XiaoMi-AI文件搜索系统
World File Search System判别分析
自适应计算和机器学习803（NEP 803）
简介：基本概念。监督的学习设置：至少是平方，逻辑回归，感知器，指数家庭，生成学习算法，高斯判别分析，幼稚的贝叶斯，支持向量机器，模型选择和功能选择。学习理论：偏见/差异权衡，工会和切尔诺夫/hoeffding界限，风险投资维度，最坏情况（在线）学习。无监督的学习：聚类，k-均值，期望最大化，高斯人的混合物，因子分析，主成分分析，独立组件分析。强化学习和控制：马尔可夫决策过程，钟声方程，价值迭代和政策迭代，Q学习，价值函数近似，策略搜索，加强，部分可观察到的马尔可夫决策问题。
人工智能在智能医疗中的应用...
帕金森病与大脑记忆力减退、焦虑和抑郁有关。除了姿势受损和僵硬的症状外，还可以观察到平衡能力差和行走困难等问题。致力于使计算机能够自主学习而无需明确编程的领域被称为机器学习。本文讨论了一种基于人工智能的帕金森病诊断方法。该系统的输入是通过帕金森病患者笔迹的照片样本提供的。使用浮雕特征选项对收到的照片进行预处理以开始该过程。这有助于选择用于识别帕金森病的特征。之后，采用线性判别分析 (LDA) 算法来降低维度，从而降低输入数据中存在的总维度数。然后分别通过径向基函数支持向量机 (SVM-RBF)、k-最近邻 (KNN) 和朴素贝叶斯算法对照片进行分类。
分类技术及其在计量学中的应用
聚类分析的目的是找到相似的观察结果组。例如，有了客户购买习惯数据库，零售商可能希望将具有相似购买模式的客户归为一组。有了这些组，就可以进行进一步的分析。聚类分析首先要衡量两个观察结果的相似性或差异性。然后将最相似的观察结果聚类在一起。在本文档中，我们介绍了两种形式的聚类分析，即 k 均值（第 1.2 节）和层次聚类（第 1.3 节）。在第 1.4 节中，我们描述了一种呈现层次聚类分析结果的图形方法，称为树状图。第 2.1 节中描述的案例研究给出了使用其中一些技术进行聚类分析的示例。聚类分析期间定义的组可用于提供对感兴趣的数据集的一些见解，或可用作其他分析技术的输入，例如判别分析。
DNA提取协议影响眼表面微生物组曲线
方法：抽样了7个合格志愿者的两只眼睛。基于眼表微生物组领域的先前出版物选择了五种市售的DNA提取方案，并根据其报道的有效宿主DNA耗竭添加了2种宿主DNA耗竭方案，而没有细菌DNA浓度显着降低。使用Illumina Miseq测序靶向16S rRNA基因的V3-V4区域。R中的DADA2管道用于执行生物信息处理，并使用SILVA V132数据库进行了分类学分配。VEGDIST函数用于计算Bray-Curtis距离，并使用Galaxy Web应用程序通过线性判别分析效应大小（LEFSE）来识别潜在的元基因组生物标志物。r包decontam用于控制潜在的污染物。
分类技术及其在计量学中的应用
聚类分析的目的是找到相似的观察结果组。例如，有了客户购买习惯数据库，零售商可能希望将具有相似购买模式的客户归为一组。有了这些组，就可以进行进一步的分析。聚类分析首先要衡量两个观察结果的相似性或差异性。然后将最相似的观察结果聚类在一起。在本文档中，我们介绍了两种形式的聚类分析，即 k 均值（第 1.2 节）和层次聚类（第 1.3 节）。在第 1.4 节中，我们描述了一种呈现层次聚类分析结果的图形方法，称为树状图。第 2.1 节中描述的案例研究给出了使用其中一些技术进行聚类分析的示例。聚类分析期间定义的组可用于提供对感兴趣的数据集的一些见解，或可用作其他分析技术的输入，例如判别分析。
基于脑机接口的自动考试评估
