XiaoMi-AI文件搜索系统
World File Search SystemFFNN
数据驱动的金属添加剂制造过程中温度演变的预测
aabstr abtract Act ..在这项研究中，开发了一种数据驱动的深度学习模型，以快速准确预测温度演化和金属添加剂制造过程的熔融池尺寸。该研究的重点是通过直接能量沉积制造的M4高速钢材料粉末的批量实验。在非优化过程参数下，许多沉积层（以上30）通过由覆层材料对热史的高灵敏度引起的样品深度产生了巨大的微观结构变化。在先前的研究中通过实验测量验证的批量样本的2D有限元分析（FEA）能够实现定义在不同过程设置下温度场进化的数值数据。训练了馈送前向神经网络（FFNN）方法，以重现由FEA产生的温度场。因此，训练有素的FFNN用于预测初始数据集中未包含的新过程参数集的温度字段历史记录。除了输入能量，节点坐标和时间外，还认为五个相关的层数，激光位置以及从激光到采样点的距离可提高预测准确性。结果表明，FFNN可以很好地预测温度演化，在12秒内精度为99％。
可再生能源
采用由可再生能源提供支持的能源系统需要大量的经济投资。因此，选择适当大小的系统组件成为一个关键步骤，这受到其独特特征的显着影响。此外，可再生能源的可用性会随着时间而变化，并且估计可用性会引入相当大的不确定性。在本文中，我们提出了一种用于混合能源系统最佳设计的技术，该技术解释了与资源估计相关的不确定性。我们的方法基于随机编程理论，并采用替代模型使用前馈神经网络（FFNN）估算电池寿命。使用遗传算法（GA）和Poplar优化算法（POA）进行了系统设计的优化分析。我们通过假设的案例研究评估了所提出的技术的有效性。基于FFNN的替代模型的引入导致成本估算的近似误差为9.6％，电池寿命估计的近似值为20.6％。概率设计表明，能源系统成本比使用确定性方法获得的成本高25.7％。GA和POA都达到了可能代表全局最佳最佳的解决方案。
基于脑电图的运动想象分类的深度学习
由于记录过程繁琐，脑电图 (EEG) 数据集通常较小且维数较高。在这种情况下，强大的机器学习技术对于处理大量信息和克服维数灾难至关重要。人工神经网络 (ANN) 在基于 EEG 的脑机接口 (BCI) 应用中取得了良好的效果，但它们涉及计算密集型的训练算法和超参数优化方法。因此，虽然质量与成本之间的权衡通常被忽视，但意识到这一点却大有裨益。在本文中，我们将基于遗传算法的超参数优化程序应用于卷积神经网络 (CNN)、前馈神经网络 (FFNN) 和循环神经网络 (RNN)，所有这些网络都是故意浅显的。我们比较了它们的相对质量和能量时间成本，但我们也分析了具有相似精度的同类型网络的结构复杂性的变化。实验结果表明，优化过程提高了所有模型的准确率，并且只有一个隐藏卷积层的 CNN 模型可以与 6 层深度信念网络相等或略胜一筹。FFNN 和 RNN 无法达到相同的质量，尽管成本明显较低。结果还强调了这样一个事实，即同一类型网络的大小不一定与准确率相关，因为较小的模型在性能上可以匹敌甚至超越较大的模型。在这方面，过度拟合可能是一个促成因素，因为深度学习方法在有限的训练示例下会遇到困难。
用于诊断糖尿病性视网膜病变发育阶段诊断的混合方法
摘要：糖尿病性视网膜病（DR）是糖尿病的并发症，会损害视网膜细腻的血管并导致失明。眼科医生通过对眼底进行成像来诊断视网膜。该过程需要很长时间，需要熟练的医生来诊断和确定DR的阶段。因此，使用人工智能的自动技术在分析底眼图像以检测DR开发阶段的过程中起着重要作用。但是，使用人工智能技术的诊断是一项困难的任务，并且经过许多阶段，而提取代表性特征对于达到令人满意的结果很重要。卷积神经网络（CNN）模型在高精度提取特征中起着重要而独特的作用。在这项研究中，使用两种建议的方法，将眼底图像用于检测DR的发育阶段，每个方法都有两个系统。第一个提出的方法将Googlenet与SVM和RESNET-18一起使用SVM。第二种方法基于使用GoogLenet，模糊颜色直方图（FCH），灰度级别共发生矩阵（GLCM）和局部二进制图案（LBP）提取的杂种特征，使用前馈神经网络（FFNN）；然后是RESNET-18，FCH，GLCM和LBP。所有提出的方法获得了较高的结果。具有RESNET-18，FCH，GLCM和LBP的混合特征的FFNN网络获得了99.7％的精度，精度为99.6％，敏感性为99.6％，特异性100％和99.86％的AUC。
基于脑电图的运动想象分类的深度学习
