XiaoMi-AI文件搜索系统
World File Search System性能比
机器学习算法在糖尿病疾病预测中的性能比较
摘要：近年来，随着技术的发展，机器学习已广泛应用于医学领域。机器学习也是一个用于诊断糖尿病并帮助专家做出决策的领域。糖尿病是一种终身疾病，在世界各地和我国都很常见。本研究的主要目的是使用不同的机器学习分类算法进行早期诊断糖尿病。本研究的另一个目的是比较所使用的机器学习模型的成功率。早期诊断糖尿病可以过上健康正常的生活。在此背景下，人们尝试在皮马印第安人糖尿病数据集上使用机器学习技术决策树、随机森林、K-最近邻和支持向量机分类器进行早期诊断糖尿病。该数据集包括 9 个特征和 768 个样本。使用准确度、精确度、召回率、F1 分数和 AUC 指标对分类器的成功率进行评估。随机森林的准确率为 80%，效果最好。本文旨在研究不同机器学习技术的使用、糖尿病数据诊断能力、女性糖尿病患者的糖尿病诊断以及机器学习技术性能比较之间的关联。讨论了理论和实践的意义。在本研究中，使用与文献中使用的分类算法不同的算法进行了比较，并为该领域的文献做出了贡献。关键词：糖尿病疾病；机器学习；分类；随机森林
使用 LENS 和 EBAM 方法增材制造 NiTi 合金的微观结构、老化效应和形状记忆性能比较
对采用各种增材制造方法制备的样品的结构、织构、转变温度和超弹性能进行了比较。采用激光工程净成型 (LENS) 方法制备的样品的织构与 <001> 构建方向有几度偏差，但成分接近初始粉末成分，从而具有超弹性效应。电子束增材制造 (EBAM) 样品在室温下表现出马氏体结构，这是因为转变温度转移到了更高的范围。这种转变是由于不同的加工条件导致的 Ni 含量较低。然而，EBAM 方法在构建方向上产生了更清晰的 <001> 织构，并且可以在室温以上获得良好的超弹性效应。使用 EDS 和电子衍射分析将尺寸为 0.5-2 毫米的金属间化合物颗粒鉴定为 Ti 2 Ni 相。该相通常形成在晶界处。与 LENS 方法相反，EBAM 制备的样品表现出富含 Ni 的初级颗粒，这是由不同的加工条件引起的，这些加工条件降低了固溶体中的 Ni 含量，从而提高了马氏体转变温度。在 500°C 下老化可使 LENS 和 EBAM 样品的马氏体转变温度转移到更高的范围。这是由于形成了富含 Ni 的连贯沉淀物。在用这两种方法制备并在 500°C 下老化的样品中，主要在 {011} B19' 平面上观察到马氏体 B19' 孪晶的存在。关键词：增材制造；形状记忆合金；NiTi；TEM 研究
最大程度质粒DNA隔离试剂盒的性能比较
图1。使用三个不同试剂盒纯化的高拷贝pDNA的平均产率。屈服代表三份提取的平均值。图3。使用三个不同试剂盒分离的高拷贝pDNA。（a）将凝胶运行10分钟，以可视化RNA污染。红色框指示如果有RNA污染，则频带在哪里。（b）凝胶再运行65分钟，以将GDNA和超螺旋pDNA带分开。蓝色框指示GDNA的存在。
用于重建NGS的聚类模型之间的性能比较来自技术重复
为了提高单个DNA测序结果的性能，研究人员经常使用同一个人和各种统计聚类模型的重复来重建高性能呼叫仪。在这里，考虑了基因组Na12878的三个技术重复，并比较了五个模型类型（共识，潜在类，高斯混合物，kamila - 适应性的K-均值和随机森林），涉及四个性能指标：敏感性，精度，精度，准确性和F1评分。与不使用组合模型相比，i）共识模型提高了精度0.1％； ii）潜在类模型带来了1％的精度改善（97％ - 98％），而不会损害灵敏度（= 98.9％）； iii）高斯混合模型和随机森林提供了更高精确度（> 99％）但敏感性较低的呼叫； iv）卡米拉提高了精度（> 99％），并保持高灵敏度（98.8％）；它显示出最好的总体表现。根据精确和F1得分指标，比较了组合多个呼叫的非监督聚类模型能够改善测序性能与先前使用的监督模型。在比较模型中，高斯混合模型和卡米拉提供了不可忽略的精度和F1得分的改进。因此，可能建议将这些模型用于呼叫集重建（来自生物或技术重复），以进行诊断或精确医学目的。
在有或没有短距离通道的方法的功能近红外光谱中的全身活动校正的性能比较
