XiaoMi-AI文件搜索系统
World File Search SystemCNN
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。
基于深度 CNN 的脑部 MRI 图像分类用于阿尔茨海默病诊断
摘要：阿尔茨海默病是全球痴呆症的主要病因，影响着数百万人，他们的日常活动、交流甚至人脸识别能力逐渐受损。虽然狼疮的病因尚不完全清楚，但它可能反映了生活方式的选择和环境因素以及遗传倾向。诊断这些疾病的最大障碍是它们通常早期表现不明显，而且缺乏灵敏的检测范例。深度学习算法在几年前首次出现在医学成像的前沿，并被誉为复杂的诊断辅助工具，能够在扫描中发现通常隐藏在人眼中的细微迹象。我们受益于使用这些最先进的算法来改善阿尔茨海默病的检测，其中当今最大的 MRI 数据集之一（超过 86,000 张图像）被用于训练我们的模型。鉴于这个庞大的数据集，它被明显地结合成一个以准确为中心的诊断工具。我们的新型深度学习模型性能强大，并提供了最先进的验证准确率（99.63%），超越了现有模型。这些数据凸显了我们的模型作为检测早期阿尔茨海默病的可验证方法的巨大前景——阿尔茨海默病是控制和管理疾病进展的一个重要问题。通过采用尖端的深度学习技术，我们的研究确实是阿尔茨海默病诊断领域的一大进步。早期诊断可以更好地治疗并减轻疾病负担，从而可以预防发病率、死亡率，甚至改变许多患者的治疗结果。这是在人工智能的帮助下诊断阿尔茨海默病的一大进步，并有望更准确、更及时地发现。
一种可解释的 CNN-Transformer，用于使用 ECG 诊断儿童睡眠呼吸暂停
摘要 — 儿童阻塞性睡眠呼吸暂停 (OSA) 是一种常见的呼吸系统疾病，与心血管风险增加有关。标准诊断是多导睡眠图，但其复杂性、成本和不便性导致诊断不足。为了解决这种情况，我们首次提出了一种简化的替代方法，使用夜间心电图 (ECG) 和基于卷积神经网络和变压器网络的混合模型来估计儿童 OSA 的严重程度。此外，提出了梯度加权类激活映射 (GradCAM) 方法来解释模型结果。为了开展这项研究，使用了来自儿童腺样体扁桃体切除术试验 (CHAT) 和芝加哥大学 (UofC) 数据库的 2,591 条记录。该模型在 CHAT 中实现了 4 类 Cohen's Kappa 0.392，在 UofC 中实现了 0.346。 GradCAM 突出显示了心动过缓-心动过速模式、PQ 和 QT 段以及已识别的 U 波。因此，这种方法可以改善儿童 OSA 的诊断并提供新的相关心脏信息，从而鼓励在临床环境中采用自动化系统。
MOCNN：一种用于
摘要 事件相关电位（ERP）反映了大脑对外部事件作出反应的神经生理变化，其背后的复杂时空特征信息受大脑内持续的振荡活动支配。深度学习方法以其出色的特征表示能力越来越多地被用于基于ERP的脑机接口（BCI），可以深入分析大脑内的振荡活动。时空频率较高的特征通常表示详细和局部的信息，而时空频率较低的特征通常表示全局结构。从多个时空频率中挖掘脑电特征有利于获得更多的判别性信息。本文提出了一种多尺度特征融合八度卷积神经网络（MOCNN）。MOCNN将ERP信号分为对应于不同分辨率的高频、中频和低频分量，并在不同的分支中进行处理。通过添加中频和低频分量，可以丰富MOCNN使用的特征信息，并减少所需的计算量。 MOCNN 在使用时间和空间卷积进行连续特征映射后，通过分支间特征信息交换实现不同组件间的交互式学习。将融合的深度时空特征从各个组件输入到全连接层，实现分类。在两个公共数据集和一个自采集的 ERP 数据集上获得的结果表明，MOCNN 可以实现最佳的 ERP 分类性能。本研究将广义的八度卷积概念引入到 ERP-BCI 研究领域，通过分支宽度优化和各个尺度上的信息交互，可以从多尺度网络中提取有效的时空特征。索引词——脑机接口、事件相关电位、深度学习、多尺度、八度卷积神经网络。
生成的AI是否可以成为学术论文的审稿人？
