XiaoMi-AI文件搜索系统
World File Search SystemEnsemble
使用集合机学习技术的糖尿病预测
D. Madhu Sudhana Rao，D。Sai。Sridhathri信息技术部，Vignan科学技术与研究基金会，印度Guntur，Madhudontha@gmail.com，sridhathri.1021@gmail.com摘要。 糖尿病最称为糖尿病是一种急性内分泌慢性疾病，这是许多人通过遗传性或从人类生活方式的趋势中的主要问题。 由于内分泌问题，它会提高体内的血糖。 血糖的这种增加不仅会影响其水平，甚至会导致许多与肾脏，肝功能，血压和眼睛损害相关的健康问题。 这在较小的年龄组中最常见，对于45岁以上的年龄组。 我国将近68％的人患有这些糖尿病患者。 当预测靠近水平时，可以避免或消除它。 在情况下，它被认为存在严重的问题，并且需要以任何代价控制它。 结合了计算机科学的技术，我们使用机器学习技术在早期阶段预测糖尿病，以更高的准确性。 在这里，我们使用不同的分类器，即k-nearest，幼稚的贝叶斯（NB），XG提升，决策树（DT）和随机森林（RF），并从提供的数据集中检测其准确性。 与其他不同技术相比，我们发现随机森林更适合于更高的精度计算。Sridhathri信息技术部，Vignan科学技术与研究基金会，印度Guntur，Madhudontha@gmail.com，sridhathri.1021@gmail.com摘要。糖尿病最称为糖尿病是一种急性内分泌慢性疾病，这是许多人通过遗传性或从人类生活方式的趋势中的主要问题。由于内分泌问题，它会提高体内的血糖。血糖的这种增加不仅会影响其水平，甚至会导致许多与肾脏，肝功能，血压和眼睛损害相关的健康问题。这在较小的年龄组中最常见，对于45岁以上的年龄组。我国将近68％的人患有这些糖尿病患者。当预测靠近水平时，可以避免或消除它。在情况下，它被认为存在严重的问题，并且需要以任何代价控制它。结合了计算机科学的技术，我们使用机器学习技术在早期阶段预测糖尿病，以更高的准确性。在这里，我们使用不同的分类器，即k-nearest，幼稚的贝叶斯（NB），XG提升，决策树（DT）和随机森林（RF），并从提供的数据集中检测其准确性。与其他不同技术相比，我们发现随机森林更适合于更高的精度计算。
使用集合机学习技术的糖尿病预测
D. Madhu Sudhana Rao，D。Sai。Sridhathri信息技术部，Vignan科学技术与研究基金会，印度Guntur，Madhudontha@gmail.com，sridhathri.1021@gmail.com摘要。 糖尿病最称为糖尿病是一种急性内分泌慢性疾病，这是许多人通过遗传性或从人类生活方式的趋势中的主要问题。 由于内分泌问题，它会提高体内的血糖。 血糖的这种增加不仅会影响其水平，甚至会导致许多与肾脏，肝功能，血压和眼睛损害相关的健康问题。 这在较小的年龄组中最常见，对于45岁以上的年龄组。 我国将近68％的人患有这些糖尿病患者。 当预测靠近水平时，可以避免或消除它。 在情况下，它被认为存在严重的问题，并且需要以任何代价控制它。 结合了计算机科学的技术，我们使用机器学习技术在早期阶段预测糖尿病，以更高的准确性。 在这里，我们使用不同的分类器，即k-nearest，幼稚的贝叶斯（NB），XG提升，决策树（DT）和随机森林（RF），并从提供的数据集中检测其准确性。 与其他不同技术相比，我们发现随机森林更适合于更高的精度计算。Sridhathri信息技术部，Vignan科学技术与研究基金会，印度Guntur，Madhudontha@gmail.com，sridhathri.1021@gmail.com摘要。糖尿病最称为糖尿病是一种急性内分泌慢性疾病，这是许多人通过遗传性或从人类生活方式的趋势中的主要问题。由于内分泌问题，它会提高体内的血糖。血糖的这种增加不仅会影响其水平，甚至会导致许多与肾脏，肝功能，血压和眼睛损害相关的健康问题。这在较小的年龄组中最常见，对于45岁以上的年龄组。我国将近68％的人患有这些糖尿病患者。当预测靠近水平时，可以避免或消除它。在情况下，它被认为存在严重的问题，并且需要以任何代价控制它。结合了计算机科学的技术，我们使用机器学习技术在早期阶段预测糖尿病，以更高的准确性。在这里，我们使用不同的分类器，即k-nearest，幼稚的贝叶斯（NB），XG提升，决策树（DT）和随机森林（RF），并从提供的数据集中检测其准确性。与其他不同技术相比，我们发现随机森林更适合于更高的精度计算。
