期刊发布 | AIA第二卷第三期上线发布

文章题目：

A Systematic Review of Computational Intelligence Techniques for Channel Selection in P300-Based Brain Computer Interface Speller

针对基于P300的脑机接口拼写器中通道选择的计算智能技术的系统性综述

作  者：

Vibha Bhandari

National Institute of Technology Raipur, India

Narendra D. Londhe

National Institute of Technology Raipur, India

Ghanahshyam B. Kshirsagar

Northeastern University, USA

摘   要：

基于脑电图(EEG)的P300拼写器有助于恢复运动障碍患者的通信与控制能力。然而，从脑电图记录中所收集的数据的质量和数量对P300拼写器的性能有着显著影响。因此，为每个用户选定最佳数量的记录电极，即通道，这对P300拼写器而言是一个重大难题。通道选择过程存在两个基本目标：(1)从相关通道中提取最为关键的信息，进而降低P300/非P300信号处理操作的计算复杂度；(2)减少因使用无用通道来提升性能而可能导致的潜在过拟合。为获取最优通道子集，以往的研究人员已应用了不同的通道选择技术，其中包括手动、滤波、包装器以及嵌入式方法。本研究对P300拼写器系统中通道选择策略的最新进展、现状、挑战以及潜在解决方案进行了深入考察。每种通道选择技术都被深入探究，包括它们之间的详尽比较。每种方法的显著优点和缺点被着重强调，同时还探讨了P300拼写器通道选择领域未来的工作方向与范围。该综述强调，通道选择方法能够在不折损分类性能的情况下使用更少数量的通道。借由排除有噪声或不相关的通道，这些方法有助于提高系统性能。

文章题目：

Overview Discourse on Inherent Distinction of Multiobjective Optimization in Routing Heuristics for Multi-Depot Vehicle Instances

关于多仓库车辆实例路由启发式中的多目标优化内在差异的概述性论述

作  者：

Farid Morsidi

Universiti Pendidikan Sultan Idris, Malaysia

Shir Li Wang

Universiti Pendidikan Sultan Idris, Malaysia

Haldi Budiman

Universitas Islam Kalimantan Muhammad

Arsyad AL-Banjar

Universitas Islam Kalimantan Muhammad Arsyad AL-Banjar, Indonesia

Theam Foo Ng

Universiti Sains Malaysia, Malaysia

摘   要：

本文回顾了早年针对多仓库车辆路径问题(MDVRP)实例所反映的优点和特性所采用的研究方法，并评估了各种改良技术对解决当前路线规划流程中反复出现问题的有效性。物流管理包含将成品从仓库运往终端用户客户。得到改进的路线和调度系统能够在更短时间内为更大量的客户提供服务，同时也能够提高客户满意度。为详尽探讨路由启发式算法中 MDVRP实施的现况，本文对涉及在车辆路径问题(VRP)整合框架下的多仓库任务分配的选定方法进行了进一步的推断分析。这些方法处理了最常见的路线问题，涉及诸如成本最优性、时间窗设定以及负载能力灵活性等约束条件。近期研究聚焦于MDVRP的优势、熟练度、问题规模以及适应性。通过有效的启发式算法来降低路线成本以生成优化解决方案，MDVRP框架仍可实现显著提升。

文章题目：

An Intrusion System for Internet of Things Security Breaches Using Machine Learning Techniques

