XiaoMi-AI文件搜索系统
World File Search SystemANFIS
通过血液生物标志物进行中风鉴别诊断的机器学习方法
摘要 — 中风是指血凝块阻塞大脑某个区域的血液供应（缺血性中风）或动脉破裂或出血（出血性中风）。中风后寻求医疗救治可能会增加存活机会并减少长期脑损伤。神经影像学有助于确定治疗对象和治疗方式，尽管它成本高昂、并非总是可行，并且可能有禁忌症。这些限制导致这些再灌注治疗未得到充分利用。使用能够持续区分缺血性中风和脑出血的血液生物标志物组可能非常有益且易于部署。因此，本研究描述了一种加速和改善中风诊断的系统。使用四种机器学习算法：支持向量机 (SVM)、自适应神经模糊推理系统 (ANFIS)、K 最近邻 (KNN) 和决策树 (DT)，我们旨在找到有希望用于鉴别中风诊断的血液生物标志物候选物。我们创建了一个两阶段二元分类器模型，将中风组与正常组进行分类，然后将分配给中风组的实例分为缺血性组和出血性组。根据我们的数据，我们的研究结果表明，在区分埃及患者的中风方面，SVM 比 ANN、ANFIS 和 DT 更好。最重要的血液特征是绝对 (ABS) 中性粒细胞、肌酸磷酸激酶 (CPK)、中性粒细胞/中性粒细胞和白细胞 (WBC) 计数/白细胞实验室测试，这些测试可作为中风诊断的关键和重要指征。所选特征和两阶段二元分类器以更高的准确度进行区分（缺血性和出血性患者）。这种识别和分类脑中风的方法准确、易于使用且经济高效。
基于机器学习算法的冠状动脉疾病的诊断支持向量机，人工神经
已经对数据挖掘在包括CAD在内的疾病诊断中的应用进行了各种研究； [9,10]将建议的模型与基于PSO的自适应神经融化推理系统（PSO -ANFIS）进行了比较。结果表明，建议的模型优于PSO -ANFIS模型。建议的模型还具有2个重要好处：（1）它很快学习，（2）响应迅速。对于大型准确的数据集，快速学习和快速响应能力的重要性很重要。[11] Jackins等。进行了一项研究，以找到可用数据集中诊断糖尿病，冠心病和癌症的模型。他们使用幼稚的贝叶斯分类和随机森林（RF）分类算法进行数据集的分类。结果表明，三种疾病的RF模型的准确性高于幼稚贝叶斯分类器的精度值。[12] Das等。使用统计分析系统，引入了一种诊断心脏病的方法。神经网络集合方法位于提议系统的中心。从从克利夫兰心脏病数据库中获得的数据中获得的分类准确性为89.01％。另外，在心脏病的诊断中分别获得了80.95％和95.91％的敏感性和特异性。[14] Dutta等。[13] Olaniyi和Oyedotun提出了一个基于人工神经网络（ANN）的三步模型来诊断心绞痛，其精度为88.89％。提出了具有卷积层的有效神经网络。他们提出的模型在预测冠心病方面的准确性达到了77％。该模型还能够比传统方法（例如支持向量机（SVM）和RFS）更准确地预测负面案例。[15]
基于实际数据的燃气轮机振动监测
摘要 燃气轮机是一种非常复杂的机械，因为它既有静态结构，又有由振动现象引起的动态行为。需要采用监测和诊断程序来识别和定位振动缺陷，以确保燃气轮机等大型旋转设备正常运行。这是必要的，以避免灾难性的故障和恶化，并确保正常运行。利用基于频谱分析的方法，本研究的目的是提供一个模型，用于监测和诊断 GE MS3002 燃气轮机及其驱动的离心式压缩机的振动。这将通过利用该技术来实现。随后，收集离心式压缩机模型的振动测量值，作为对另一种方法的建议。该方法基于神经模糊方法类型 ANFIS，旨在创建一个等效系统，该系统能够在无需咨询人类的情况下做出决策，以检测振动缺陷。尽管所调查的压缩机存在缺陷，但该程序仍产生了令人满意的结果。
评估扩展的输入启发和基于机器学习的启动对人群库存预测的影响
人类一直在预测不可能的人方面具有固有的兴趣。旅程可能始于算命先驱者，甲骨文和先知，使用太阳标志，行星位置和恒星对准来预测未来。，但是今天，人工智能使用统计数据，大数据分析以及这一切的核心，机器学习（ML）取代了他们的位置。ML已渗透每个现代行业，以提供预测性见解。非整合列表如下。在医疗保健中，ML模型已用于预测大流行期间的Covid-19潮流，死亡人数和恢复率[17]。在制造业中，它们已被应用于提高智能工厂的效率[19]。在监视中，Karpathy等。[12]评估卷积神经网络（CNN）在487个视频类别上的性能，总共有100万个YouTube视频，以进一步监视自动化。在心理健康领域，Fathi等。[7]在具有七个输入功能的大型数据集上训练ANFIS模型，以检测医疗保健中的社交焦虑症。
对Cacao Post ...
