XiaoMi-AI文件搜索系统
World File Search System均方误差
脑组织预处理技术比较
摘要：脑瘤是年轻人死亡的第二大原因。脑瘤的形状和大小多种多样。良性脑瘤与癌性脑瘤并存。在医学图像处理中，检测和分割脑瘤极其困难。这里使用了四种预处理形式：自适应中值滤波器 (AMF)、中值滤波器、高斯滤波器和维纳滤波器。然后使用以下内容确定性能指标 1. 均方误差率 (MSE) 是系统准确度的度量。2. 峰值信噪比 (PSNR) 3. 结构相似性指数 4. 第四个是 Spearman 等级相关。根据上述测量结果，自适应中值滤波器对常规和异常图像均能产生最佳效果。关键词：脑瘤、滤波器和效率测量 1. 简介脑瘤被描述为脑内细胞外物质的不规则生长和异常。肿瘤是细胞不受控制地生长的结果。根据肿瘤的起源（转移性），可将肿瘤分为原发性肿瘤或继发性肿瘤。脑肿瘤的侵袭性很难评估。扩散到大脑的癌细胞开始在身体的每个部位扩散。例如，乳腺癌或肺癌细胞通常通过血流传播到大脑。扩散到身体其他部位的脑肿瘤通常是癌性的。良性肿瘤生长缓慢，不像恶性肿瘤那么危险。它很少扩散，边界清晰。手术是治疗这种疾病最有效的方法，尽管危险性较低。恶性肿瘤的生长速度不可控制，而且很快。这是一种危及生命的情况，需要立即就医。肿瘤的诊断基于肿瘤细胞的形态，以及某些肿瘤细胞特征，如发展速度、外观、肿瘤中间的死亡肿瘤细胞、血液供应和侵袭潜力。世界卫生组织将肿瘤分为四类
带有漂流浮标数据的案例研究
摘要：在海上研究以及搜索和救援操作中，建立或预测漂流物体的轨迹很重要。可以使用带有海洋动态模型的传统工具或通过人工智能模型来确定漂移对象的轨迹。从2003年12月19日至12月28日之间收集的漂流浮标数据中，研究小组采用了CNN（CORV1D）模型进行分析。分析结果表明，通过使用ADAM优化器，Huber损耗函数和256个过滤器，在隐藏层中，该模型性能的特征参数被确定为RMSE = 0.04004，MAE = 0.032304度，R²= 98％。使用SGD优化器和均方误差（MSE）损耗函数时，与先前情况相比，RMSE和MAE值最多降低了四倍，而R²值则在隐藏层中有64个过滤器达到99.9％。当隐藏层中的过滤器数增加到128时，CNN（CORV1D）模型的性能提高了20％，RMSE = 0.007863DEG，MAE = 0.006653DEG。使用CNN（Conv1D）模型使用SGD优化器预测漂移浮标的轨迹时，R²值和MSE损耗函数接近约100％，这表明该模型适用于预测漂流浮标轨迹的输入数据。将模型隐藏层中的过滤器数量从128增加到256并没有改变模型的预测性能，这表明该情况的最佳过滤器数为128。未来的工作应继续使用较大的输入数据集进行漂移数据分析。但是，这项研究中获得的RMSE结果仍然相对较大（0.87 km），这可能是由于输入数据有限。
文章 深度学习算法预测加密货币价格波动：提高投资意识
摘要：以太坊和 XRP 等数字货币允许所有交易在线进行。为了强调法定货币的去中心化性质，我们可以举例说明所有虚拟货币用户都可以在没有第三方参与的情况下访问服务。加密货币价格波动是非平稳且高度不稳定的，类似于传统股票的价格变化。由于加密货币的吸引力，投资者和研究人员都更加关注加密货币价格预测。随着深度学习的兴起，加密货币预测变得非常重要。在本研究中，我们提出了一种长短期记忆 (LSTM) 算法，可用于预测四种类型的加密货币的价值：AMP、以太坊、光电系统和 XRP。均方误差 (MSE)、均方根误差 (RMSE) 和归一化均方根误差 (NRMSE) 分析用于评估 LSTM 模型。从这些模型中获得的结果表明，LSTM 算法在预测所有形式的加密货币方面均具有出色的性能。因此，它可以被视为最有效的算法。LSTM 模型为所有加密货币提供了有希望且准确的预测。该模型用于预测 180 天内加密货币的未来收盘价。在训练和测试过程中，使用 Pearson 相关性指标来评估预测值与目标值之间的相关性。在预测 XRP 货币价格时，LSTM 算法在训练 (R = 96.73%) 和测试 (96.09%) 中实现了最高的相关值。使用已建立的 LSTM 模型可以准确预测加密货币价格，该模型表现出高效的性能。应用这些模型的意义在于，它们可能通过协助投资者和交易者识别不同类型加密货币的销售和购买趋势，对经济产生巨大影响。将 LSTM 模型的结果与现有系统的结果进行了比较。本研究的结果表明，基于所提出的系统的低预测误差，所提出的模型表现出卓越的准确性。