功能性近红外光谱（FNIRS）是神经影像学的有前途的工具，尤其是在大脑的背景下 - 计算机接口1（BCI）或Neurofeffack 2（NFB）2（NFB）应用于运动神经疗法的应用。在积极的公开3 NFB培训中，参与者通过接收反馈，以促进大脑可塑性来自我调节与任务相关的大脑活动。2、4、5为了运动神经居住的目的，任务可以是任何运动任务，但是，最常见的是，参与者执行动力学运动图像，也就是说，想象一下不实际执行的运动任务的感觉。2、6、7要实现此目标，这是一种特定于空间的大脑成像工具，可以进行成本效益，重复训练。fnirs融合了这些品质。2，8此外，FNIRS允许衡量困难的人群，例如儿童和患者，它相对可靠地抵抗运动，并且由于FNIRS可以是可移动和便携式的，因此它具有环境灵活性。5，8 - 10 FNIRS的一个主要缺点是对测量信号的污染，该信号具有任务诱发的全身性外脑活动和脑活动11，12（简而言之：系统性活动，SA）。fnirs通过将NIR光从光源转移到光探测器来捕获血液动力学活性。在这一旅程中，光不仅可以穿透大脑组织，还可以穿透脑外层（头皮和皮肤），从而产生了包括脑和脑外血液动力学活性的信号。14此外，它不是均匀分布在头部12、13中，并且可以模仿与任务相关的活动。11，12 SA伪像引起的问题是多种多样的：信号类型之间的伪像（δ½HBO）与脱氧（δ½HBR）血红蛋白之间的伪像之间有所不同，在子主体之间和内部之间的11-13和任务。12，13由于伪像的频率可以与任务频率重叠，因此常规使用的时间过滤器不够。结果是，统计结果可能是由于误报而膨胀的，或者因假否定性而耗尽。NFB和BCI应用的 11、12、15、16这可能意味着它们可能基于噪声而不是大脑活动。 到目前为止，SA伪像的脑外部部分的全身性伪影校正（SAC）的黄金标准涉及短距离通道（SDCS）。 对于SDC，NIR光源和检测器的距离<10 mm 11 - 13，17（理想情况下为成人18毫米，为8.4 mm）。 由于短距离，SDC大多测量了脑外SA，然后可以通过应用基于回归的方法来纠正数据，例如，例如，使用基于回归的方法。 13、17、19 - 21迄今为止最有前途的方法是将SDC数据作为（附加）回归器添加到一般线性模型（GLM）中。 13、17、21此方法中最佳的SDC数量仍然未知，但是在添加更多SDC时，最多显示了八个SDC的最多SDC。 17也包括两种信号类型的SDC，即δ½HBO和δ½HBR，都改善了结果。 17但是，并非所有FNIRS研究人员都可以访问或可以在不久的将来访问SDC。 17，2511、12、15、16这可能意味着它们可能基于噪声而不是大脑活动。到目前为止，SA伪像的脑外部部分的全身性伪影校正（SAC）的黄金标准涉及短距离通道（SDCS）。对于SDC，NIR光源和检测器的距离<10 mm 11 - 13，17（理想情况下为成人18毫米，为8.4 mm）。 由于短距离，SDC大多测量了脑外SA，然后可以通过应用基于回归的方法来纠正数据，例如，例如，使用基于回归的方法。 13、17、19 - 21迄今为止最有前途的方法是将SDC数据作为（附加）回归器添加到一般线性模型（GLM）中。 13、17、21此方法中最佳的SDC数量仍然未知，但是在添加更多SDC时，最多显示了八个SDC的最多SDC。 17也包括两种信号类型的SDC，即δ½HBO和δ½HBR，都改善了结果。 17但是，并非所有FNIRS研究人员都可以访问或可以在不久的将来访问SDC。 17，25对于SDC，NIR光源和检测器的距离<10 mm 11 - 13，17（理想情况下为成人18毫米，为8.4 mm）。由于短距离，SDC大多测量了脑外SA，然后可以通过应用基于回归的方法来纠正数据，例如，例如，使用基于回归的方法。13、17、19 - 21迄今为止最有前途的方法是将SDC数据作为（附加）回归器添加到一般线性模型（GLM）中。13、17、21此方法中最佳的SDC数量仍然未知，但是在添加更多SDC时，最多显示了八个SDC的最多SDC。17也包括两种信号类型的SDC，即δ½HBO和δ½HBR，都改善了结果。17但是，并非所有FNIRS研究人员都可以访问或可以在不久的将来访问SDC。17，25例如，冯·吕曼（VonLühmann）及其同事21发现，只有4％的发表FNIRS BCI研究使用SDC进行校正。对于没有可用SDC的实例，已经提出了许多替代的SA校正方法，例如，基于空间过滤器15、16、22-24或通过基于主成分分析的过滤器使用单个基线测量结果。
ISSN 印刷版：2516-3949 https://doi.org/10.31585/jbba-6-1-(1)2023 区块链中后量子算法的性能比较 Lu Gan 和 Bakhtiyo
摘要区块链和其他分布式账本技术引发了广泛的研究和兴趣。这是因为它们能够在利用非对称加密、数字签名和哈希函数的同时在各个应用领域创建冗余、透明和可靠的连接。然而，当前的区块链系统容易受到攻击，尤其是那些利用 Grover 和 Shor 算法的量子计算机进行和实现的攻击。有必要研究数字签名的各种算法、后量子代公钥加密及其性能，以深入了解解决该问题的最合适方法。在我们的评论中，我们研究了区块链中不同后量子公钥生成和数字签名算法的性能，并提供了计算时间和内存使用量的性能比较。这里介绍的研究包括可以使用后量子区块链的应用领域。
基于深度CNN的性能比较分析...