摘要随着大型语言模型（LLM）继续以惊人的速度前进并越来越广泛地采用，人们越来越难以辨别给定文本是由人类还是机器编写的。作者身份验证已成为一项至关重要且具有挑战性的任务。本文采用了一种文本分类模型，该模型结合了BERT和卷积神经网络（CNN），以利用Bert强大的上下文理解能力和CNN有效的本地功能提取能力来增强文本分类性能。CNN的引入有效地弥补了Bert在短语级别提取特征的缺点，尤其是在捕获文本中的本地特征（例如捕获N-gram特征）时。实验结果表明，我们的方法的表现高于基线模型，在ROC-AUC度量中提高了高达6％，平均度量指标近3％。因此，我们验证了这种方法的有效性。
采用轻量级 CNN 进行人工智能疾病预测的医疗保健系统
在现代全球卫生领域，慢性病，特别是影响大脑和肝脏的慢性病，已成为世界各国面临的主要挑战。世界卫生组织 (WHO) 强调慢性病的日益流行，并指出其影响超过了感染和其他传统健康问题 [1,2]。脑部疾病包括从阿尔茨海默氏症等神经退行性疾病到脑瘤的一系列疾病，肝部疾病则包括从肝硬化到肝炎的多种疾病。这些疾病对个人、家庭和社会产生深远影响，是全球发病率和死亡率的重要原因，每年有数百万人受到其严重后果的影响。预测影响大脑和肝脏等慢性病的复杂性在于影响因素众多，从遗传易感性到环境暴露 [3,4]。早期发现对于管理和潜在缓解这些疾病至关重要，但由于早期症状不明显且往往具有误导性，因此仍然具有挑战性。例如，肝病的早期症状可能表现为单纯的疲劳或轻微的腹部不适，很容易与不太严重的疾病混淆。同样，脑部疾病的早期指标也可能被误认为是正常衰老。物联网（IoT）的出现——一项变革性的技术创新——有望重新定义医疗服务。物联网包含一个庞大的互联设备网络，这些设备无需人工干预即可收集、传输和分析数据，从而开启了医疗诊断和患者护理的新时代 [ 5 , 6 ]。
使用正规化多重卷积神经网络（RMCNN）的服装图像分类模型 * 1 Shuwa Ayongo，1 Muhammad Abdullahi，1 Nustap
1 ZARIA AHMADU BELLO大学计算机科学系2计算机科学系，联邦教育学院，Zaria *通讯作者电子邮件地址：shuwajunior@gmail.com摘要在过去几十年中，机器逐渐接管了人类的日常活动，例如在线购物和服装。 必须开发人工智能技术，以帮助人们相应地检测和对服装设计进行分类。 早期解决服装图像分类问题的努力需要仔细选择和从服装图像数据集中提取某些功能，以使数据集的功能高度表示。 但是，这些方法在定义和捕获广泛的图像特征方面很难。 研究表明，卷积神经网络（CNN）模型可以比传统的机器学习（ML）方法更好地解决图像分类问题。 但是，他们面临着诸如过度拟合，高参数调整，嘈杂数据和培训数据不足之类的问题。 这项工作解决了过度拟合的问题，该问题降低了服装图像分类模型的分类/概括性能。 我们提出了四（4）个CNN模型，其中将称为辍学的正则化方法添加到每个层以处理过度的问题。 在四个模型中以最佳结果作为拟议模型采用了最佳结果。 与使用相同数据集和最先进的建筑设计训练的其他模型记录的结果相比，准确性提高了1.77％。 这是一个1 ZARIA AHMADU BELLO大学计算机科学系2计算机科学系，联邦教育学院，Zaria *通讯作者电子邮件地址：shuwajunior@gmail.com摘要在过去几十年中，机器逐渐接管了人类的日常活动，例如在线购物和服装。必须开发人工智能技术，以帮助人们相应地检测和对服装设计进行分类。早期解决服装图像分类问题的努力需要仔细选择和从服装图像数据集中提取某些功能，以使数据集的功能高度表示。但是，这些方法在定义和捕获广泛的图像特征方面很难。研究表明，卷积神经网络（CNN）模型可以比传统的机器学习（ML）方法更好地解决图像分类问题。但是，他们面临着诸如过度拟合，高参数调整，嘈杂数据和培训数据不足之类的问题。这项工作解决了过度拟合的问题，该问题降低了服装图像分类模型的分类/概括性能。我们提出了四（4）个CNN模型，其中将称为辍学的正则化方法添加到每个层以处理过度的问题。在四个模型中以最佳结果作为拟议模型采用了最佳结果。与使用相同数据集和最先进的建筑设计训练的其他模型记录的结果相比，准确性提高了1.77％。这是一个关键字：正规化，神经网络，分类，人工智能，计算机视觉，过度拟合，辍学的介绍在过去几十年中，机器正在逐渐接管人类的日常活动，例如在线购物和衣服操纵。在线购物和衣服操纵需要某些功能，例如颜色，设计和衣服的形状，以便能够相应地识别和分组它们。必须开发人工智能技术，可以适当地检测和对服装设计进行分类，以使机器执行在线购买的任务，并帮助他们有效地决定人类的衣服类型。这可以帮助用户更好地了解产品，并吸引来自不同位置的更多客户，从而提高销售额。对客户的口味，文化和社会经济地位的更深入了解也可以通过这种信息来帮助（Henrique等，2021）。服装时装设计的分类属于称为图像分类的计算机视觉中更广泛的群体。将对象分类为各种类别的任务可以被视为人类简单的任务，但对于机器来说是复杂的。