深度学习算法预测加密货币波动价格：增加投资意识
摘要：以太坊和 XRP 等数字货币允许所有交易在线进行。为了强调法定货币的去中心化性质，我们可以举例说明所有虚拟货币用户都可以在没有第三方参与的情况下访问服务。加密货币价格波动是非平稳且高度不稳定的，类似于传统股票的价格变化。由于加密货币的吸引力，投资者和研究人员都更加关注加密货币价格预测。随着深度学习的兴起，加密货币预测变得非常重要。在本研究中，我们提出了一种长短期记忆 (LSTM) 算法，可用于预测四种类型的加密货币的价值：AMP、以太坊、光电系统和 XRP。均方误差 (MSE)、均方根误差 (RMSE) 和归一化均方根误差 (NRMSE) 分析用于评估 LSTM 模型。从这些模型中获得的结果表明，LSTM 算法在预测所有形式的加密货币方面均具有出色的性能。因此，它可以被视为最有效的算法。LSTM 模型为所有加密货币提供了有希望且准确的预测。该模型用于预测 180 天内加密货币的未来收盘价。在训练和测试过程中，使用 Pearson 相关性指标来评估预测值与目标值之间的相关性。在预测 XRP 货币价格时，LSTM 算法在训练 (R = 96.73%) 和测试 (96.09%) 中实现了最高的相关值。使用已建立的 LSTM 模型可以准确预测加密货币价格，该模型表现出高效的性能。应用这些模型的意义在于，它们可能通过协助投资者和交易者识别不同类型加密货币的销售和购买趋势，对经济产生巨大影响。将 LSTM 模型的结果与现有系统的结果进行了比较。本研究的结果表明，基于所提出的系统的低预测误差，所提出的模型表现出卓越的准确性。
教学大纲第三年艾滋病 V 和 VI 学期.pdf
课程目标： 1. 提供有关数据处理的必要知识，并使用统计和机器学习方法对实际问题进行分析 2. 使用编程工具生成报告并以图形形式可视化结果 预期课程成果： 1. 能够获得数据科学的基本知识 2. 将实时数据转换为适合分析的形式 3. 通过统计推断从数据中获取见解 4. 使用机器学习技术开发合适的模型并分析其性能 5. 确定需求并可视化结果 6. 分析模型的性能和结果质量 单元：1 简介 4 小时 数据科学： 数据科学简介 – 数字宇宙 – 数据来源 – 信息共享 – 数据科学项目生命周期： OSEMN 框架 单元：2 数据预处理和概念学习 6 小时 数据预处理简介 – 读取、选择、过滤数据 – 过滤缺失值 – 操作、排序、分组、重新排列、排名数据假设的制定 –概率近似正确学习 - VC 维度 - 假设消除 - 候选消除算法 单元：3 R 基础知识 8 小时 R 基础知识 - 数据类型和对象 - 控制结构 - 数据框 - 特征工程 - 缩放、标签编码和独热编码、缩减 单元：4 使用 R 进行模型拟合 8 小时 回归模型 - 线性和逻辑模型，分类模型 - 决策树、朴素贝叶斯、SVM 和随机森林，聚类模型 - K 均值和层次聚类 单元：5 可视化 6 小时 数据可视化：箱线图、直方图、散点图、热图 - 使用 Tableau - 异常值检测 - 数据平衡 单元：6 R 中的性能评估 4 小时 损失函数和误差：均方误差、均方根误差 - 模型选择和评估标准：准确度、精确度、F1 分数、召回率 - 二元预测分类 - 灵敏度 - 特异性。
MAUDGAN：具有不同脑肿瘤的多中心 MRI 数据的运动伪影无监督解缠生成对抗网络