脑瘤是最危险和最具破坏性的疾病之一。晚期脑癌的死亡率更高。此外，脑瘤的误诊会产生危险并降低患者的生存机会。脑瘤的早期诊断有助于通过提供正确的治疗来挽救患者的生命。磁共振成像 (MRI) 和计算机断层扫描 (CT) 等计算机辅助医学成像技术有助于诊断疾病。因此，近年来，脑 MRI 分类成为一个活跃的研究领域。早期已经提出了许多用于 MRI 分类的方法，从经典方法到先进的深度学习 (DL) 算法，例如卷积神经网络 (CNN)。传统的机器学习 (ML) 技术需要手工制作的特征，而 CNN 通过卷积和池化层的参数调整直接从未处理的图像中提取特征来进行分类。使用 CNN 算法的特征提取主要受训练过程图像大小的影响。如果训练数据集大小较小，CNN 模型在某个时期后会过度拟合。因此，迁移学习技术得到了发展。在所提出的系统中，使用五种迁移学习架构（例如 AlexNet、Vgg16、ResNet18、ResNet50 和 GoogLeNet）进行五项研究，将脑 MRI 的临床数据集分类为良性和恶性。在脑 MRI 上应用数据增强技术来推广结果并减少过度拟合的可能性。在这个提出的系统中，经过微调的 AlexNet 架构分别实现了最高的精度、召回率和 f 测量值 0.937、1 和 0.96774。
IBM Quantum Experience 上量子增强和经典机器学习算法的性能比较
摘要 . 机器学习现在几乎无处不在，主要用于预测。从最广泛的意义上讲，机器学习目标可以概括为近似问题，而各种训练方法所解决的问题可以归结为寻找未知函数的最优值或恢复函数。目前，我们只有基于经典量子逻辑的量子计算机实验样本，使用量子门代替普通逻辑门，使用概率量子比特代替确定性比特。也就是说，概率性质的问题可以从大量可能的状态中确定某个最优状态，量子计算机可以在这些状态下实现“量子霸权”——解决任务所需的时间大大减少（减少了几个数量级）。这项工作的主要思想是确定在量子计算机上解决机器学习问题时实现量子优势的可能性，即使不是量子霸权。
增材制造和传统制造的 304L 奥氏体不锈钢抗氢脆性能比较研究
奥氏体不锈钢 (ASS) 常用于敏感的氢气 (H) 存储、氢气基础设施以及运输应用，因为与铁素体钢相比，它们通常不太容易受到氢脆 (HE) 的影响。这是因为它们的扩散率较低，而氢的溶解度较高 [1-3]。氢脆描述了这样一种现象：材料的机械性能经常会突然发生灾难性的恶化（特别是在受到拉伸载荷时，由于拉伸延展性的丧失），这是由于酸性溶液中的环境氢和含氢气体 [4-8] 扩散到块体材料中造成的。与不易发生 HE 的热力学稳定 ASS（如 AISI 310S 型）相比，在仅含 8 – 10 wt% Ni 的亚稳态 ASS（如 AISI 304 型）中经常观察到严重的 HE，其中在变形过程中会形成应变诱导的 α ′马氏体 [9 – 11]。应变诱导的 α ′马氏体为 H 提供了快速扩散路径，导致 H 在微观结构的关键位置富集（如异质界面前方的微观机械高应力区域），从而导致 H 辅助开裂 [12, 13]。此外，由于凝固过程中的偏析或高冷却速度导致 δ 到 γ 的转变不完全，亚稳态 ASS 中可能会出现少量的 δ 铁素体。这可能会通过提供裂纹起始点来增加样品的 HE 敏感性 [14, 15]。
药物流行病学中的人工智能系统评价。第 2 部分 - 人工智能与传统药物流行病学技术的性能比较
结果：通过 Ovid MEDLINE 共查明 72 篇原创文章和 5 篇综述，其中 19 篇（26.4%）将人工智能技术与传统药物流行病学方法的性能进行了比较。总共对 44 篇文章进行了比较，旨在 1）根据患者特征预测所需剂量（31.8%），2）预测药物治疗后的临床反应（29.5%），3）预测药物不良反应的发生/严重程度（20.5%），4）预测倾向评分（9.1%），5）识别更有可能出现药物无效风险的亚群（4.5%），6）预测药物消耗量（2.3%），7）预测药物引起的住院时间（2.3%）。在 44 项比较中的 22 项（50.0%）中，人工智能的表现优于传统药物流行病学技术。在大多数比较中，随机森林（11 项比较中的 7 项；63.6%）和人工神经网络（10 项比较中的 6 项；60.0%）的表现优于传统药物流行病学方法。