可可豆在巧克力生产中起着至关重要的作用，使其成为高度相关的作物。可可豆的收获后阶段，包括分类，质量评估和发酵，具有重要的重视。随着对可销售的可可豆的需求不断增长，对可靠，准确和快速技术的需求已经出现。这项研究在2016年至今的可可豆的收获后阶段提供了对机器学习技术的全面综述。分析36项研究，重点是分类，质量评估和发酵。建议的框架包括应用领域，学习算法，性能指标和报告的影响。值得注意的是，它探讨了各种机器学习应用，例如分类，质量评估和发酵，突出了常用算法，例如ANN，CNN和SVM。在性能指标方面，GLCM在可可分类中达到了最高的准确性（99.61％），ANFI在质量评估方面表现出色（99.715％），而K-NN则是发酵最准确的。本评论是可可豆领域研究人员的宝贵资源，为机器学习进步提供了见解。
一种在存在多个电源的情况下使用自适应神经模糊下垂控制独立微电网的新方法
摘要 . 本文提出了一种新型 Q/P 下垂控制策略，用于调节具有太阳能和风能等多种可再生能源的独立微电网中的电压和频率。频率和电压控制策略应用于具有高渗透率间歇性可再生发电系统的独立微电网。自适应神经模糊逻辑接口系统 (ANFIS) 控制器用于可再生能源发电系统的频率和电压控制。电池储能系统 (BESS) 用于产生标称系统频率，而不是使用同步发电机进行频率控制策略。同步发电机用于维持 BESS 的充电状态 (SOC)，但其容量有限。对于电压控制策略，我们提出了无功功率/有功功率 (Q/P) 下垂控制来代替传统的无功功率控制器，以提供电压阻尼效果。感应电压波动减少以获得标称输出功率。对所提出的模型进行了不同情况的测试，结果表明，所提出的方法能够用最小额定同步发电机补偿微电网中发生的电压和频率变化。©2020。 CBIORE-IJRED。保留所有权利。
一种可解释的人工智能农业技术监测方法......
在当今快速发展的环境中，计算机和信息数字化技术的普及已成为各个领域的标志。其中，农业成为一个关键行业，需要无缝整合高性能信息技术来满足世界各国经济的迫切需求。本文的目的是通过开发一个智能软件组件来预测玉米整个种植周期中发生疾病的概率，从而证实提高计算机导向农业技术监测系统效率的科学和应用方法。研究对象是土壤和气候数据的智能转换和预测分析的非平稳过程，这些数据是玉米疾病发生和发展的因素。研究的主题是针对专门种植玉米的农业企业的土壤和气候条件测量数据的智能预测分析方法和可解释的人工智能模型。该研究成果的主要科学和实际效果是通过开发基于ANFIS技术的计算机导向模型以及综合结构和算法来识别和预测玉米在整个种植周期内发生疾病的概率，开发用于农业技术监测的物联网技术。
...
