XiaoMi-AI文件搜索系统
World File Search SystemChoquet
应用于癫痫发作识别的数据融合方法的性能分析
癫痫是一种由无诱因反复发作引起的慢性神经系统疾病。诊断癫痫最常用的工具是脑电图 (EEG)，通过脑电图可以测量大脑的电活动。为了预防潜在风险，必须对患者进行监测，以便尽早发现癫痫发作并采取预防措施。许多不同的研究都结合了时间和频率特征来自动识别癫痫发作。本文比较了两种融合方法。第一种基于集成方法，第二种使用 Choquet 模糊积分方法。具体来说，三种不同的机器学习方法，即 RNN、ML 和 DNN，被用作集成方法和 Choquet 模糊积分融合方法的输入。比较了混淆矩阵、AUC 和准确度等评估指标，并提供了 MSE 和 RMSE。结果表明，Choquet模糊积分融合方法优于集成方法以及其他最先进的分类方法。
在分类问题中应用D-XCHOQUET积分
摘要 - 基于模糊规则的分类系统（FRBCS）的模糊推理方法（FRM）已应用Choquet积分的几个概括，以提高其性能。为了实现这一目标，研究人员通过限制在其结构中使用的功能的要求并放松积分的单调性，从而搜索了新的方法，以提供更大的概括性。这种情况是CT综合，CC综合，CF综合，CF1F2综合和DCF综合性，在分类算法中获得了良好的性能，更具体地说，是在基于Fuzzy关联的高维问题（FARC-HD）的基于Fuzzy Cosisize的分类方法（FARC-HD）。此后，随着Choquet积分基于限制差异函数（RDF）的引入，代替标准差异，可以做出新的概括：D-XCHOQUET（D-XC）积分，这些积分是有序的方向增强功能，并且根据采用的RDF，也可能是一种预处理的功能。这些积分被应用于多标准决策问题以及电动机脑脑电脑接口框架中。在本文中，我们基于D-XC积分家族引入了一个新的FRM，并通过将其应用于文献中的33个不同数据集来分析其性能。索引术语 - D-XCHOQUET积分，预处理功能，OD增强功能，基于模糊规则的分类系统
使用信号推导和聚合功能的基于电动机的大脑计算机接口
摘要 - 大脑计算机接口（BCI）技术是人脑和外部设备之间通信的流行方法。BCI最受欢迎的方法之一是运动图像（MI）。在BCI应用中，电型图（EEG）是对脑动力学的非常流行的测量，因为其无创性质。尽管对BCI主题具有很高的兴趣，但由于在EEG信号中执行模式识别任务的困难，现有系统的性能仍然远非理想。这种困难在于选择正确的脑电图通道，这些信号的信号噪声比以及如何辨别它们之间的冗余信息。BCI系统由多种组件组成，这些组件可以执行信号预处理，特征提取和决策。在本文中，我们定义了一个新的BCI框架，称为增强的融合框架，我们提出了三种不同的想法来改善现有的基于MI的BCI框架。首先，我们包括信号的附加预处理步骤：EEG信号的差异化，使其具有时间不变。其次，我们添加了一个额外的频带作为系统的特征：感觉运动节奏频段，并显示了它对系统性能的影响。最后，我们对如何在系统中做出最终决定做出了深入的研究。我们提出了多达六种类型的不同分类器和广泛的聚合函数（包括经典聚合，Choquet和Sugeno积分及其扩展和重叠函数）的用法来融合所考虑的分类器给出的信息。我们已经在20名志愿者的数据集上测试了这一新系统，该数据集执行基于运动图像的脑部计算机接口实验。在此数据集上，新系统达到了88。精度的80％。我们还提出了一个最高可获得90％占76％的系统的优化版本。此外，我们发现这对choquet/sugeno积分和重叠功能是提供最佳结果的功能。
根据前景理论评估物流企业的安全标准化绩效的框架
为了评估物流安全标准系统的性能，我们提出了一个基于绩效评估理论的评估框架。首先，我们构建物流企业安全标准系统的绩效评估指标。它基于现有的绩效评估指标，并与物流安全标准系统的施工目标相结合。第二，我们结合了三角模糊的数量和前景理论，以根据绩效评估指标的特征来确定指标状态。然后，我们使用Choquet积分，模糊方法和Shapley Value方法来评估信息，以考虑指标的相互作用。第三，我们使用熵和模糊分析层次结构过程来确定专家的体重。汇总了物流企业安全标准系统的绩效评估信息以获得评估结果。最后，提出的框架通过示例分析验证。结果表明，所提出的框架可用于评估物流企业安全标准系统的性能。
安德烈亚·帕塞里尼
1. Asnicar, F.、AM Thomas、A. Passerini、L. Waldron 和 N. Segata (2024)。面向微生物学家的机器学习。《自然微生物学评论》22 (4)，191–205。2. Bronzini, M.、C. Nicolini、B. Lepri 等人 (2024)。闪光还是金子？通过大型语言模型从可持续发展报告中获得结构化见解。《EPJ 数据科学》13，41。3. Longa, A.、G. Cencetti、S. Lehmann、A. Passerini 和 B. Lepri (2024)。生成细粒度代理时间网络。《通信物理学》7 (22)。4. Robbi, E.、M. Bronzini、P. Viappiani 和 A. Passerini (2024)。使用偏好引出和 Choquet 积分进行个性化捆绑推荐。 Frontiers in Artificial Intelligence 7 , 1346684. 5. Spallitta, G.、G. Masina、P. Morettin、A. Passerini 和 R. Sebastiani (2024)。通过结构感知增强基于 SMT 的加权模型集成。人工智能 328 , 104067。6. Toni, GD、P. Viappiani、S. Teso、B. Lepri 和 A. Passerini (2024)。具有偏好引出的个性化算法资源。机器学习研究汇刊。
数学研讨会 div>
1。L. Lovasz 2。P. Erdos 3。A. Tijdeman 4。A.促销5。F.长期6。H. Bauer 7。V. V. V. 8。B. Corps 9。J.种子10。V. G. CAC 11。Q.选择12。D. J.A. Welsh 13。J. G. Thompson 14。 H.口语15。 S.库克16。 K. Mehlhorn 17。 S. Todorcevic 18。 J. J. Kohn19。 C. Thomassen 20。 A. Borel 21。 N. Alon 22。 输入几个变量，1996年3月15日26。 Peter J. Cameron-免费套装，1996年5月28日27。 M. Laczcovich 28。 浏览Mandelbrot-免费套装，1996年11月21日29。 David Preissa Jan Nekovar 1997J. G. Thompson 14。H.口语15。S.库克16。K. Mehlhorn 17。S. Todorcevic 18。J. J. Kohn19。C. Thomassen 20。A. Borel 21。N. Alon 22。输入几个变量，1996年3月15日26。Peter J. Cameron-免费套装，1996年5月28日27。M. Laczcovich 28。浏览Mandelbrot-免费套装，1996年11月21日29。David Preissa Jan Nekovar 1997David PreissaJan Nekovar 1997Jan Nekovar1997