XiaoMi-AI文件搜索系统
World File Search System均值
使用滑动窗纹理特征提取的脑肿瘤分割，然后是模糊的c均值聚类
在本文中，使用滑动窗口机理的混合方法，然后是模糊C，意味着针对自动化的脑肿瘤提取提出了聚类。所提出的方法包括三个阶段。第一阶段用于通过实施预处理技术，然后进行纹理特征提取和分类来检测肿瘤脑MR扫描。此外，此阶段还比较了不同分类器的性能。第二阶段由使用滑动窗口机理的肿瘤区域进行定位，其中大小的窗户扫描整个肿瘤MR扫描，窗户被归类为肿瘤或无肿瘤。第三阶段由模糊C组成，是指通过去除从阶段2获得的错误分类窗口来获得肿瘤的确切位置。2D单光谱解剖学特性MRI扫描被考虑进行实验。结果在灵敏度，特异性，准确性，骰子相似性系数方面表现出显着的结果。
与设备的因果均值聚合流式reslstm ...
在本文中，我们提出了一个流媒体模型，以区分旨在用于智能家居设备的语音查询和背景语音。提出的模型由多个具有剩余连接的CNN层组成，然后是堆叠的LSTM架构。通过使用单向LSTM层和因果均值聚集层来实现流式功能，以形成最终的话语级别预测到当前帧。为了避免在线流媒体推理期间的冗余计算，我们为每个卷积操作都使用一种缓存机制。对设备定向与非设备定向任务的实验结果表明，与以前的最佳模型相比，所提出的模型降低了41％。进一步，我们表明，与基于注意力的模型相比，所提出的模型能够在时间上准确预测。
加州太阳能光伏能源设施的容量系数、年平均值和变化率
摘要。基于涵盖过去几年的低频月度统计数据，计算了加利福尼亚州最大的太阳能光伏 (PV) 能源设施的容量系数。虽然性能最佳的设施实现了约 32-33% 的年容量系数，但年平均容量系数不到 30%，约为 26-27%。有关成本的零散信息表明，容量系数增加 10% 会导致 35% 的成本损失。需要连接到同一电网的每个设施的 1 分钟或更短的高频数据和电网平均能量供应来定义满足给定需求必不可少的能量存储。单个设施的能量生产需要考虑与每个间歇性和不可预测电力生产商的能量存储津贴相关的成本，该金额与年平均容量系数成反比，与高频容量系数的标准偏差成正比。
在 ALS 患者中使用 K 均值聚类方法
不同神经系统疾病引起的脑部异常状况影响着全世界的许多人。这些异常情况之一是肌萎缩侧索硬化症 (ALS)。 ALS 是一种俗称运动神经元病的疾病，它因脑干区域运动神经细胞受损而导致进行性身体障碍。大脑感知外界刺激，通过注意机制从大量的感知刺激中选取相关的刺激。注意力是当各种类型的信息、情绪和思想等活动集中在一个区域并由大脑在所需的时间内选择相关刺激时发生的认知过程。脑电图（EEG）在测量和分析大脑注意力机制中发生的此类活动方面具有重要地位。注意力分析的最新研究集中在事件相关电位 (ERP) 信号上。 EIP 信号是小幅度信号，其中包含 P100、N200、P300 和 N400 等在 EEG 信号中不太明显的成分。因此，为了获得 EIP 信号，必须重复目标刺激并多次进行 EEG 记录。 EEP 信号是通过对记录的目标刺激的 EEG 信号进行平均而获得的。研究的目的是从 ALS 患者和健康个体的 ERP 信号中获取一些特征，并使用 k-均值聚类方法检查对视觉刺激的注意力的分析。使用K均值聚类法进行分析的结果显示，数据被分为2个聚类，计算出最高成功率为77.78%。
选择高或低、高和低、平均值或总和、6 AI
SIA07A/F//4/10V/10V/S - SIA07A 带全波桥式整流器，无辅助电源，四 (4) 个 0 至 10V DC 输入信号，与直接作用的 0 至 10V DC 输出信号相加。SIA07A/F//6/MA/mA/H - SIAO7A 带全波桥式整流器，无辅助电源，六 (6) 个 4 至 20mA 输入信号，高选择，与直接作用的 4 至 20mA 输出信号相加。SIA07A/H//2/1-5V/5V/HL - SIA07A 带半波整流器，无辅助电源，两 (2) 个 1 至 5V DC 输入信号，高和低选择，与直接作用的 0 至 5V DC 输出信号相加。 SIA07A/H/5V/3/RTD-1K/5V/A - SIA07A 带半波整流器、5V 辅助电源、三 (3) 个带上拉电阻的独立 1000 Ω RTD 传感器输入，平均直接作用 0 至 5V DC 输出信号。SIA07A/H//2/SCS-T30/5V/A/R - SIA07A 带半波整流器，无辅助电源，两 (2) 个 Staefa T-30 传感器电压，平均反向作用 0 至 5V DC 输出信号。SIA07A/F//5/CVI/CVO/H - SIA07A 带全波桥式整流器，无辅助电源，五 (5) 个自定义电压输入信号，高选择直接作用自定义 DC 电压输出信号。
通过组稀疏聚类对混合数据进行稀疏 k 均值分类
虽然通过正则化程序进行特征选择的问题在监督学习环境中引起了极大关注，并在过去二十年中产生了大量文献，但直到很晚且相对较新的时候，它才有效地出现在无监督框架中。第一种方法是基于模型的，这些方法自然适合包括套索（L 1）和相关惩罚，并且可以引用 [1] 来了解 L 1 惩罚的 EM 程序（混合由方差相等的高斯分布组成）或 [2] 来详细回顾基于模型的高维数据聚类。在更通用的框架中，没有对底层分布做出任何假设，在 [3] 中引入了具有 L 1 惩罚的稀疏 k 均值算法，后来扩展到每个聚类内的特征选择，并通过一致性结果得到加强，[4] [5] [6]。我们还要提到，最近在 [7] 中引入了稀疏 k 均值算法对重叠变量组的推广。话虽如此，上面引用的所有方法本质上都是为数值数据设计的，而真实数据通常由数值和分类特征组成。上面的一些作者触及了分类特征的问题，提到了使用虚拟变量进行转换使其数字化的可能性。但是，这个处理步骤并不是那么直接，因为零一向量上的欧几里得距离并不特别适合与数值变量上的欧几里得距离混合。其他作者
加速劳埃德的算法，用于K-均值聚类
摘要K -Means聚类算法是数据挖掘和未加剧的学习的主要内容，之所以受欢迎，是因为它易于实现，快速，易于并行化并提供直观的结果。劳埃德的算法是标准批量的爬山方法，用于最大程度地减少K-均值优化标准。它花费了大部分时间计算k群集中心和n个数据点之间的距离。事实证明，这项工作的大部分是不必要的，因为在第一次迭代之后，点通常会留在同一集群中。在过去的十年中，研究人员开发了许多优化，以加快劳埃德（Lloyd）的算法的低维数据和高维数据。在本章中，我们调查了其中一些优化，并提出了新的优化。特别是我们专注于避免通过三角形不等式计算距离的那些。通过缓存已知距离并用三角形不等式更新它们，这些算法可以避免许多不必要的距离计算。所检查的所有优化产生的结果与劳埃德的算法相同，给定的输入和初始化，因此适用于倒入替换。这些新算法的运行速度比标准未取代的实现更快，并且计算距离要少得多。在我们的实验中，与劳埃德算法相比，通常会看到超过30-50倍的加速度。我们研究了使用这些方法的示例n，dimensions d，簇K和数据结构的权衡。