一种采用机器学习技术的物联网安全漏洞入侵检测系统

作  者：

Temitope Samson Adekunle

Colorado State University, USA

Oluwaseyi Omotayo Alabi

Lead City University, Nigeria

Gabriel Olumide Egbedokun

The Polytechnics Ibadan, Nigeria

Toheeb A. Adeleke

Ladoke Akintola University of Technology, Nigeria

Olakunle Sunday Afolabi

University of Abuja, Nigeria

Godwin Nse Ebong

University of Salford, UK

Morolake Oladayo Lawrence

Baze University, Nigeria

Temitope A. Bamisaye

National Open University of Nigeria, Nigeria

摘   要：

有效的网络攻击识别与归类对于确保稳固的安全性至为关键。然而，现有的技术通常难以精准地辨别和归类新颖的攻击模式。此项研究引入了一个创新的架构，旨在借助密集卷积神经网络(DenseNet)和说唱音乐分析技术的协同作用达成可靠的攻击检测与归类。本文的方法通过注意力金字塔网络(RAPNet)框架进行特征提取，旨在从输入数据中提取相关特征，并结合二进制鸽群优化算法。随后，本文使用二进制鸽群优化算法(BPOA)进行特征选择。一旦识别出最优特征，便通过深度学习方法利用Densenet201模型对包括Bot-IoT、CICIDS2017和CICIDS2019在内的各种数据集的攻击进行分类。为应对数据不均衡所带来的挑战，文章引入条件生成对抗网络以生成针对少数类别的额外数据样本，从而缓解这一问题。与近期的入侵检测方法相比，结果展示了模型在检测和分类方面的卓越精度，分别在Bot-IoT、CICIDS2017和CICIDS2019数据集上实现了99.12%、99.01%和99.18%的准确率。尽管基于机器学习的入侵检测系统(IDS)在物联网(IoT)安全方面具有潜在的优势，但仍需考虑若干限制因素。这些因素包括不同物联网设备和平台缺乏标准化的安全协议，这使得开发统一的入侵检测系统变得具有挑战性。此外，包括入侵检测在内的机器学习模型可能容易受到对抗性攻击，这些攻击可以规避或误导模型的决策过程。因此，在开发此类系统时，对于物联网系统可能遭受复杂攻击的潜在可能性必须予以考量。

文章题目：

Analyzing Wireless Mesh Network Using Spectral Graph Theory

基于谱图理论的无线网状网络分析

作  者：

Nenad M. Jovanovic

University of Pristina, Serbia

摘   要：

无线网状网络(WMNs)是一种可以用于多种应用的无线网络，例如互联网接入、灾害响应和军事通信。这些网络由网状路由器组成，这些路由器可以相互通信并形成网状拓扑结构，即使一些路由器失效或超出范围，它们仍能提供连接。在本研究中，使用谱图理论分析了WMNs的性能。为了进行分析，开发了一种软件用于计算表示WMNs的图的拓扑特征。文章分析了谱图理论参数值与观察到的网络拓扑特征之间的相关性。首先，分析了观察到的WMNs中信号强度变化对代数连通性的影响，然后分析了谱半径的变化。上述分析借助为此专门研发的特定软件得以完成。

文章题目：

How to Recognize Arguments? A Study of Human Negotiations

如何识别论点？有关人类谈判的研究

作  者：

Mare Koit

University of Tartu, Estonia

摘   要：

本文对各种不同类型的谈判及提出的论点予以了考量。研究对象包括爱沙尼亚议会的讨论、电话营销中的谈判、旅行中的对话和日常对话。在议会中，谈判涉及许多参与者，而其他对话则发生在两个参与者之间。在分析的文本中，论据组件(前提和主张)、论据结构(基本的、链接的等)和关系(支持、攻击和反驳)都进行了手动标注。为了标注对话行为，使用了定制的类型学和定制的软件。本初步研究旨在找到自动识别爱沙尼亚语文本中论据的线索。研究结果表明，一些对话行为和语言特征有助于识别论点及论点之间的关系。

文章题目：

Fuzzy-Based Robot Behavior with the Application of Emotional Pattern Generator

基于模糊理论的机器人行为与情绪模式生成器的应用

作  者：

Laura Trautmann

Budapest University of Technology and Economics, Hungary

Attila Piros

John von Neumann University, Hungary

János Botzheim

ELTE Eötvös Loránd University, Hungary

摘   要：

文章探讨了人机交互的发展，其中机器人通过不同的设备测量用户的情绪状态和环境因素，并通过物联网系统指导下，以丰富多彩的图案回应用户，并控制智能家居。在设计过程之前，详细介绍了市场上已有的机器人及其功能，情感在交流中的作用，以及测量情感的技术(如面部识别、心率、呼吸和身体变化的测量)。设计的机器人(Em-Patty)采用了基于模糊系统的情感自动图案生成系统，该系统被证明是处理情感的有效工具。主系统和三个模糊子系统被融合以创建Em-Patty最高效的控制系统。文章还介绍了机器人的自然启发设计，并通过具体案例研究描述了其行为特征。

图：机器人的行为表现——机器人能够从用户及环境侧获取信息，同时也为用户及环境侧生成信息

文章题目：

A Model for Detecting the Presence of Pesticide Residues in Edible Parts of Tomatoes, Cabbages, Carrots, and Green Pepper Vegetables