由于记录过程繁琐，脑电图 (EEG) 数据集通常较小且维数较高。在这种情况下，强大的机器学习技术对于处理大量信息和克服维数灾难至关重要。人工神经网络 (ANN) 在基于 EEG 的脑机接口 (BCI) 应用中取得了良好的效果，但它们涉及计算密集型的训练算法和超参数优化方法。因此，虽然质量与成本之间的权衡通常被忽视，但意识到这一点却大有裨益。在本文中，我们将基于遗传算法的超参数优化程序应用于卷积神经网络 (CNN)、前馈神经网络 (FFNN) 和循环神经网络 (RNN)，所有这些网络都是故意浅显的。我们比较了它们的相对质量和能量时间成本，但我们也分析了具有相似精度的同类型网络的结构复杂性的变化。实验结果表明，优化过程提高了所有模型的准确率，并且只有一个隐藏卷积层的 CNN 模型可以与 6 层深度信念网络相等或略胜一筹。FFNN 和 RNN 无法达到相同的质量，尽管成本明显较低。结果还强调了这样一个事实，即同一类型网络的大小不一定与准确率相关，因为较小的模型在性能上可以匹敌甚至超越较大的模型。在这方面，过度拟合可能是一个促成因素，因为深度学习方法在有限的训练示例下会遇到困难。
![arxiv：2402.00653v1 [Quant-ph] 2024年2月1日](/simg/d\dae74df0f23b071dace10984413bd1a300023795.webp)
arxiv：2402.00653v1 [Quant-ph] 2024年2月1日
量子机学习，专注于量子神经网络（QNN），仍然是一个非常未知的研究领域。当前的QNN模型主要在ANSATZ或量子特征图上采用各种电路，通常需要多个纠缠层。这种方法不仅将电路的计算成本提高到了近期量子设备上的实用性，而且鉴于它们与典型的进发神经网络（FFNN）的结构的差异，还将这些模型标记为神经网络。此外，这些模型的电路深度和量子需求随数据功能的数量而缩小较大，从而导致对现实世界机器学习任务的效率挑战。我们引入了一个真正的QNN模型，该模型与传统FFNN的多功能性无缝地与其适应性的中间层和节点的多功能性保持一致，而中间测量不存在，因此我们的整个模型都是相干的。该模型以其减少的电路深度和所需的C-Not门的数量而脱颖而出，以超过盛行的QNN模型。此外，我们的模型中的Qubit计数仍然不受数据特征数量的影响。我们在各种基准测试数据集（例如诊断乳腺癌（威斯康星州）和信用卡欺诈检测数据集）上测试了我们提出的模型。我们将模型的结果与现有的QNN方法进行比较，以展示我们方法的有利功效，即使对量子资源的要求减少了。我们的模型为将量子神经网络应用于真正相关的机器学习问题铺平了道路。
使用优化的量子神经网络对脑电图信号进行分类
近年来，机器学习的算法被用于脑信号识别，作为诊断阿尔茨海默氏病和癫痫等疾病的有用技术。在本文中，脑电图（EEG）信号在标准化这些信号后使用优化的量子神经网络（QNN）进行分类。将小波变换（WT）和独立组件分析（ICA）用于特征提取。这些算法用于降低数据的尺寸，这是对优化QNN的输入，目的是在特征提取过程后执行分类过程。这项研究使用了优化的QNN，一种馈电神经网络（FFNN）的形式，以识别脑电图信号。使用粒子群优化（PSO）算法来优化量子神经网络，从而改善了系统性能的训练过程。优化的QNN为我们提供了更快，更现实的结果。根据模拟结果，ICA的总分类为82.4％，而WT的总分类为78.43％；从这些结果中，使用ICA进行特征提取比使用WT更好。
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.
使用机器学习的地下水位深度预测
摘要 - 由于复杂且多样化的水文地质特性，边界条件和人类活动以及这些元素之间的非线性相互作用，农业区域的水深度预测很困难。因此，作为代替昂贵的模型的替代品，本研究建立了一个由长期短期存储网络（LSTM）的创新系列时间框架以及完全连接的层构成的模型。第一个LSTM层采用了辍学方法。使用14年（2000- 2013年）在中国Hetao灌溉区的北部沙漠的五个辅助领域的数据（2000- 2013年）的数据测试和评估了建议的模型。建议的模型可以根据蒸发，水转移，温度，时间和降水的转移来预测地下水位深度。实验将14年的数据划分为培训和验证数据集。传统的喂养神经网络（FFNN）在相对较低（0.004–0.495）R2分数中获得了建议的框架在深度预测的深度（0.789–0.952）中获得了较高的R2评分，这表明建议的框架可以弥补和获得过去的数据，并获得了过去的数据。进一步探索了辍学方法的有效性，以及建议模型的设计。实验的结果表明，使用辍学策略可以大大减少过度拟合。此外，提出的模型的R2分数与双LSTM框架的R2分数的比较范围为0.170-0.864，它描述了建议的体系结构的适当性，这有助于在系列时间的数据中进行高度学习能力。因此，建议的模型可以用于预测地下水位的深度，以替代水文地质数据，尤其是在水文学数据稀缺的地方。