XiaoMi-AI文件搜索系统
World File Search System特征提取
使用 WorldView 2 Vis-NIR MSI 影像支持陆地...
私人和工业应用。其中，土地测绘、地形分类和特征提取是那些分析数据以生成信息、报告和情报产品的人的关注重点。WorldView 2 的 8 个名义波段中心使我们能够使用非传统方式测量数据中特征、人工制品和表面材料中存在的差异，并且我们能够通过利用这些波长通道中的独特响应值来确定处理此信息的最有效方法。可以使用归一化差异指数比率来寻找选定波段之间的响应差异，以测量水分含量、指示植被健康状况并区分自然特征和人造物体。这项工作的重点是开发一种方法来测量、识别和阈值化这些差异，以便建立与 WorldView 2 影像相关的有效土地测绘和特征提取过程。1.0 WorldView 2 规格
使用独特的人工智能预测心脏病
心脏病是一种普遍的健康问题，需要尽早发现才能有效治疗。本研究专注于使用各种机器学习技术开发预测模型，以便尽早意识到心脏病风险。该方法涉及数据收集、预处理、特征提取和选择，以及应用不同的 ML 算法进行性能分析。从孟加拉国的各个医疗中心收集的数据包括年龄、性别、吸烟、肥胖等 19 个属性。特征提取和选择技术用于识别与心脏病预测最相关的属性。该研究采用了逻辑回归、朴素贝叶斯等不同的人工智能技术进行比较分析。该研究旨在确定心脏病预测的最佳分类器，其中使用选定特征的随机森林可实现 90% 的最高准确率。这种方法可以作为早期心脏病预测的有力工具。
基于机器学习的脑机接口任务识别有效性分析
摘要：本研究旨在比较脑电图 (EEG) 信号特征提取方法在脑活动分类有效性方面的效果。为了进行分类，使用 EEG 设备从 17 位受试者的三种心理状态（放松、兴奋和解决逻辑任务）中获取脑电图信号。对获取的信号进行采用独立成分分析 (ICA) 的盲源分离。使用 Welch 方法、自回归建模和离散小波变换进行特征提取。执行主成分分析 (PCA) 以降低特征向量的维数。使用 k-最近邻 (kNN)、支持向量机 (SVM) 和神经网络 (NN) 进行分类。展示了精度、召回率、F1 分数以及基于统计分析的讨论。本文还包含用于预处理和实验主要部分的代码。
基于机器学习的脑机接口任务识别有效性分析
摘要：本研究旨在比较脑电图 (EEG) 信号特征提取方法在脑活动分类有效性方面的效果。为了进行分类，使用 EEG 设备从 17 位受试者的三种心理状态（放松、兴奋和解决逻辑任务）中获取脑电图信号。对获取的信号进行采用独立成分分析 (ICA) 的盲源分离。使用 Welch 方法、自回归建模和离散小波变换进行特征提取。执行主成分分析 (PCA) 以降低特征向量的维数。使用 k-最近邻 (kNN)、支持向量机 (SVM) 和神经网络 (NN) 进行分类。展示了精度、召回率、F1 分数以及基于统计分析的讨论。本文还包含用于预处理和实验主要部分的代码。
使用混合CNN-RNN机器学习方法
钻孔热交换器（BHE）可显着提高地面源热泵（GSHP）系统中的热交换效率。准确预测BHE的出口流体温度对于优化GSHP性能，存储和资源保护至关重要。传统的机器学习方法通过手动特征提取和复杂的非线性关系面临挑战。为了克服这些，这项研究引入了长期出口流体温度预测的混合卷积神经网络（CNN）和复发性神经网络（RNN）模型。该模型使用CNN进行时间特征提取和RNN进行顺序模式学习。对LSTM，CNN和Simpleernn模型进行了评估，提出的模型实现了卓越的性能，RMSE为0.818，MAE为0.642，AARE为0.0305，R²为98.75％，证明了BHE系统效率和可持续性的显着进步。
原创研究论文基于线性判别分析的深度学习算法用于数字字符手写识别
