XiaoMi-AI文件搜索系统
World File Search SystemClassifier
IFC-BD：一种可解释的模糊分类器，用于提升……
摘要 — 在当前的数据科学应用中，行动的方向是使系统行为适应人类认知，从而产生了可解释人工智能这一新兴领域。在不同的分类范式中，基于模糊规则的分类范式是强调全局系统可解释性的合适解决方案。然而，在处理大数据分析时，它们可能包含过多的规则和/或语言标签，这不仅可能导致系统性能下降，还可能影响系统语义以及系统可解释性。在本文中，我们提出了 IFC-BD，一种用于大数据的可解释模糊分类器，旨在通过学习紧凑而准确的模糊模型来提升可解释性的范围。IFC-BD 是在基于单元的分布式框架中通过初始规则学习、规则泛化和启发式规则选择三个工作阶段开发的。整个过程允许从大量特定规则扩展到更少数量的更通用和更可信的规则。此外，为了解决可能出现的规则冲突，我们专门针对大数据问题提出了一种新的估计规则权重。我们将 IFC-BD 与模糊分类范式的最新方法进行了比较，考虑了可解释性、准确性和运行时间。实验结果表明，所提出的算法能够提高基于模糊规则的分类器的可解释性及其预测性能。
基于机器学习分类器的光伏阵列中的电故障分析和检测
摘要：由于其固有的优势，例如零污染，灵活性，可持续性和高可靠性，太阳能光伏发电引起了重大的兴趣。确保PV功率设施的有效运行在精确的故障检测中取决于。这不仅可以增强其可靠性和安全性，而且还可以优化利润并避免昂贵的维护。但是，使用通用保护设备的PV系统直流电（DC）侧的故障检测和分类带来了重大挑战。这项研究深入研究了对光伏（PV）阵列中复杂断层的探索和分析，尤其是那些表现出类似I-V曲线的阵列，这是PV故障诊断的重大挑战，在先前的研究中未充分解决。本文探讨了支持向量机（SVM）和极端梯度提升（XGBoost）的设计和实施，重点是它们有效地识别小型PV阵列中各种故障状态的能力。这项研究扩大了将优化算法的使用，特别是蜜蜂算法（BA）和粒子群优化（PSO），目的是提高基本SVM和XGBoost分类器的性能。优化过程涉及完善机器学习模型的超参数，以实现故障分类的卓越精度。发现蜜蜂算法的弹性和效率的有说服力的案例。使用用于优化SVM和XGBOOST分类器以检测PV阵列中的复杂故障时，蜜蜂算法显示出显着的精度。相比之下，使用PSO算法进行细调的分类器表现出相对较低的性能。这些发现强调了蜜蜂算法在光伏系统中故障检测中提高分类器准确性的潜力。
通过环境意识的关系分类器进行多对象操作的潜在空间计划
摘要 - 对象很少在日常的人类环境中孤立地坐着。如果我们希望机器人在人类环境中操作和执行任务，他们必须了解他们操纵的对象将如何与最简单的任务相互作用。因此，我们希望我们的机器人推理多个对象和环境元素如何相互关系，以及这些关系在机器人与世界互动时可能会发生变化。我们研究了以前看不见的对象和新颖的环境之间纯粹来自部分视图点云之间预测目标间和对象环境关系的问题。我们的方法使机器人能够计划和执行序列，以完成由逻辑关系定义的多对象操纵任务。这消除了提供明确的，连续的对象作为机器人目标的负担。我们为此任务探索了几种不同的神经网络体系结构。我们发现最佳性能模型是一个基于新颖的变压器神经网络，既可以预测对象环境关系，又可以学习潜在空间动力学功能。我们实现了可靠的SIM转移传输，而无需进行任何微调。我们的实验表明，我们的模型了解观察到的环境几何形状的变化如何与对象之间的语义关系有关。我们在网站上显示更多视频：https：//sites.google.com/view/erelationaldynamics。
量子技术变分量子分类器在农业中的应用，用于小麦品种分类
摘要。本研究提出使用变分量子分类器对小麦品种进行自动分类。在大型数据集上训练的模型将能够识别种子特征和品种成员之间的独特模式和关系。这将使农民和研究人员能够更准确地识别小麦品种，从而可以改善种植和作物管理过程。这种方法不仅符合优化农业生产的需要，而且符合使用先进技术实现农业部门精准和高效的背景。通过这项研究，预计小麦生产的质量和可持续性将得到改善，这对粮食安全和可持续农业发展至关重要。该问题的目标是根据种子特征对小麦品种进行分类。VQC 在训练数据集上进行训练，然后在测试数据集上进行评估。为了评估模型的性能，使用了各种指标，例如准确度、精确度、召回率、F1 分数和混淆矩阵。
在机器学习中使用天真的贝叶斯分类器算法的学生绩效预测
摘要 - 这项研究的重点是对基于机器学习原理的方法论平台的开发和分析，用于评估学习过程并增强学生的成绩。这项研究的目的是开发和测试一种根据天真的贝叶斯分类器评估学生学业表现的方法。此外，这项研究的目的是创建一种有效的工具，能够使用当代机器学习方法和技术来自动化和优化对教育绩效的评估。这项研究采用幼稚的贝叶斯分析技术来预测学生的成就，并在Python实施了算法。尽管强调了软件产品的开发，但该研究主要集中于该方法的开发和分析。我们的发现强调了这种方法的新颖性，该方法可以作为教育机构和教育工作者的宝贵工具。
