confidence Level CMOS Complementary Metal Oxide Semiconductor CONOPS Concept of Operations COTS Commercial off the Shelf CRRES Combined Release and Radiation Effects Satellite CRUX Cosmic Ray Upset Experiment CTE Charge Transfer Efficiency DC Direct Current DDD Displacement Damage Dose DRAM Dynamic随机访问记忆DRM设计参考任务DSEE破坏性的单事件效应DSET DESED数字单事件瞬态DSNE设计规范，用于测试的EDAC错误检测和校正EEEE EEEE电气，电子，机电和电位电流ELDRE，并增强了低剂量评分的敏感性
Engin Dikici、Matthew Bigelow、Luciano M. Prevedello、Richard D. White、Barbaros S. Erdal，“将 AI 集成到放射学工作流程中：研究、生产和反馈成熟度水平，”J. Med. Imag. 7 (1), 016502 (2020), doi: 10.1117/1.JMI.7.1.016502
摘要。我们提出了将基于人工智能 (AI) 的图像分析算法集成到现有放射学工作流程中的路线图，以便 (1) 放射科医生可以从 AI 带来的各种成像任务自动化增强中受益匪浅，并且 (2) 放射科医生的反馈可用于进一步改进 AI 应用程序。这是通过建立三个成熟度级别来实现的，其中 (1) 研究使放射科医生能够可视化基于 AI 的结果/注释，而无需生成新的患者记录； (2) 生产允许基于 AI 的系统生成存储在机构图片存档和通信系统中的结果； (3) 反馈为放射科医生提供了编辑 AI 推理结果的工具，以便定期重新训练已部署的 AI 系统，从而允许持续有机改进基于 AI 的放射学工作流程解决方案。一个案例研究（即使用 T1 加权对比增强三维 MRI 检测脑转移瘤）根据上述成熟度级别说明了特定基于 AI 的应用程序的部署细节。结果显示，给定的 AI 应用程序随着放射科医生的反馈而显着改善；由于放射科医生的裁决，错误检测的脑转移瘤（假阳性）数量从每位患者 14.2 个减少到 9.12 个，随后注释的数据集数量从 93 个增加到 217 个。© 作者。由 SPIE 根据 Creative Commons Attribution 4.0 Unported 许可证发布。全部或部分分发或复制本作品需要完全署名原始出版物，包括其 DOI。[DOI: 10.1117/1.JMI.7.1.016502 ]
比较脑电图，凝视和手动运动
人类机器人协作（HRC）依赖于对人类意图的准确和及时认识以确保无缝相互作用。在常见的HRC任务中，已经广泛研究了人身到机器人的对象移交，以计划在对象接收期间的机器人行动，假设人类的对象移交意图。但是，将移交意图与其他动作区分开来，受到了有限的关注。大多数对Han-Dovers的研究都集中在视觉检测运动轨迹上，这通常会导致轨迹重叠时延迟或错误检测。本文研究了人类对物体移交的意图是否反映在基于非运动的生理信号中。我们进行了比较三种数据模式的多模式分析：脑电图（EEG），凝视和手动信号。我们的研究旨在区分HRC环境中的移交预期的动作和非移交动作，从而评估每种形态在预测和之后人类运动开始之前和之后对这些行为进行分类时的表现。我们根据这些方式开发和评估人类意图探测器，比较它们在识别切换意图方面的准确性和时机。据我们所知，这是在人类机器人移交的相同实验环境中系统地开发和测试意图探测器的第一项研究。 我们的分析表明，移交意图可以是据我们所知，这是在人类机器人移交的相同实验环境中系统地开发和测试意图探测器的第一项研究。我们的分析表明，移交意图可以是
高分辨率卫星图像
摘要 ：遥感卫星图像在数量、质量和应用方面发展迅速，用于检测和提取地球表面各种自然和人工特征，如车辆、建筑物、树木、道路、水、飞机、船舶。这些卫星图像为城市规划、灾害管理和环境管理等各种应用提供了重要信息。研究人员引入了不同的算法和方法来从卫星图像中提取指定的特征。在城市场景中，建筑物是最重要的基本结构之一，在城市发展、城市规划、气候研究、灾害管理、地图制作、土地利用分析和变化检测领域发挥着重要作用。该研究的目的是采用机器学习算法提取建筑物足迹。各种研究讨论了提取建筑物足迹的各种方法然而，从大都市提取建筑物屋顶一直是一项艰巨的任务，因为建筑物屋顶具有不同的形状、大小和光谱特性。除此之外，其他城市特征，如道路、荒地等，也表现出与建筑物屋顶相似的光谱特性。因此，建筑物提取技术已成为一个重要而棘手的研究问题，并得到了更好的认可。所提出的技术使用机器学习算法对建筑物和非建筑物像素进行分类。为了消除错误检测的建筑物像素，使用了中值滤波、形态学算子和连通分量标记。该技术已根据像素和基于对象的标准进行评估，同时考虑了精度、召回率、建筑物（城市对象）的质量。
Danny Laidi - arXiv