基于多域特征和随机子空间集成的脑电信号分类
摘要 摘要 摘要：摘要：针对BCI系统中预处理特征提取和分类识别问题，提出一种基于多域特征随机子空间集成学习的运动想象脑电信号分类方法。在分析运动想象（MI）信号的ERD/ERS特征的基础上，提取效果最佳的时间和频段的多域特征作为特征向量，并自适应地选择带有交叉验证的随机子空间集成尺度，利用线性判别分析（LDA）分类器集成实现脑电信号分类。测试结果表明，多域特征和随机子空间集成的准确率可达90.71%，Kappa系数为0.63，优于比赛中第一名的算法，证明了该算法的有效性和先进性。
神经集合的编码和解码研究
在科学讨论中面对面交流的好处是显而易见的，面对面会议在我们领域的持续发展中发挥的作用也是显而易见的。对于我们所有人来说，我们的日常生活在办公室和远程工作之间来回切换，但作为科学家，尽管受到疫情的限制，我们还是找到了继续研究的方法。这是自病毒及其变种出现以来我们举办的第一次会议，迄今为止，它提交的研究是 AREADNE 会议上最令人兴奋的研究之一。我们，组织者，认为这一区别反映了我们作为一个领域的决心，即使在充满挑战的情况下也要找到有趣问题的答案。
黑人剧团
拟建的自由生活村包括一座设计精美的三层媒体技术中心 (MTC)、四层表演艺术教育中心 (PAEC) 和五层经济适用艺术家公寓 (AAA)，以及一座单层零售裙楼结构，将三座建筑在地面层连接起来并延伸至场地南端。裙楼结构包括 14,000 平方英尺的街道零售/餐饮空间，除其他零售用途外，还设有一间 3,700 平方英尺的餐厅和一间位于 Clark 和 Sunnyside 东南角的带露天遮盖座位的文学咖啡馆。裙楼屋顶将在二楼创造一个露台，为驻场艺术家、MTC 和 PAEC 用户以及当地社区提供户外绿地。MTC 将设有教室、编辑站、录音室、设备存储和租赁以及放映室。PAEC 将设有两个运动工作室、一个弹出式舞台、灵活的教室、厨房和员工休息室。 AAA 将容纳 13 套两居室公寓、37 套一居室公寓以及协作空间和居民休息室。该项目包括 92 个停车位，将为 Free to BE 村提供服务。
关于预测维护的特征选择的稳定性和均匀合奏：铣削中的刀具条件监视的分类应用
摘要：功能选择（FS）代表了许多基于机器学习的预测前维护（PDM）应用程序的重要步骤，包括各种工业流程，组件和监视任务。所选功能不仅是学习模型的输入，而且还可以影响进一步的决策和分析，例如，PDM系统的传感器选择和可理解性。因此，在部署PDM系统之前，至关重要的是检查输入数据中所选特征的可重复性和鲁棒性。这对于具有较低样本比率比（SDR）的现实世界数据集特别重要。然而，据我们所知，在PDM的领域尚未考虑FS方法在数据变化下的稳定性。本文通过铣削中的工具状况监测来解决此问题，其中采用了基于支持向量机和随机森林的分类器。我们使用五倍的交叉验证来评估三种流行的基于滤波器的FS方法，即Fisher评分，最小冗余最大相关性（MRMR）和RERIEFF，以稳定性和宏F1表示。此外，对于每种方法，我们研究了同质FS集合对两个性能指标的影响。为了获得广泛的见解，我们使用了从我们的实验和NASA的存储库中获得的四个（2：2）的铣削数据集，它们在操作条件，传感器，SDR，类等方面有所不同。对于每个数据集，对两个单独的传感器及其融合进行了研究。（2）在大多数情况下，Fisher得分（单和/或合奏）优越。在结论中：（1）不同的FS方法可以产生可比的宏F1，但FS稳定性值大为不同。（3）MRMR的稳定性总体上是不同设置（例如传感器，子集基数）的最低，最大的稳定性，并且是从整体中最有益的一种。
评估在加利福尼亚州年度草原的牧场植物生产上的多模型合奏季节性气候预测
1生态学家，Red Rock Resources，LLC，Miles City，Miles City，MT 59301，美国2植物生理学家，美国农业部（USDA） - 农业研究服务（ARS），西北流域研究中心，Boise，ID 83702，美国ID 83702 93407，美国4顾问，UC合作扩展牲畜，范围和自然资源，Stanislaus和San Joaquin县；加利福尼亚大学，莫德斯托，美国加利福尼亚州95358，美国5复杂系统系，加利福尼亚大学，默塞德分校，CA 95343，美国6塞拉利昂内华达州内华达州研究所，加利福尼亚州塞拉加州，加利福尼亚大学，默塞德大学，加利福尼亚大学95343，美国7生态学家，美国农业部（USDA） - 农业研究人员和美国范围内的工厂，或9. USAD SECTING 7