摘要 脑机接口应用可用于克服学习问题，尤其是学生焦虑、注意力不集中和注意力不集中。本文介绍了一种基于脑机接口（BCI）的系统，该系统用于教育，以衡量预期学习成果并测量噪声对系统准确度的影响。该系统在线工作，基于记录的脑信号数据集。该系统可被视为 P300 拼写器的一个特例，仅接受从 A 到 D 的字母。这些是多项选择题 MCQ 的可能答案。老师出题，将其存储在考试数据库中并交给学生。学生进入系统并记录他们的脑信号。脑信号经过预处理阶段，在此阶段信号经过低通和高通滤波器。然后对信号进行子采样和分割。获得的特征用作线性判别分析（LDA）的输入。获得的准确率为 91%。
全连接传感器中的分布式跟踪比率优化
摘要 — 迹线比优化问题包括最大化两个迹线算子之间的比率，并且经常出现在去噪或判别分析的降维问题中。在本文中，我们提出了一种分布式自适应算法来解决网络范围协方差矩阵上的迹线比优化问题，该矩阵捕获无线传感器网络中传感器之间的空间相关性。我们专注于完全连接的网络拓扑，在这种情况下，分布式算法通过在每个给定节点上仅共享观察到的信号的压缩版本来减少通信瓶颈。尽管进行了这种压缩，仍然可以证明该算法能够收敛到最大迹线比，就好像所有节点都可以访问网络中的所有信号一样。我们提供模拟结果来证明所提算法的收敛性和最优性。索引词 — 降维、分布式优化、迹线比、判别分析、SNR 优化、无线传感器网络。
实时识别脑电图上的运动想象动作...
摘要 脑机接口 (BCI) 处理算法需要强大的计算设备才能实时执行。在本文中，提出了一种用于对代表两个运动想象任务的脑电图 (EEG) 信号进行分类的硬件高效设计，并在现场可编程门阵列 (FPGA) 上实现。小波包分解 (WPD) 用作特征提取算法，线性判别分析 (LDA) 用作分类器。该系统是使用 System Generator 设计的，并使用硬件/软件联合仿真在 Zybo 板上实现。仿真结果显示，在两个运动想象任务的分类过程中准确率为 80%，时钟频率为 1.5 MHz 时延迟为 7.5 毫秒，功耗为 0.102 W。此外，所使用的 FPGA 资源量少于以前的类似工作，证明设计系统不仅实现了良好的准确性，而且以高效的方式实现了这一目标。
使用增强现实和脑电图检测中风引起的视觉忽略并预测目标反应
摘要 —我们旨在构建一个结合脑电图 (EEG) 和增强现实 (AR) 的系统，该系统能够识别视觉空间忽视 (SN) 的存在并映射估计的忽视视野。基于 EEG 的脑机接口 (BCI) 用于识别那些最能通过脑电图反应在卒中幸存者中检测出 SN 的空间频谱特征，这些反应来自患者对同侧和对侧视觉刺激的 EEG 反应。发现额叶中央 delta 和 alpha、额叶顶叶 θ、Fp1 beta 和左额叶 gamma 是忽视检测的重要特征。此外，对响应的时间分析表明，所提出的模型在检测潜在被忽视的目标方面是准确的。使用常见的空间模式作为特征提取算法来预测这些目标，并使用正则化判别分析结合核密度估计进行分类。根据我们的初步结果，我们的系统有望可靠地检测 SN 的存在并预测患有 SN 的卒中患者的视觉目标反应。
使用卷积神经网络提高四类自愿想象 fNIRS 信号的分类准确率
多类功能性近红外光谱 (fNIRS) 信号分类已成为光学脑机接口的一种便捷方式。当信号由同一肢体的自愿和想象运动产生时，高精度的 fNIRS 信号分类是一项具有挑战性的任务。由于自愿和想象运动在时间和空间上的激活表现出相似的模式，传统浅层分类器的分类精度无法达到可接受的范围。本文提出了一种利用卷积神经网络 (CNN) 提高精度的方法。在这项工作中，几位参与者进行了自愿和想象手部运动（左手和右手）。这些四类信号是利用 fNIRS 设备获取的。根据任务分离信号并进行过滤。通过手动特征提取，使用支持向量机和线性判别分析对信号进行分类。CNN 的自动特征提取和分类机制被应用于 fNIRS 信号。从结果来看，CNN 将分类精度提高到了可接受的范围，这是任何卷积网络都无法实现的。