AutoSourceId分类器 - 使用带有空间信息的卷积神经网络的星形 - 加拉克斯分类
1 Department of Astrophysics/IMAPP, Radboud University, PO Box 9010, 6500 GL Nijmegen, The Netherlands e-mail: f.stoppa@astro.ru.nl 2 Center for Astrophysics and Cosmology, University of Nova Gorica, Vipavska 13, 5000 Nova Gorica, Slovenia 3 High Energy Physics/IMAPP, Radboud University, PO Box 9010，6500 Gl Nijmegen，荷兰4 Nikhef，科学园，105，1098 XG阿姆斯特丹，荷兰5.荷兰太空研究所，索邦纳兰2，3584 Ca Utrecht，荷兰8荷兰8天文学研究所，库伊文氏库文氏库素，Celestijnenlaan 200d，3001比利时卢芬，比利时9号卢文9 Astronomy, University of Cape Town, Private Bag X3, Rondebosch 7701, South Africa 11 South African Astronomical Observatory, PO Box 9, Observatory, Cape Town 7935, South Africa 12 Dipartimento di Fisica, Universitá di Trieste, 34127 Trieste, Italy 13 Istituto Nazionale di Fisica Nucleare, Sezione di Trieste，34127意大利Trieste，14 Erlangen Astroparpicle Physics中心，Nikolaus-Fiebiger-STR。2，Erlangen 91058，德国
使用混合特征提取技术和集成的堆叠分类器
大脑计算界面（BCI）是一项导致神经疾病应用程序发展的技术。BCI建立了大脑与计算机系统之间的联系，主要集中于协助，增强或恢复人类的认知和感觉 - 运动功能。BCI技术使从人脑中获得脑电图（EEG）信号。这项研究集中于分析包括Wernicke和Broca领域在内的发音方面，以进行无声的语音识别。无声的语音界面（SSI）为依赖声信号的传统语音界面提供了一种替代方案。无声的语音是指在没有听觉和可理解的声学信号的情况下传达语音的过程。本研究的主要目的是提出用于音素分类的分类器模型。输入信号经过预处理，并使用传统方法（例如MEL频率CEPSTRUM系数（MFCC），MEL频率光谱系数（MFSC）和线性预测编码（LPC）进行特征提取。最佳功能的选择是基于对主题的分类精度，并使用集成堆栈分类器实现。集成的堆叠分类器优于其他传统分类器，在Karaone数据集中的思维和说话状态达到75％的平均准确性，在14个通道EEG EEG上的思维和说话状态的平均精度为84.2％和84.09％，用于IMIVENIDECENTECTIOM EEG（FEIS）。
使用非线性动态特征方法以及常规分类器
世界卫生组织（WHO）报告说，心血管疾病（CVD）和相关疾病在2015年在全球范围内造成1770万人死亡，占全球所有死亡率的31％[1]。几种技术可以诊断心脏病患者。可以使用许多复杂的治疗方法，但它们非常昂贵且笨拙，因此大多数人都无法使用它们。另一种CVD诊断方法是心脏听觉。通常使用听诊器检查患者，如果检测到异常，则可以将患者转介给心脏病专家。早期诊断出异常的心脏声音使医生可以采取纠正措施，以防止心血管干扰并治疗根本原因。Phoncardiogram（PCG）以图形方式表示声音。PCG信号可以诊断为心脏病和心血管系统的性能评估[2，3]。每个PCG都包含多个心脏周期，每个心脏循环均具有4个心脏声状态：S1，收缩，S2和舒张。这些声音是由每个心脏时期瓣膜关闭引起的，二尖瓣和三尖瓣在收缩前关闭，而舒张前的主动脉和肺瓣关闭。尽管它们的重要性，但心脏通常是
利用生成对抗网络增强脑电图可增强跨分类器和样本大小的大脑解码能力
脑电图 (EEG) 在大脑解码方面具有巨大潜力，由于需要大量数据，这一潜力尚未得到开发。机器学习的进步通过数据增强技术（如生成对抗网络 (GAN)）缓解了这种需求。在这里，我们评估了 GAN 可以在多大程度上增强 EEG 数据以提高分类性能。我们的目标是确定哪些分类器可以从 GAN 增强的 EEG 中受益，并估计样本量对 GAN 增强的影响。我们研究了三种分类器——神经网络、支持向量机和逻辑回归，涉及七种样本量，从 5 到 100 名参与者。GAN 增强的 EEG 增强了神经网络和支持向量机的分类能力，但没有增强逻辑回归。此外，随着样本量的增加，GAN 的增强效果会减弱——这表明它对小样本最有效，这可能有助于无法收集大量数据的研究。关键词：EEG、GAN、数据增强、神经网络、支持向量机、逻辑回归