XiaoMi-AI文件搜索系统
World File Search SystemBiLSTM
脑电图的深度学习方法（...
摘要：在深度学习中，由于时间序列数据的随机性和非线性特性，寻找最佳算法可能具有挑战性。本研究致力于解决采用深度学习算法的 10 类分类和二元分类问题所带来的挑战。我们收集了参与 Corsi Block Tapping 任务的参与者的脑电图 (EEG) 数据，利用多层卷积神经网络 (CNN)、长短期记忆 (LSTM) 和双向 LSTM (BiLSTM) 模型的各种组合，以在不同频带（即 beta 波段 (14-30 Hz)、alpha 波段 (8-13 Hz)、theta 波段 (4-8 Hz) 和 delta 波段 (0.5-4.35 Hz)）上实现最高精度。我们在 10 类分类问题中的研究结果突出了 1 CNN + 4 线性层模型的卓越性能，准确率高达 64.47%。在二元分类领域，1 LSTM + 4 线性层模型表现最佳，准确率高达 93.30%。值得注意的是，β 波表现出增强的预测能力。这些结果对脑机接口实验的设计具有重要意义，特定大脑区域可以以更高的准确率预测反应。此外，未来的应用可能包括认知系统的开发，其中时间和准确性都起着关键作用。
用于埃塞俄比亚风力发电预测的新型混合 CNN-LSTM
摘要。可再生能源目前正经历着有希望的增长，成为减少化石燃料使用产生的污染气体（导致全球变暖）的替代解决方案。为了将这些可再生能源安全地整合到电网系统中，并使电网系统更加稳定，准确预测特定风力发电场的风力发电量和发电时间至关重要。深度学习方法已显示出对复杂和非线性问题（例如时间序列风力发电数据）的良好预测性能。然而，需要进一步研究通过将多个模型与超参数优化相结合来优化深度学习模型，以使这些单个模型获得最佳性能。在本文中，我们提出了一种用于埃塞俄比亚风力发电预测的混合 CNN-LSTM 模型。在构建混合 CNN-LSTM 模型之前，应用贝叶斯优化来调整单个学习器的超参数，包括 1D-CNN 和 LSTM 模型。在从埃塞俄比亚电力公司获得的三个案例研究风力发电数据集上对所提出的模型进行了测试。根据 MAE、RMSE 和 MAPE 评估指标，对于所有案例研究数据，混合模型的表现明显优于基准模型，包括 ANN、RNN、BiLSTM、CNN 和 LSTM 模型。
练习和经验，ISSN 1895-1767，http：//www.scpe ...
摘要。为了提高智能语音互动机器人的准确性，作者提出了一种基于深度学习的研究意图识别方法。通过介绍GloveBibgru自己的注意分类预测模型，构建了意图识别功能模块，并采用ROS分布式体系结构来整合系统功能模块，从而实现了人与机器之间的智能语音交互。模拟结果表明，使用该方法的语音意图识别具有更高的精度。与基于DCNN模型，CNN-LSTM模型和GRU自我注意力模型的意图识别方法相比，识别精度高于8。02％，4。06％和2。分别为13％，并且在特征提取方面具有更好的识别效果，与基于Bilstm模型的传统提取方法相比，BigRU的训练时间缩短了四倍，从而导致了较高的训练能力。根据实验发现，使用建议的意图识别方法开发了语音交互系统，在理解用户英语语音命令方面保持了高度的准确性和效率。平均准确率为89.72％，识别时间始终低于0.35秒，很明显，该方法适用于现实世界中的语音相互作用。基于手套的意图识别方法可以将注意力用于智能语音机器人中的英语语音互动。
通过注意力预测 CRISPR/Cas9 修复结果......