自主获取输入的层次表示。该研究开发了分类算法，用于识别数字字符（0-9）中的手写数字，分析分类器组合方法并确定其准确性。该研究旨在优化同时处理多个脚本时的识别结果。它提出了一种简单的分析技术、线性判别分析 (LDA) 实现和用于数字字符分类的 NN 结构。然而，测试显示 LDA 分类器的结果不一致。该方法将基于配置文件的特征提取 (FE) 与高级分类算法相结合，可以显著改善 HWR 数字字符领域，这从它产生的不同结果可以看出。该模型在 MNIST 数据集上的表现为 98.98%。在 CPAR 数据库中，我们完成了跨数据集评估，准确率为 98.19%。关键词：手写识别；深度学习；神经网络；特征提取；线性判别分析；准确性
通过 ECoG 信号进行运动相关解码的特征工程基准
摘要 — 通过皮层脑电图 (ECoG) 信号的侵入式脑机接口 (BCI) 系统需要有效识别来自多电极传感器阵列的时空模式。此类信号是通过机器学习算法进行自动模式识别的绝佳候选。然而，由于创建此类数据集所需的操作程序，可用数据有限。可以通过特征提取技术分析不同时间特征和单个电极的重要性。但是，在提取特征时会忽略由于非平稳性导致的信号变化，而使用哪些特征可能很难通过目视检查来确定。在本研究中，我们引入了信号分割参数来解释信号的可变性，并使用遗传选择，这允许从 8 个不同特征集池中选择最佳特征组合。索引术语 — 特征提取、特征选择、遗传搜索、ECoG、BCI、机器学习
使用 MR 图像进行脑肿瘤类型识别...
使用磁共振图像 (MRI) 检测脑肿瘤对于当代医学成像研究来说很困难。基本上，脑肿瘤是异常脑细胞的扩张，这些细胞扩张不规律，似乎不受控制。脑膜瘤、神经胶质瘤和垂体是最常见的三种肿瘤。早期识别对于成功治疗脑肿瘤至关重要。随着医学成像的发展，医生现在采用各种成像方法来诊断脑肿瘤，如 fMRI、EEG 等。这些成像方法可以通过提供脑肿瘤位置、大小和形状的详细信息，帮助临床医生建立准确的诊断并制定治疗策略。特征提取和分类是脑肿瘤分类的两个步骤。在某些早期研究中，经常使用两种传统的手动特征提取方法来提取脑肿瘤图像的强度和纹理等细节。这项工作采用了
手写签名识别的 LBP、HOG 和 SIFT 技术的比较分析
摘要——手写签名识别是生物特征认证的关键组成部分，需要稳健高效的特征提取技术才能获得最佳性能。本研究对三种主要的特征提取方法进行了比较分析：局部二值模式 (LBP)、方向梯度直方图 (HOG) 和尺度不变特征变换 (SIFT)。我们使用一个包含 2,000 个签名的精选数据集（包括真实实例和熟练的伪造签名），评估了每种技术在准确性、计算效率和稳健性方面的有效性。我们的研究结果表明，虽然 HOG 表现出卓越的准确性，但 LBP 在计算速度方面表现出色，而 SIFT 则展示了处理各种捕获场景的潜力。这项研究为开发先进的签名识别系统提供了宝贵的见解，强调了定制特征提取对增强生物特征认证的重要性。
CoordConformer 使用 Transformers 解码异构 EEG 数据集
摘要 迁移学习和元学习已有效提高多个领域的性能。它也已成功应用于缺乏数据的 EEG 解码。然而，由于实验设置的差异，例如电极数量、电极位置和任务定义不同，跨数据集的 EEG 数据迁移学习面临着独特的挑战。为了解决跨异构电极配置 EEG 数据集进行跨数据集训练的问题，我们引入了一种新方法 CoordinateAttention，它使用电极传感器的 3-D 坐标来学习电极位置之间的空间关系，从而动态生成用于特征提取的空间卷积核。我们表明，我们的模型在跨设置的 EEG 解码中具有良好的性能，并且对数据损坏具有鲁棒性。CoordinateAttention 是一种使用几何位置信息进行特征提取和数据融合的通用方法。