XiaoMi-AI文件搜索系统
World File Search System分类的
deepCac：基于多头自我注意和连接卷积神经网络的DNA转录因子分类的深度学习方法
©作者2023。Open Access本文是根据Creative Commons Attribution 4.0 International许可获得许可的，该许可允许以任何媒介或格式使用，共享，适应，分发和复制，只要您对原始作者和来源提供适当的信誉，请提供与创意共享许可证的链接，并指出是否进行了更改。本文中的图像或其他第三方材料包含在文章的创意共享许可中，除非在信用额度中另有说明。如果本文的创意共享许可中未包含材料，并且您的预期用途不受法定法规的允许或超过允许的用途，则您需要直接从版权所有者那里获得许可。要查看此许可证的副本，请访问http：//创建ivecommons。org/licen ses/by/4。0/。Creative Commons公共领域奉献豁免（http：//创建ivecommons。Org/publi cdoma in/Zero/1。0/1。0/）适用于本文中提供的数据，除非在数据信用额度中另有说明。
用于脑肿瘤分类的卷积神经网络
摘要 – 精确和新颖的脑癌 MR 图像处理在决策和患者治疗决策中发挥着重要作用。MR 图像处理中的关键挑战是 X 射线设备捕获的低级视觉数据与人类评估者看到的高级数据之间的语义差距。传统的系统控制模型仅适用于低级或高级技能，使用一些手工定制的元素来缩小这个差距，并且需要精确的元素提取和分类方法。深度学习的最新进展表明，深度学习取得了巨大进步，并且深度学习卷积神经网络 (CNN) 已在图像分类项目中占据主导地位。深度学习对于特征描述非常有用，它可以完整地描述低级和高级数据，并将元素提取和分类部分植入自我意识中，但总体上需要巨大的训练数据集。对于大多数深度学习情况，训练数据集很小，因此，在小数据集上练习深度学习和训练 CNN 是一项艰巨的任务。针对这一问题，我们使用了预训练的深度 CNN 模型。我们的方法更稳定，因为它不使用任何精心构建的技能，只需要很少的预处理，并且可以在 5 次重叠移动验证下获得 95.51% 的平均精度。我们不仅使用传统的机器学习来测试我们的结果，而且还使用 CNN 的深度学习技术来测试我们的结果。试验结果表明，我们提出的方法在 MRI 数据集上超越了现代类别
用于脑肿瘤识别和分类的深度学习目标检测算法
主任，1 信息技术系，1 Babu Banarasi Das 北印度理工学院，勒克瑙，印度 摘要：脑肿瘤是全球面临的重大健康挑战，2023 年全球约有 100 万人受到影响。本研究评估了使用 MRI 图像检测和分类脑肿瘤的物体检测算法的有效性。评估使用了来自不同患者的 MRI 图像数据集，涵盖三种主要脑肿瘤类型：垂体、脑膜瘤和神经胶质瘤。该模型表现出稳健的性能，在验证数据集上具有普遍较高的精度、召回率和 mAP 值。值得注意的是，该模型有效地区分了各种脑肿瘤类型和背景，这由归一化混淆矩阵证明。对脑 MRI 图像的实际测试证实了该模型准确识别不同肿瘤区域的能力。总之，物体检测算法提供了一种有前途的自动化方法，用于识别脑肿瘤和对 MRI 图像进行分类，可能有助于临床医生进行精确的诊断和治疗计划。建议使用更大的数据集进行进一步研究，以增强该模型的临床适用性和可靠性。索引术语 - 脑瘤、物体检测、MRI。
用于特征学习和分类的室温光学量子计算机