摘要：CRISPR/Cas9系统作为一种简单、可编程的核酸酶基因编辑工具，被广泛应用于靶基因修复和基因表达调控。CRISPR/Cas9介导的双链断裂产生的DNA突变决定了其生物学和表型效应。实验证明，CRISPR/Cas9产生的细胞修复结果依赖于局部序列特征，因此可以通过断裂位点附近的序列预测DNA断裂后的修复结果。然而，现有的预测方法依赖于人工构建的特征或不够详细的预测标签，无法满足临床级的预测精度，从而将这些模型的性能限制在现有的CRISPR/Cas9编辑知识范围内。我们预测了557个DNA修复标签，涵盖了绝大多数Cas9产生的突变结果，并建立了一个名为Apindel的深度学习模型来预测CRISPR/Cas9编辑结果。 Apindel 自动利用 GloVe 模型训练 DNA 序列特征，通过位置编码 (PE) 引入位置信息，并将训练好的词向量矩阵嵌入到包含 BiLSTM 和 Attention 机制的深度学习模型中。Apindel 比最先进的 DNA 突变预测模型具有更好的性能和更详细的预测类别。它还揭示了相对于切割位点的不同位置的核苷酸对 CRISPR/Cas9 编辑结果有不同的影响。
自然语言处理和神经符号人工智能
收到日期：2024 年 12 月 4 日；修订日期：2024 年 12 月 28 日；接受日期：2024 年 1 月 10 日；发布日期：2024 年 1 月 29 日；摘要 - 神经符号人工智能 (NeSy AI) 代表了自然语言处理 (NLP) 领域的一种突破性方法，将神经网络的模式识别与符号人工智能的结构化推理相结合，以解决人类语言的复杂性。本研究调查了神经符号人工智能在提供细致入微的理解和上下文相关响应方面的有效性，其驱动力是克服现有模型在处理复杂语言任务和抽象推理方面的局限性。该研究采用将多模态上下文建模与规则控制的推理和记忆激活相结合的混合方法，深入研究命名实体识别 (NER) 等特定应用，其中 BiLSTM + CRF 等架构通过分析整个句子上下文表现出更高的准确性。研究结果肯定了神经符号人工智能在增强语言解析、语义歧义解析和整体语言理解能力方面的潜力。值得注意的是，这项研究展示了在改进 NER 任务方面取得的重大进展，突出了这种方法的实际意义和有效性。这项研究表明，神经符号人工智能的发展体现了人们不断追求在机器和人类语言之间创造更复杂、更准确、更像人类的交互，有望对医疗保健和教育等各个领域产生变革性影响。这些发现为人工智能的未来研究和发展铺平了道路，突破了技术在理解和与人类语言互动方面的作用的界限。
研究文章端到...
在运动成像脑部计算机界面（MI-BCI）的研究中，传统的脑电图（EEG）信号识别算法在提取EEG信号特征和提高分类精度方面似乎是不可能的。在本文中，我们讨论了基于多类MI-EEG信号的新分步提取和模式分类的新分步方法的解决方案。首先，通过自动编码器将所有受试者的训练数据合并并扩大，以满足大量数据的需求，同时由于脑电图数据的随机性，不稳定和个人变异性，从而降低了信号识别的不良效果。第二，提出了具有基于注意力的浅卷积神经网络的端到端共享结构。浅卷积神经网络（SCNN）和双向长期记忆（BILSTM）网络分别用于提取EEG信号的频率空间域特征和时间序列特征。十，将注意力模型引入了特征融合层，以动态权重这些提取的时间频率空间域特征，这极大地有助于降低特征冗余性和提高分类精度。最后，使用BCI竞争IV 2A数据集的验证测试表明，分类准确性和KAPPA系数达到82.7±5.57％和0.78±0.074，这可以强烈证明其在分类准确性和降低分数中的优势中的优势在同一互为中，并且在同一内部crovential di di di di di di di di di di di di di di di di di di oferiention n di di di of riention di di;
QXAI：可解释的AI框架用于患者监测系统中的定量分析
摘要 - 源自人工智能技术可用于对患者的体育活动进行分类，并预测远程患者监测的生命体征。基于深度学习模型（例如深度学习模型）的非线性模型的回归分析，由于其黑盒性质而具有有限的解释性。这可能需要决策者根据非线性模型结果，尤其是在医疗保健应用中实现盲目的信仰飞跃。在非侵入性监测中，跟踪传感器的患者数据及其易感性临床属性是预测未来生命体征的输入特征。解释各种特征对监视应用程序的整体输出的贡献对于临床医生的决策至关重要。在这项研究中，提出了一个可解释的用于定量分析的AI（QXAI）框架，并通过临时模型的解释性和内在的解释性来解释和分类任务，以有监督的学习方法。这是通过利用Shapley价值观概念并将注意机制纳入深度学习模型中来实现的。我们采用了人工神经网络（ANN）和基于注意力的双向LSTM（BILSTM）模型，以根据传感器数据对心率和身体活动的分类进行预测。深度学习模型实现了最先进的预测和分类任务。在输入数据上进行了全球解释和局部解释，以了解各种患者数据的特征贡献。使用PPG-Dalia数据评估了提出的QXAI框架，以预测心率和移动健康（MHealth）数据，以根据传感器数据对体育活动进行分类。将蒙特卡洛近似应用于框架，以克服Shapley价值计算所需的时间复杂性和高计算功率要求。