住宅太阳能电池能源管理的集成非线性模型预测控制
摘要 — 在动态配电市场环境中，拥有太阳能发电和电池储能设备的住宅产消者可以通过电力交换灵活地与电网互动。提供这种双向电力调度的时间表可以方便电网运营商进行运营规划，并通过一些经济激励为产消者带来额外好处。然而，实现这种双赢局面的主要障碍是难以 1) 预测未知运行条件下电池退化的非线性行为和 2) 以计算可行的方式解决高度不确定的发电/负载模式。因此，本文为配备屋顶太阳能光伏板和家用电池的住宅产消者建立了一个强大的短期调度框架。目标是在具有规定调度规则的动态配电能源市场环境下实现最低成本运行。提出了一个一般的非线性优化问题，其中考虑了由于电力交易、电池退化和各种运行约束而导致的运营成本。使用所提出的基于集成非线性模型预测控制的经济调度策略实时解决优化问题，尽管本地数据有限，但预测中的不确定性已得到充分解决。所提出的算法的有效性已使用真实世界的产消者数据集得到验证。
使用2D EEG图像
摘要：当人们的期望与实际结果不一致时，就会发生与错误相关的电位（ERRP）。当人类与BCI相互作用时，准确检测ERRP是改善这些BCI系统的关键。在本文中，我们提出了一种使用2D卷积神经网络的多通道方法，用于错误相关的潜在检测。多个通道分类器已集成以做出最终决策。特别是，来自前扣带回皮层（ACC）的每个1D EEG信号都转化为2D波形图像。然后，提出了一个名为基于注意力的卷积神经网络（AT-CNN）的模型来对其进行分类。此外，我们提出了一种多通道集合方法，以有效整合每个通道分类器的决策。我们提出的整体方法可以学习每个通道和标签之间的非线性关系，该方法比大多数投票集合方法获得了5.27％的精度。我们进行了一个新的实验，并在监视错误相关的潜在数据集和数据集上验证了我们提出的方法。使用本文提出的方法，准确性，灵敏度和特定的林为86.46％，72.46％和90.17％。结果表明，本文提出的AT-CNNS-2D可以有效地提高ERRP分类的准确性，并为研究ERRP脑分配器界面的分类提供了新的想法。
基于脑解剖磁共振成像的阿尔茨海默病诊断分类集成模型
摘要：阿尔茨海默病是全球范围内发病率增长最快的疾病之一，会导致脑萎缩。神经影像学揭示了有关大脑解剖结构的大量信息，并能够识别诊断特征。神经影像学中的人工智能 (AI) 有可能显著增强阿尔茨海默病 (AD) 的治疗过程。本研究的目的有两个：(1) 比较现有的机器学习 (ML) 算法对 AD 的分类。(2) 提出一个有效的基于集成的模型并对其进行比较分析。在本研究中，利用在线存储库阿尔茨海默病神经影像学计划 (ADNI) 的数据进行实验，其中包括 2125 张阿尔茨海默病 (n = 975)、轻度认知障碍 (n = 538) 和认知正常 (n = 612) 的神经影像。对于分类，该框架结合了决策树 (DT)、随机森林 (RF)、朴素贝叶斯 (NB) 和 K 最近邻 (K-NN)，以及支持向量机 (SVM) 的一些变体，例如 SVM（RBF 核）、SVM（多项式核）和 SVM（Sigmoid 核），以及梯度提升 (GB)、极端梯度提升 (XGB) 和多层感知器神经网络 (MLP-NN)。之后，提出了一种基于集成的通用内核，其中结合了主从架构以获得更好的性能。所提出的模型是极端梯度提升、决策树和 SVM_Polynomial 核（XGB + DT + SVM）的集成。最后，使用统计技术以及其他 ML 模型进行交叉验证来评估所提出的方法。所提出的集成模型 (XGB + DT + SVM) 的表现优于现有的最先进算法，准确率为 89.77%。所有模型的效率都使用基于网格的调整进行了优化，经过此过程获得的结果显示出显着的改善。具有优化参数的 XGB + DT + SVM 的表现优于所有其他模型，效率为 95.75%。所提出的基于集成的学习方法的含义清楚地表明了与其他 ML 模型相比的最佳结果。这种实验比较分析提高了对上述方法的理解，并增强了它们在阿尔茨海默病早期检测中的范围和意义。