摘要。目的：本研究提出了一种新颖的回顾性运动减少方法，即运动伪影 11 无监督解缠生成对抗网络 (MAUDGAN)，该方法可减少来自肿瘤和转移性脑图像的运动伪影。MAUDGAN 使用多模态多中心 3D T1- 13 Gd 和 T2 流体衰减反转恢复 MRI 图像进行训练。方法：在 k 空间中为 3D T1-Gd MRI 图像模拟具有不同伪影 14 级别的运动伪影。MAUDGAN 由使用残差块构建的两个生成器、两个鉴别器和两个特征提取器网络组成。生成器将图像从内容空间映射到伪影空间，反之亦然。另一方面，鉴别器试图 17 区分内容代码以学习无运动和运动损坏的内容空间。结果：我们将 MAUDGAN 与 CycleGAN 和 Pix2pix-GAN 进行了比较。从定性上讲，MAUDGAN 可以消除软组织对比度最高的运动，而不会增加空间和频率失真。从定量上讲，我们报告了六个指标，包括归一化均方误差 (NMSE)、结构相似性指数 (SSIM)、多尺度结构相似性指数 (MS-SSIM)、峰值信噪比 (PSNR)、视觉信息保真度 (VIF) 和多尺度梯度幅度相似性偏差 (MS-GMSD)。MAUDGAN 获得了最低的 NMSE 和 MS-GMSD。平均而言，所提出的 MAUDGAN 重建的无运动图像具有最高的 SSIM、PSNR 和 VIF 值以及可比的 MS-SSIM 值。结论：MAUDGAN 可以在多模态框架下从 3D T1-Gd 数据集中分离出运动伪影。运动减少将改善自动和手动 26 后处理算法，包括自动分割、配准和引导治疗（例如 27 放射治疗和手术）的轮廓勾画。28
BindingSiteAugmentedDTA：为药物再利用中的可解释预测模型启用下一代管道
虽然药物-靶标相互作用 (DTI) 预测研究已经相当成熟，但该领域现有研究并未始终解决可推广性和可解释性问题。在本文中，我们提出了一个基于深度学习的框架，称为 BindingSite-AugmentedDTA，该框架通过减少蛋白质潜在结合位点的搜索空间来改善药物-靶标亲和力 (DTA) 预测，从而使结合亲和力预测更加高效和准确。我们的 BindingSite-AugmentedDTA 具有高度可推广性，因为它可以与任何基于 DL 的回归模型集成，同时显著提高它们的预测性能。此外，与许多现有模型不同，我们的模型由于其架构和自注意力机制而具有高度可解释性，通过将注意力权重映射回蛋白质结合位点，可以更深入地理解其底层预测机制。计算结果证实，我们的框架可以在 4 个广泛使用的评估指标方面提高七种最先进的 DTA 预测算法的预测性能，包括一致性指数 (CI)、均方误差 (MSE)、修正平方相关系数 ( r 2 m) 和精度曲线下面积 (AUPC)。我们还为两个最常用的 DTA 基准数据集（即 Kiba 和 Davis）做出了贡献，包括这两个数据集中包含的所有蛋白质的 3D 结构的附加信息。我们从 https://www.uniprot.org/ 上提供的蛋白质数据库 (PDB) 文件中手动提取了这些信息。此外，我们通过实验室实验验证了我们提出的框架的实际潜力。我们测量了几种候选药物化合物之间的结合相互作用，以抑制 (SARS-CoV-2 S-蛋白 RBD) 刺突蛋白和 ACE-2（宿主细胞结合靶标）蛋白之间的结合。然后，我们将计算预测的结果与实验室中实验观察到的结果进行比较。计算预测和实验观察到的结合相互作用之间相对较高的一致性支持了我们的框架作为药物再利用预测模型的下一代流程的潜力。
脑电信号改善；不同窗口的比较
摘要 — 大脑的临床信息用于分析、诊断和治疗与大脑相关的疾病。大脑的信息是通过一种称为脑电图仪的电子设备获得的。该设备读取、记录并以图形方式显示患者大脑的电位，以便临床医生进行适当的临床关注。大脑的电位称为脑电图 (EEG)。收集 EEG 信号的过程涉及将脑电图仪的电极 (探针) 放置在患者的头皮上。值得注意的是，应正确剃掉头皮，以使探针与头皮接触良好。然而，所有在头皮上传播的电信号都被脑电图仪拾取。眼睛、肌肉和心脏都会产生可追溯到头皮的电信号。所有这些信号都与 EEG 一起记录，它们构成了 EEG 不需要的信号或噪声列表。它们损害了记录的 EEG 中包含的信息，并使医生很难有效地使用 EEG。电力线干扰 (PLI) 是另一种破坏 EEG 的信号。记录的 EEG 中出现任何这些不需要的电位都是不受欢迎的。