大规模数据中心中的基于LSTM的资源和工作量的改进的预测方法
摘要 - 准确的工作量和资源预测是为了实现积极，动态和自适应资源分配，用于构建具有成本效益，能源良好和绿色云数据中心（CDC），为用户提供令人满意的优质服务，并为云提供者提供高收入。这很具有挑战性，因为CDC中急剧增加和大规模的工作量和资源使用的模式随时间而变化显着。当前的预测方法通常无法处理隐式噪声数据，并在工作量和资源时间序列中捕获非线性，长期和短期和空间特征，从而导致预测准确性有限。为解决这些问题，这项工作设计了一种名为VSBG的新型预测方法，该方法无缝且创新地结合了变分模式分解（VMD），Savitzky Golay（SG）滤波器（SG）滤波器，双向长期短期内存（LSTM）和GRID LSTM和GRID LSTM和GRID LSTM，以预测工作量和资源在CDC中的工作量和资源使用。vsbg在执行其预测之前，以四步骤的方式以四步方式整合VMD和SGFURTER。VSBG利用VMD将非机构工作负载和资源时间序列分为多种模式函数。然后，在VSBG中，这项工作设计了二次惩罚，用拉格朗日乘数将其最小化，并采用对数操作和SG滤波器来平滑第一个模式功能，以消除噪声干扰。最后，VSBG首次系统地捕获了具有两个Bilstm层的流量和复杂时间序列数据的深度和时间特征，在此之间，GridLSTM层在其中，从而准确地预测了CDC中的工作量和资源。具有不同现实世界数据集的广泛实验证明，VSBG在预测准确性和收敛速度上的整体最新算法都优于整体。
UBC在IDPP：使用机器学习算法从传感器数据中预测患者自我评估 blgav：基于BERT和BILSTM笔记本PAN的生成AI作者验证模型，clef 2024 ds@gt clef2024 bionne竞赛工作说明 Bionne任务概述在Bioasq 2024 上的生物医学嵌套的nested nested nested。 生成的AI是否可以成为学术论文的审稿人？ Clef 2024 Joker任务2：根据类型和技术使用BERT和随机森林分类器进行幽默分类 bcav：基于BERT和CNN笔记本电脑的集成在Clef 2024 使用讽刺和讽刺来使HRI 中的不确定性 带有正则辍学的验证生成文本作者资格模型 对基于FPGA的优化和深度学习卷积神经网络的应用的应用 Digi-nose第2部分：使用传感器技术提高数字鼻系统的准确性和效率，以尽早发现森林变化 simpn：用于建模和模拟定时的彩色培养皿的Python库 引入BPMN-CHATBOT以进行有效的LLM工艺建模 根据AI Systems 在IT相关主题中检查学生作业的自动化 使用人工智能在教学学生编程语言中使用 利用多模式潜在扩散模型，用于行业的准确异常检测5.0 使用AI-ENHANCED ICT进行终身学习 朝着AI驱动的下一代个性化医疗保健和福祉 数字库的视觉导航
摘要在本文中，我们探讨了各种深度学习技术来开发机器学习模型，以预测患者的第二次自动评估的肌萎缩性侧面硬化功能评级量表（ALSFRS-R）得分，以预测肌萎缩性侧向硬化功能评级量表（ALSFRS-R）。要执行任务，使用自动编码器和多个插补技术来处理数据集中存在的缺失值。预先处理数据后，使用随机的森林算法进行特征选择，然后开发了4个深神经网络预测模型。使用多层感知器（MLP），Feed Hearver Near Network（FFNN），复发性神经网络（RNN）和Long-Short术语记忆（LSTM）开发了四个预测模型。However, the developed models performed poorly when compared to other models in the global ranking hence, 3 more algorithms (Random Forest, Gabbing Regressor and XGBoost algorithm) were used to improve the performance of the models and the developed XGBoost algorithm outperformed other models developed in this paper as it produces minimal MAE and RMSE values.