XiaoMi-AI文件搜索系统
World File Search System直方图
区域倾斜也称为广义倾斜
总体分布显示为较暗的 PDF。样本大小为 N=10 的均值估计 X-bar 的抽样分布显示为较浅的 PDF（类似于最后一张幻灯片上的直方图）。如果 sigma 是总体分布的标准差，那么 sigma 除以 N 的平方根就是 X-bar 抽样分布的标准差。根据中心极限定理，该分布渐近正态，随着 N 的增大，越来越接近正态。
建立高效的神经网络进行脑肿瘤检测
脑肿瘤检测和监测对于任何指示系统都至关重要，多年的研究和诊断技术的稳步改进就是明证。因此，治疗计划对于提高患者的生活质量至关重要。有一种观点认为，深度学习可以帮助解决诊断和治疗脑肿瘤的困难。在这项工作中，我们引入了一种混合深度神经网络，它将最先进的图像增强方法（如对比度拉伸、直方图均衡化和对数变换）与迁移学习相结合，类似于 DenseNet169 和 ResNet149。这项工作深入探讨了如何提高 DCNN 预测的准确性和效率。对于数据选择，我们创建了自定义数据，这些数据来自 Br35H 和 Fig 共享存储库，其中包含增强后的良性、恶性和正常图像 (596,928,364)。性能分析了不同的场景，例如所有三种增强算法的数据都与每个神经网络一起训练并评估性能。性能结果表明，本文提出的研究成果对使用 DenseNet169 进行直方图均衡化的数据有显著的改进，准确率为 93.29%，精确率为 94%，召回率为 88%，得分率为 93%，损失率为 20.37%，是本文提出的所有训练神经网络中最高的矩阵。
耐药癌细胞的计算分析
图 1. 在表达 GFP 标记的野生型或变体 AR 的 M12 同源 PC 细胞系中追踪 EB1 彗星。MT 尖端和 AR 用 GFP 标记并成像一分钟（采集率为每秒两张图像）。EB1 彗星通过计算跟踪（Yang 等人，2005 年）。颜色编码代表 EB1 速度，较冷的颜色对应较低的速度，较暖的颜色对应较快的速度。比例尺等于 5 µm。（A）表达野生型 AR 变体的 PC 细胞的 MT 生长轨迹。中位速度约为 15 µm，边缘处明显减速，没有 AR。（B）表达对紫杉醇治疗有抗性的 ARv7 变体的细胞的 MT 生长轨迹。中位速度约为 24 um/min。下图显示相应的 EB1 彗星速度直方图。生长速度直方图（单位：µm/min）见（C）AR野生型和（D）ARv7变体。我们根据（Goldstein et al., 2011）分离前列腺组织（图2）并培养类器官
耐药癌细胞的计算分析
图 1. 在表达 GFP 标记的野生型或变体 AR 的 M12 同源 PC 细胞系中追踪 EB1 彗星。MT 尖端和 AR 用 GFP 标记并成像一分钟（采集率为每秒两张图像）。EB1 彗星通过计算跟踪（Yang 等人，2005 年）。颜色编码代表 EB1 速度，较冷的颜色对应较低的速度，较暖的颜色对应较快的速度。比例尺等于 5 µm。（A）表达野生型 AR 变体的 PC 细胞的 MT 生长轨迹。中位速度约为 15 µm，边缘处明显减速，没有 AR。（B）表达对紫杉醇治疗有抗性的 ARv7 变体的细胞的 MT 生长轨迹。中位速度约为 24 um/min。下图显示相应的 EB1 彗星速度直方图。生长速度直方图（单位：µm/min）见（C）AR野生型和（D）ARv7变体。我们根据（Goldstein et al., 2011）分离前列腺组织（图2）并培养类器官
利用机器学习技术评估技术文档质量
摘要 - 信息是通过报纸，期刊，互联网和学术期刊中的图像传播的。借助各种工具，例如Adobe，gimp和Corel Draw，区分原始形象和伪造的人已经变得越来越具有挑战性。大多数传统方法都依赖于构造的特征来检测图像伪造。图像验证在确保和确保敏感文档中个人身份的真实性方面起着至关重要的作用。本研究提出了一种机器学习方法（支持向量机，SVM和定向梯度的直方图，Hog），以识别图像并确认其真实性。使用定向梯度（HOG）的直方图提取各种特征，包括匹配，图像大小和图像验证的尺寸。使用支持向量机（SVM）进行训练和测试阶段。使用广泛的数据集评估所提出的图像验证技术，以确定图像识别精度，以及特异性，灵敏度和精度等指标。与现有技术的比较分析表明，所提出方法的平均图像验证精度为98％，超过了先前的图像验证方法。
yolov4