一种用于检测西红柿、卷心菜、胡萝卜以及青椒等蔬菜食用部位中农药残留存在情况的模型

作  者：

Nabaasa Evarist

Mbarara University of Science and Technology, Uganda

Natumanya Deborah

Mbarara University of Science and Technology, Uganda

Grace Birungi

Mbarara University of Science and Technology, Uganda

Caroline Nakiguli

Mbarara University of Science and Technology, Uganda

Baguma John

Mbarara University of Science and Technology, Uganda

摘   要：

随着抗药性害虫增多及农作物产量降低，尤其在撒哈拉以南非洲地区，农民大量采用化学制品。这些化学制品涵盖了花园中用于提高产量的杀虫剂，以及农产品摊位中销售商为延长保质期而使用的试剂，尤其是像西红柿、卷心菜、胡萝卜和青椒这类易腐的新鲜蔬菜。倘若不加控制，这或许会让人类和动物暴露于农药残留之中。在此次研究里，开发出了一种用于检测蔬菜(西红柿、卷心菜、胡萝卜和青椒)食用部分农药残留存在情况的模型。本文使用InfiRay P2 Pro夜视迷你红外热成像相机拍摄了1094张放大至800x1276像素的图像，这些图像来自乌干达西南部姆巴拉拉市的不同日常市场，包括受污染和未受污染的蔬菜。图像预处理通过去噪和灰度转换完成。在图像上同时运用了神经网络和中值滤波器。使用Python脚本根据0.1-0.8mg/kg、0.9-1.3mg/kg和1.4-1.7mg/kg的化学浓度率对数据集进行了聚类，分别用于训练和测试数据集。特征提取用于检测清洗图像中的曼科泽布、二氧化碳和甲基硫酸盐残留。为了测试所开发的模型，使用了卷积神经网络(CNN)迁移学习模型：Inception V3、VGG16、VGG19、ResNet50和自研模型。从获得的结果来看，Inception V3比其他迁移学习模型表现更好，准确率达到96.77%，其次是VGG16的86.98%、VGG19的87.56%和ResNet50的82.11%。而自研模型的分类准确率为89.13%。

图：研究方法概览

文章题目：

Epilepsy Detection by Different Modalities with the Use of AI-Assisted Models

通过不同模态借助人工智能辅助模型进行癫痫检测

作  者：

Jayanthi Vajiram

Vellore Institute of Technology, India

Sivakumar S.

Vellore Institute of Technology, India

Roanek Jena

Vellore Institute of Technology, India

Utkarsh Maurya

Vellore Institute of Technology, India

摘   要：

癫痫的特征表现为源自大脑任何四个脑叶的反复发作。其症状包括意识改变、认知障碍(如记忆和语言困难)。癫痫需要通过适当的诊断和治疗过程进行放射学确认。然而，单凭影像的视觉检查可能无法始终提供准确的解释，这使得人工智能辅助手段成为必需。基于计算机视觉的放射学方法通过影像生物标志物和深度学习算法来强化癫痫的治疗。这些方法用于预测疾病进展和治疗效果。研究重点在于使用新的U-TRGN分类模型进行癫痫检测，这些模型用于在此过程中实现大脑活动的侧向化和定位化。该研究展示了不同成像方式的术前发现和术后脑电图(EEG)数据分析的结果。数据已通过归一化、平滑和去噪技术进行预处理。然后，通过核卷积分析(KCA)进行特征选择后，使用U-转移强化高斯网络(U-TRGN)进行分类。性能指标通过训练精度、验证精度、精确度、Dice系数和区域收敛曲线下面积(AUC)进行评估。所提出的技术达到了97.04%的准确率、94.12%的精确度、2.96%的Dice系数和99.56%的AUC，优于现有方法，并将成为未来研究的基准。

文章题目：

Insights into Factors Influencing Academic Success: An Application of Classification Models in Higher Education

关于影响学业成就的因素之洞察：分类模型在高等教育中的应用

作  者：

Liliana Terrazas Balderrama

Science and Technology of Triângulo Mineiro (IFTM) Campus Patrocínio MG, Brazil

Danielli Araújo Lima

Science and Technology of Triângulo Mineiro (IFTM) Campus Patrocínio MG, Brazil

摘   要：

理解影响高等教育中学生成绩优劣的因素至关重要，因为这有利于开发有针对性的干预措施和支持机制，进而提升学业表现，促进学生成功。人工智能能够通过分析大量数据、识别模式和相关性并提供宝贵见解，来助力理解影响高等教育中学生学业成绩优劣的因素。本文展示了八种分类模型在一个由145名高等教育学生构成的“高等教育学生学业成绩评估数据集”上的应用，旨在确定用于预测学业成绩的最佳分类算法。通过相关过滤器(CF)来发现和选择相关属性，最终选定四个属性用于分析。最佳分类模型为随机森林、支持向量机和决策树，平均准确率达 94.37%，相关过滤器阈值为0.1。这些结果表明，应用人工智能和机器学习技术对高等教育中的决策至关重要，有利于更好地理解影响学业成败的因素。研究强调了谨慎选择属性和使用适当分类算法的重要性，以确保结果的准确性和可靠性。此外，该研究在九名巴西高等教育学生中进行了重复和评估，准确率达到了88.89%。这些结果展示了所提出属性过滤模型的一致性和相关性。

图：用于KNIME中的数据可视化及分类的工作流

排版：徐远山

编辑：张瑞芳、李双辰

审核：陈玉坤

监制：张   雨