背景：我们正在构建一台室温、光学量子计算机，该计算机能够即时解决特征学习和分类问题，该技术目前在印度理工学院曼迪分校 CQST 处于 TRL 5.0 阶段。通过将量子比特转换成具有 20 个面的 3D 激光全息图（类似于二十面体），我们的计算机利用 16 个并行通道，提供相当于 16x320 个量子比特。凭借先进的用户界面、量子模拟器和量子处理能力，我们的计算机可作为图形处理器（GPU 而非 CPU）运行，无缝处理视频或照片等输入。它提取一个模型来解释隐藏在输入数据中的固有动态，并以量子实时馈送的形式提供输出。编写量子算法非常繁琐，但我们的计算机却能反映出科学家的好奇心，能够迅速为未知大数据提出一个准确率高达 86% 的近似理论模型，而且所有这些都无需依赖算法。
EMSO信号分类的机器学习
传统上，电磁信号（例如通信和雷达信号）已使用针对特定信号类型的手工制作的特征提取器进行了分类。然后，在分析或统计学上得出低维特征空间中的决策边界。但是，对无线电频谱的快速自主理解对于诸如频谱干扰监测，无线电故障检测，动态频谱访问以及各种调节和防御目的等应用至关重要。因此，尽可能多地自动化这些过程是由于疲劳引起的效率和误差。机器学习（ML）方法，尤其是基于人工智能的方法，在增强电磁频谱操作（EMSO）信号识别的敏感性和准确性方面具有重要潜力，尤其是在短时观察的情况下。
一个针对脑肿瘤分类的优化的集合深学习模型
* md。 div>Alamin Talukder电子邮件地址：Alamintalukder.cse.jnu@gmail.com（MD。 div>）Alamin Talukder），manowar@cse.jnu.ac.bd（Md。 div>） Manowarul Islam），Ashraf.uddin@deakin.edu.au（Md Ashraf Uddin） div>Alamin Talukder），manowar@cse.jnu.ac.bd（Md。 div>）Manowarul Islam），Ashraf.uddin@deakin.edu.au（Md Ashraf Uddin） div>Manowarul Islam），Ashraf.uddin@deakin.edu.au（Md Ashraf Uddin） div>
基于脑电图的运动想象分类的深度学习
摘要 本研究使用先进的深度学习架构全面探索了基于脑电图的运动想象分类。我们重点关注六种不同的运动想象类别，研究了卷积神经网络 (CNN)、具有长短期记忆的 CNN (CNN-LSTM) 和具有双向 LSTM 的 CNN (CNN-BILSTM) 模型的性能。CNN 架构表现出色，准确率高达 99.86%，而 CNN-LSTM 和 CNN-BILSTM 模型分别达到 98.39% 和 99.27%，展示了它们在解码与想象运动相关的脑电图信号方面的有效性。结果强调了这项研究在辅助机器人和自动化等领域的潜在应用，展示了将认知意图转化为机器人动作的能力。这项研究为脑电图分析的深度学习领域提供了宝贵的见解，为脑机接口和人机交互的进步奠定了基础。
未分类的未分类
2024财年计划： - 将继续利用DOD Out Cycle Baa以恰当的时间发布SBIR/STTR主题。 - 将继续根据2022 SBIR/STTR重新授权法发布SBIR和/或STTR开放主题。 将在2023财年的初始版本中汲取的经验教训，并为2024财年实施。。 - 将继续其尽职调查计划业务评估计划，从2023财年的实施中获取的教训，并在2024财年改进和简化它们。 - 将继续利用DARPA SBIR/STTR主题，以最大程度地支持更大的DARPA计划，以确保成功过渡SBIR/STTR技术。 - 将继续利用SBIR/STTR计划可用的各种资金途径。 这包括第一阶段，第二阶段，直接直接进入II期，共同基金，跨代理奖，II期增强和SBIR XL Pilot。 - 将继续使用DARPA S SBIR XL飞行员，该飞行员旨在通过重新想象SBIR将思想转变为成功的小型企业来增加DARPA资助的技术的机会。 