在计算机视觉中，从图像中提取有意义的特征对于准确的分析和分类至关重要。为了实现这一目标，使用定向梯度（HOG）的直方图和定向梯度的垂直直方图（VHOG）采用了水平和垂直特征提取技术。这些方法允许对图像结构进行详细表示，从而捕获梯度方向的变化以增强对象识别[4]。用于分类，机器学习模型，即支持向量机（SVM）和Extreme Learning Machine（ELM）。SVM方法通过定位关键图像组件并在时空区域中跟踪其运动来绘制和可视化特征。然而，尽管具有特征表示有效性，但该方法在确切检测与运动相关的变化时遇到了局限性，尤其是在动态环境中。另一方面，极限学习机提供了一种替代分类技术，旨在提高计算效率并解决传统模型面临的一些挑战[5,6,7,8]。随着特征提取和分类方法的持续进步，研究人员继续完善这些技术，以提高各种计算机视觉应用中的准确性和鲁棒性。
计算机科学杂志
摘要 - 脑肿瘤是颅骨内异常质量生长的一般名称，这是由于大脑中细胞续签期间的误差而导致的。从脑肿瘤中丧生的人数每天都在增加。早期诊断对于减少损失的治疗计划和结果至关重要。MRI（磁共振）成像方法广泛用于脑肿瘤诊断并显示大脑中的组织。通过在传统方法中使用MR图像对脑肿瘤进行分类很困难，因为大脑结构及其中的组织很复杂。脑肿瘤分类已被使用，近年来一直很受欢迎并且在分类方面具有很高的准确率。在这项研究中，它的目的是通过比较VGG16，VGG19和MobïLenet深度学习体系结构来确定具有最高精度比率的体系结构。为了增加这些体系结构的成功，将直方图均衡应用于数据库中的图像。所使用的数据集由3590 MR图像组成，由四个脑肿瘤类（神经胶质瘤，脑膜瘤，无肿瘤，垂体）组成。MobileNet由于测试和训练而获得了最高的精度。实验研究表明，直方图均衡通过提高图像质量有助于深度学习结构的性能。关键词：脑肿瘤，图像分类，深度学习
欧洲地热研讨会2024
Erwandi Yanto使用统计方法和气体地热测定法增强地热储层温度估计：探索阶段的Lumut Balai场的案例研究，通常使用地热测定法估算储层温度。但是，由于地质学家和地球化学家之间的解释和见解，大量的表面表现数据有时可能导致温度估计的差异。此外，井下压力和温度测量值可能显示出轻微的变化。为了应对这些挑战，可以采用基本的统计方法来定量地对数据进行分类并简化温度地热计的确定。通过基于相似特征将数据分组到人群中，并使用直方图和概率图（P-图）分析它们，我们可以更好地理解每个人群的分布。由极值引起的离群数据可以排除在于提高准确性。结果表明，P10值（最乐观）来自直方图与井下温度测量值紧密一致。使用地热计的估计储层温度范围为243°C至273°C，代表最乐观的温度范围。这与几个生产井中从PT数据获得的最高储层温度的范围很好，即221°C至266°C。＃3
电池降解诊断，膝关节检测和膝关节预测的可转移物理信息的框架
电池容量膝关节的技术经济和安全问题发生 - 呼吁开发在线膝盖检测和预测方法作为高级电池管理系统（BMS）功能。为了解决这个问题，提出了一种基于直方图的特征工程方法，一种混合物理学的模型和精细调整策略，用于在线电池降解诊断和膝盖发作检测。使用方案循环方案中的方案感知管道首先开发和评估混合模型，然后进行精细调整以创建在动态循环方案中部署的本地模型。发现基于2D直方图的功能集在源和目标方案中都是最佳选择。证明，微调策略可有效改善电池降解模式估计和降解阶段在目标情况下的降解阶段降低性能。再次发现了鉴定出的膝关节和膝关节之间的线性相关性。结果，可以通过云中的电池性能数字双胞胎来启用高级BMS功能，例如在线降解诊断和进程，在线降解诊断和前进，在线膝关节检测和膝盖预测，衰老感知电池的分类以及第二寿命的重新使用。
波粒二象性再探
a 探测器 1 触发，然后在两个脉冲之后，探测器 2 触发 b 探测器 1 触发，然后探测器 2 在下一个脉冲时触发 c 探测器 1 和 2 同时触发 d 探测器 2 触发，并且探测器 1 在下一个脉冲时触发 e 探测器 2 触发，然后，两个脉冲之后，探测器 1 触发。 3. 统计每列中的巧合次数并制作关于时间延迟的直方图。 4. 在光子模型中，每个探测器都有 50% 的触发几率，但是每次只能触发一个。通过抛一枚硬币来建模。如果掷出正面，则探测器 1 触发；如果掷出反面，则探测器 2 触发。重复 30 个脉冲，统计巧合次数并制作直方图，就像在波模型中一样。 5. 在波模型中，两个探测器同时触发的概率是多少？那么在光子模型中呢？6. 在波模型中，探测器 1 触发，并且在下一个脉冲时探测器 2 触发的概率是多少？那么在光子模型中呢？7. 在光子模型中，如果我们发送一个包含两个光子的脉冲（即两个光子同时到达分束器），那么两个探测器同时触发的概率是多少？