因此，在显示信号之前从记录的 EEG 中去除噪声，即可实现正确的诊断和解释。此外，本文比较了使用不同窗口建模的有限脉冲响应 (FIR) 滤波器，目的是从 EEG 中去除 50Hz 电力线干扰。所采用的 FIR 滤波器技术涉及使用十种不同的窗口，即：Kaiser、Parzen、Gaussian、Hann、Hamming、Rectangular、Nuttall、Blackman Harris、Welch 和高度可调正弦 (HAS) 窗口。通过比较使用十个窗口中的每一个设计的滤波器的均方误差 (MSE)，努力确定十个 FIR 滤波器中的每一个 PLI 干扰减少的有效性。结论是 Hamming 窗口的 MSE 最好，其次是 Hann 窗口。
机器学习（R22A6602）.pdf
课程目标： 1. 认识机器学习的基本术语和基本概念。 2. 理解监督学习模型的概念，重点关注最新进展。 3. 关联监督学习的神经网络模型概念 4. 发现机器学习的无监督学习范式 5. 理解强化学习和集成方法的概念。 UNIT-I 简介：机器学习、监督学习、无监督学习、强化学习简介。深度学习。 特征选择：过滤器、包装器、嵌入式方法。 特征规范化：最小-最大规范化、z 分数规范化和常数因子规范化 降维简介：主成分分析（PCA）、线性判别分析（LDA） UNIT-II 监督学习 - I（回归/分类） 回归模型：简单线性回归、多元线性回归。成本函数、梯度下降、性能指标：平均绝对误差（MAE）、均方误差（MSE）R 平方误差、调整 R 平方。分类模型：决策树 - ID3、CART、朴素贝叶斯、K 最近邻（KNN）、逻辑回归、多项逻辑回归支持向量机 (SVM) - 非线性和核方法 UNIT – III 监督学习 – II（神经网络）神经网络表示 – 问题 – 感知器、激活函数、人工神经网络 (ANN)、反向传播算法。分类指标：混淆矩阵、精度、召回率、准确度、F 分数、ROC 曲线。UNIT – IV 分类中的模型验证：交叉验证 - 保留方法、K 折、分层 K 折、留一交叉验证。偏差-方差权衡、正则化、过拟合、欠拟合。集成方法：Boosting、Bagging、随机森林。UNIT – V 无监督学习：聚类-K-均值、K-模式、K-原型、高斯混合模型、期望最大化。强化学习：探索和利用权衡、非关联学习、马尔可夫决策过程、Q 学习
利用人工智能通过工业规模的监控摄像头估算植物高度
本报告介绍了一项研究结果，该研究旨在探讨人工智能 (AI) 算法是否能通过使用安装在 Svegros 的一个罗勒农场上空的普通监控摄像头拍摄的图像来估算植物的高度，以及效果如何。该项目具有重要的经济意义，因为太高的罗勒植株不适合商店的货架，而太小的植株又会让顾客失望。这是 Svegro 一项更大运动的一部分，该运动旨在实现植物生长自动化监测和护理，降低能耗并减少浪费。为了测量高度，在摄像头下方的传送带上移动的植物后面放置了标尺（Robel 杆），这样就可以根据 Robel 杆上未被植物覆盖的可见线的数量手动确定植物的高度。研究问题是设计一种基于人工智能的解决方案来预测植物上方可见的线数。经过两个月的图像收集和手动注释后，使用来自罗勒田的单个 Robel 杆的图像训练了三个不同复杂度的卷积神经网络 (CNN) 模型。使用 Grad-CAM 获得的结果表明，网络不会学习数线，而是将叶子的大小和形状与高度关联起来。最佳得分是平均绝对误差 0.74 和均方误差 0.83，其中 MAE 为 2.53 和 MSE 为 11.11，这对应于仅预测数据集中值。这是使用 EfficientNet0B 实现的。将结果与人类的表现进行了比较，结果显示人类的表现仍然更好，但由于数据嘈杂，结果令人印象深刻，分数超出了 Svegro 团队的预期，因此最终模型现在在那里使用。实验还表明，即使训练图像中没有 Robel 杆，也可以获得相当好的结果，这意味着 Svegro 团队可以停止布置 Robel 杆，但精度会略有下降。提出了一些改进建议，例如改变 Robel 杆的设计，以帮助未来的研究以更高的精度完全自动化该过程。