通过准确的测量和管理消费者价格指数（CPI）来确保价格稳定，从而促进了有利于可持续增长，投资和就业的稳定经济环境。作为关键的经济指标，CPI对通货膨胀，购买力和生活成本进行了全面评估，这是政策制定者，企业和消费者的重要工具。在马来西亚，CPI稳步增加，反映了稳定的通货膨胀率。 认识到需要低和稳定的通货膨胀的需求，政府优先考虑这一目标，以增强经济繁荣和社会福祉。 准确的CPI预测对于经济稳定和明智的财务决策至关重要。 机器学习（ML）模型表现出了提高CPI预测准确性比传统方法的重要潜力。 但是，在马来西亚专门针对CPI和通货膨胀率预测的研究仍然有限。 这项研究评估了五种ML技术的性能：自回旋的集成运动平均值（ARIMA），几何布朗运动（GBM），门控复发单元（GRU），长期短期记忆（LSTM）和自适应的神经神经模糊的推理系统（ANFIS），以预测马来西亚CPI的CPI。 模型是通过将其预测与2022年10月至2023年9月的实际CPI数据进行比较来评估的。 结果表明，GRU模型表现最好，表现出最低的RMSE，MSE和MAPE得分，从而突出了通货膨胀的一致上升趋势。 这项研究鼓励使用先进的ML模型或混合方法进一步探索马来西亚通货膨胀，以提高预测准确性。在马来西亚，CPI稳步增加，反映了稳定的通货膨胀率。认识到需要低和稳定的通货膨胀的需求，政府优先考虑这一目标，以增强经济繁荣和社会福祉。准确的CPI预测对于经济稳定和明智的财务决策至关重要。机器学习（ML）模型表现出了提高CPI预测准确性比传统方法的重要潜力。但是，在马来西亚专门针对CPI和通货膨胀率预测的研究仍然有限。这项研究评估了五种ML技术的性能：自回旋的集成运动平均值（ARIMA），几何布朗运动（GBM），门控复发单元（GRU），长期短期记忆（LSTM）和自适应的神经神经模糊的推理系统（ANFIS），以预测马来西亚CPI的CPI。模型是通过将其预测与2022年10月至2023年9月的实际CPI数据进行比较来评估的。结果表明，GRU模型表现最好，表现出最低的RMSE，MSE和MAPE得分，从而突出了通货膨胀的一致上升趋势。这项研究鼓励使用先进的ML模型或混合方法进一步探索马来西亚通货膨胀，以提高预测准确性。
退化建模和剩余使用寿命预测...
退化建模和剩余使用寿命 (RUL) 预测对于航空发动机的预测和健康管理至关重要。虽然已经引入了基于模型的方法来预测航空发动机的 RUL，但很少有关于使用新型数据驱动预测建模方法估计航空发动机 RUL 的研究报道。本研究的目的是介绍一种基于集成学习的预测方法来建模由于磨损而导致的指数退化过程以及预测航空发动机的 RUL。集成学习算法结合了多个基学习器，包括随机森林 (RF)、分类和回归树 (CART)、循环神经网络 (RNN)、自回归 (AR) 模型、基于自适应网络的模糊推理系统 (ANFIS)、相关向量机 (RVM) 和弹性网络 (EN)，以实现更好的预测性能。粒子群优化 (PSO) 和顺序二次优化 (SQP) 方法用于确定分配给基学习器的最佳权重。在商用模块化航空推进系统仿真 (C-MAPSS) 工具生成的数据上演示了由集成学习算法训练的预测模型。实验结果表明，集成学习算法可以非常稳健地预测飞机发动机的 RUL，并且优于文献中报道的其他预测方法。[DOI：10.1115/1.4041674]
电气工程和信息学公告
具有可再生源操作控制的微网格系统是一个复杂的部分，因为每个源以不同的参数运行。这个可再生的微网格，具有多种来源，例如太阳能电厂，风电场，燃料电池，备用电池备用，必须在网格连接和独立条件下进行操作。在网格连接期间，微网格，逆变器必须向电网注入功率，并补偿同步载荷到网格电压。和在独立条件下，逆变器由下垂控制模块控制，该模块即使在网格断开期间也可以稳定系统的电压和频率。下垂控制模块将通过新的高级控制器（例如模糊推理系统（FIS）和自适应神经模糊推理系统（ANFIS）取代传统的比例积分衍生物（PID）和比例积分（PI）控制器（PI）控制器，以提高响应率和实现更好的稳定性。本文在各种操作条件下对微网格系统进行了比较分析。参数，例如测试系统的电压幅度（V mag），频率（F），负载和逆变器功率（P负载和P INV）与不同的控制器进行了比较。给出了一个数字比较表，以确定逆变器操作的最佳控制器。分析是在MATLAB/SIMULINK软件中进行的，具有图形和参数验证。