结合CNN和LSTM
摘要 - 股票市场预测是金融内部极具吸引力和流行的领域，这是由于由于数据非线性和复杂的经济原则而产生的大量利润的潜力。从交易数据中提取功能在该领域至关重要，并且已经制定了许多策略。其中，由于其强大的数据处理能力，深度学习在财务应用中取得了令人印象深刻的成果。在我们的研究中，我们提出了一个混合深度学习模型CNN-LSTM，该模型结合了2D卷积神经网络（CNN），用于图像处理与长期短期记忆（LSTM）网络，用于管理图像序列和分类。，我们将21个技术指标的前15个从财务时间序列转换为15x15图像，在21个不同的日期中。然后将每个图像分为卖出，持有或根据交易数据进行分类。我们的模型表明，股票预测的表现优于其他深度学习模型。
基于AI的两流基于CNN的手势识别SY
手势，一种非语言交流的形式，涵盖了可见的身体动作，例如手动运动，面部表情或其他身体部位，以传达特定的信息，无论是或旁边还是语音。与不传达特定信息的非语言提示不同，手势可以传达广泛的情感和思想，例如批准，感情，蔑视或敌意，并且经常与口头语言一起使用以增强意义。某些手势，尤其是手势，可以像言语一样行事，在文化中具有固定的含义，但在不同文化中，甚至在同一文化中的子社区中都有很大变化。这种文化特殊性使得对手势的分类充满挑战，尤其是随着时间的流逝，例如从模仿传统手机到平坦手掌表示智能手机的“呼叫我”手势的转变。传统的用于控制PowerPoint演示文稿的系统，例如键盘，鼠标和演示文稿单击器，表现出明显的限制。这些设备要求主持人保持靠近演示设备，限制他们的运动，并且由于需要手动操作控制设备，因此通常会中断与观众的互动。此外，这些方法可能不精确，并且可能遭受滞后或错过的命令。现有的手势识别算法也因准确性，实时性能和对各种环境的适应性而挣扎。这些问题强调了一种更直观和免提的解决方案的必要性，该解决方案利用了AI和深度学习等先进技术来改善演示控制。人工智能（AI）涵盖了模仿人类认知功能（例如解决问题和学习）的系统，以及在面部和语音识别，决策和翻译等领域的应用。机器学习（AI的子集）涉及通过经验改善的算法。深度学习是机器学习中的一个专业领域，它使用具有多层的神经网络以受人脑启发的方式处理数据，从而识别图像，文本和声音中的复杂模式。卷积神经网络（CNNS）是一种深度学习模型，在分析视觉数据，通过卷积和合并层从数据中学习特征的能力来区分自己。在视频分析的上下文中，两流网络体系结构用于捕获空间和时间组件。这涉及通过单独的卷积神经网络（Convnet）流进行处理静止的框架和光流信息，然后通过晚期融合技术组合。空间流提取有关场景和对象的信息，而时间流则通过光流动位移捕获运动信息。此体系结构增强了识别
基于相锁的值函数连接矩阵和CNN-LSTM
摘要：为了有效地检测由虚拟现实环境引起的运动疾病，我们开发了一种专门设计用于视觉诱导的运动疾病的分类模型，采用了相位锁定值（PLV）功能连接矩阵和CNN-LSTM架构。该模型解决了传统机器学习算法的缺点，尤其是它们在处理非线性数据方面的功能有限。我们使用来自25名参与者的EEG数据构建了基于PLV的功能连接矩阵和网络拓扑图。我们的分析表明，视觉诱发的运动疾病显着改变了脑电图中的同步模式，尤其是影响额叶和颞叶。功能连接矩阵用作我们的CNN-LSTM模型的输入，该模型用于对视觉诱导的运动疾病的状态进行分类。该模型表现出优于其他方法的优越性能，从而达到了伽马频带中最高的分类精度。具体来说，二进制分类的最高平均准确度为99.56％，三元分类达到86.94％。这些结果强调了该模型的分类有效性和稳定性，使其成为帮助诊断运动疾病的宝贵工具。