SBIR XL的目标包括：（1）增加DARPA技术开发计划的相关性； （2）强调过渡和商业化是评估过程的一部分，包括建立具体的商业化里程碑； （3）提高奖励天花板，以支持运营量表部署的努力，从而增加了技术过渡和商业化的可能性； （4）减少奖励时间表。2024财年计划： - 将继续利用DOD Out Cycle Baa以恰当的时间发布SBIR/STTR主题。- 将继续根据2022 SBIR/STTR重新授权法发布SBIR和/或STTR开放主题。将在2023财年的初始版本中汲取的经验教训，并为2024财年实施。- 将继续其尽职调查计划业务评估计划，从2023财年的实施中获取的教训，并在2024财年改进和简化它们。- 将继续利用DARPA SBIR/STTR主题，以最大程度地支持更大的DARPA计划，以确保成功过渡SBIR/STTR技术。- 将继续利用SBIR/STTR计划可用的各种资金途径。这包括第一阶段，第二阶段，直接直接进入II期，共同基金，跨代理奖，II期增强和SBIR XL Pilot。- 将继续使用DARPA S SBIR XL飞行员，该飞行员旨在通过重新想象SBIR将思想转变为成功的小型企业来增加DARPA资助的技术的机会。SBIR XL的目标包括：（1）增加DARPA技术开发计划的相关性； （2）强调过渡和商业化是评估过程的一部分，包括建立具体的商业化里程碑； （3）提高奖励天花板，以支持运营量表部署的努力，从而增加了技术过渡和商业化的可能性； （4）减少奖励时间表。- 将继续与OUSD（R＆E）关键技术领域一起链接，其中包括：（1）FutureG； （2）信任的AI和自治； （3）生物技术； （4）高级计算和软件； （5）集成感应和网络； （6）定向能量）； （7）超为型； （8）微电子； （9）集成网络系统系统； （10）量子科学； （11）太空技术； （12）可再生能源产生和存储； （13）高级材料； （14）人机界面。
图像分类的量子卷积神经网络
在图像处理领域，众所周知的模型是卷积神经网络或CNN。设置该模型的独特好处是其使用数据中包含的相关信息的非凡能力。即使取得了惊人的成就，传统的CNN也可能在概括，准确性和计算经济方面进一步改善。但是，如果模型或数据维度太大，则正确训练CNN并快速处理信息可能具有挑战性。这是因为它将导致数据处理滞后。量子卷积神经网络（简称QCNN）是一种新颖的量子解决方案，可以增强现有学习模型的功能或解决需要将量子计算与CNN组合组合的问题。为了强调量子电路在提高特征提取能力方面的灵活性和多功能性，本文比较了针对基于图像的任务的深度量子电路体系结构，它使用经典的卷积神经网络（CNNS）和一种新颖的量子电路体系结构进行了比较。使用COVIDX-CXR4数据集用于训练量子CNN模型，并将其结果与其他模型的结果进行了比较。结果表明，当与创新的特征提取方法配对时，建议的深量子卷积神经网络（QCNN）在处理速度和识别精度方面优于常规CNN。即使需要更多的处理时间，QCNN就识别准确性而优于CNN。在对Covidx-CXR4数据集进行训练时，这种优势变得更加明显，证明了更深的量子计算有可能完全改变图像分类问题的潜力。
对区域机构进行分类的拟议策略......
卡内基分类法的基本分类法使用学生入学、学位课程和研究活动数据对学院和大学进行分类。虽然这些都是机构类型的重要指标，但它们未能捕捉到机构独特性的另外两个重要方面：地域性如何影响机构的使命和战略活动，以及机构如何促进学生和社区之间的社会和经济流动性 (SEM)。卡内基分类法必须保持其基本分类法中使用的指标的清晰设计和易读性，同时，该系统还必须避免将一套狭隘的标准强加给机构，因为这可能会无意中削弱其使命或使高等教育系统同质化 (Ruef and Nag 2012)。卡内基分类法致力于认可机构对学生和社区之间的 SEM 的贡献，这为思考地域性和地理位置如何影响机构使命创造了机会。