在 Linux 内核 2.6 中设计和实现无连接网络协议 (CLNP) 作为可加载内核模块 Bunga Sugiarto 1)、Danny Laidi 1)、Arra’di Nur Rizal 1)、Maulahikmah Galinium 1)、Pradana Atmadiputra 1)、Melvin Rubianto 1)、Husni Fahmi 2)、Tri Sampurno 2)、Marsudi Kisworo 3) 摘要 在本文中，我们介绍了在 Linux 内核版本 2.6 中为 ATN 实现 CLNP 地对地数据包处理。我们介绍了 CLNP 数据包处理的总体情况、输入、路由和输出处理功能的细节以及基于 ISO 8473-1 的每个功能的实现。这项工作中实现的功能包括 PDU 报头分解、报头格式分析、报头错误检测、错误报告、重组、源路由、拥塞通知、转发、组合、分段和传输到设备功能。每个功能最初都作为单独的可加载内核模块实现和测试。这些模块已成功加载到 Linux 内核 2.6 中。关键词：ATN、CLNP、Linux 内核 1. 简介飞机作为交通工具之一的使用量大大增加。然而，对空中导航和航空系统基础设施的支持已达到极限，很快将无法应对日益增长的空中交通需求。出于这种担忧，国际民航组织于 1998 年 5 月 11 日在里约热内卢举行的全球 CNS/ATM 系统实施会议正式开幕式上指示所有 p
分辨率卫星图像
摘要：遥感卫星图像在数量、质量和应用方面发展迅速，可用于检测和提取地球表面各种自然和人工特征，如（车辆、建筑物、树木、道路、水、飞机、船舶）。这些卫星图像为城市规划、灾害管理和环境管理等各种应用提供了重要信息。研究人员引入了不同的算法和方法来从卫星图像中提取指定的特征。在城市场景中，建筑物是最重要的基本结构之一，在城市发展、城市规划、气候研究、灾害管理、地图制作、土地利用分析和变化检测领域发挥着重要作用。本研究旨在采用机器学习算法提取建筑物足迹。各种研究讨论了提取建筑物足迹的各种方法然而，从大都市提取建筑物屋顶一直是一项艰巨的任务，因为建筑物屋顶具有不同的形状、大小和光谱特性。除此之外，其他城市特征，如道路、荒地等。表现出与建筑物屋顶相似的光谱特性。因此，建筑物提取技术已成为一个重要且棘手的研究问题，并得到了更好的认可。所提出的技术使用机器学习算法对建筑物和非建筑物像素进行分类。为了消除错误检测的建筑物像素，使用了中值滤波、形态学算子和连通分量标记。该技术已通过像素和基于对象的标准进行评估，同时考虑了精度、召回率、建筑物（城市对象）的质量。
评估法律服务：质量运动的必要性以及质量和价值的标准衡量标准
摘要 法律行业尚未经历质量运动，缺乏衡量法律服务质量和价值的标准。医学早已接受了循证实践和经验主义，而法律则混日子，遵从律师未经检验、构思松散的规范性实践标准。因此，现有的有关法律服务交付的数据质量令人怀疑，我们缺乏标准指标来评估这些数据以及利用这些数据开发的任何应用程序。法律服务缺乏经验严谨性，威胁到数据分析和人工智能的进步，而这需要高质量的输入和输出数据。此外，法律行业未能开展质量运动导致了许多法律行业问题，包括法律服务和司法公正的可及性不足、缺乏多样性以及工作与生活的不平衡。本文讨论了质量运动（重点关注标准化工作、错误检测、同行评审、绩效衡量和持续改进）的必要性以及法律服务质量和价值的标准。本文讨论了输出、过程和输入数据以及衡量质量和价值的指标。本文总结了多种衡量法律服务价值的整体模型，包括 Noel Semple、Rebecca Sandefur 和 Thomas Clarke 提出的“律师以外的角色”模型，以及 Paul Lippe 提出的合同模型。本文还确定了有助于制定质量和价值指标的几项举措。最后，本文简要总结了质量运动对利益相关者的益处以及法律服务质量和价值的标准指标。
人工智能算法需要可解释——...
随着人工智能 (AI) 在放射学领域的作用日益增强，人们对现代 AI 算法的黑箱性质感到担忧。AI 用户通常无法知道算法如何或为何得出预测，这使得用户很难评估或批评预测的质量。统称为可解释 AI (XAI) 的一组方法旨在通过提供算法输入和输出之间因果关系的人类可理解的解释来克服这一限制。XAI 的动机包括促进临床医生和 AI 系统之间的信任、实现错误检测和促进知情同意。然而，有人认为，XAI 实际上可能无法满足临床医生的需求，还可能带来意想不到的后果，从而可能损害 XAI 的预期价值 ( 1 )。在 2022 年核医学和分子成像学会年会上，我们就 XAI 的临床需求进行了辩论。我们在此通过讨论 5 个关键论点来总结这场辩论。对于每个论点，我们从数据科学、临床实践和生物伦理的角度提出支持和反对使用 XAI 的理由。首先，应该认识到，XAI 一词指的是多种方法，其中大多数最初是为医学以外的用途开发的 ( 2 )。XAI 包括可解释方法，其中 AI 算法被设计为本质上可解释，以及应用于已训练算法的事后方法。解释的呈现方式也可能有所不同 ( 3 )。在放射学中，XAI 通常通过显着图呈现，其突出显示对模型预测影响最大的图像部分。例如，Miller 等人。展示了显着图如何突出显示心肌中对 SPECT 图像中基于 AI 的冠状动脉疾病诊断影响最大的区域 ( 4 )。