XiaoMi-AI文件搜索系统
World File Search SystemFractal
使用分形曲线将眼目光整合到机器学习中
眼目光跟踪传统上采用了相机来捕捉参与者的眼睛移动并表征其视觉固定。但是，凝视模式识别仍然具有挑战性。这既是凝视点的稀疏性，并且看似随机的方法参与者在没有设定任务的情况下以陌生的刺激来观看陌生的刺激。我们的论文提出了一种通过将固定的二维（x，y）坐标纳入一维希尔伯特曲线距离度量标准的二维（x，y）坐标，将眼睛注视到机器学习中的方法，使其非常适合实现机器学习。我们将这种方法与传统的基于网格的字符串替代技术进行比较，并在支持向量机和卷积神经网络中证明了实施示例。最后，将进行比较，以检查哪种方法的性能更好。结果表明，此方法既可以对大型数据集中的统计显着性进行动态量化扫描路径有用，又可以调查当参与者在免费观看实验中观察到的不熟悉刺激时，在共享自下而上处理中发现的相似性的细微差别。现实世界的应用程序可以包括与专业知识相关的眼光预测，医疗筛查和图像显着性识别。关键字：神经科学，眼动追踪，分形，支持向量机，卷积神经网络。
基于分形维数和多维重构的智能态势感知
摘要：为实现态势感知的自主化、智能化，本文提出了一种基于分维信息挖掘和多维信息重构的智能态势感知模型。首先，通过对输入的融合信息进行三维重构建立空间态势感知，四维重构完成态势理解，五维重构寻求态势预测，将三级态势估计模型优化为更加鲁棒的态势估计三元模型。结合数据库系统、推理学习机制和多样化的人机界面理念，完成了智能态势感知的基本框架。其次，论证了系统的灵活配置方法。第三，给出了智能态势感知性能指标和多节点一致性的一些基本评价方法。第四，给出了钻井平台典型电磁态势估计算例，对理论进行了说明和验证。最后，对智能态势感知系统下一步建设提出了几点建议。
用于空间应用的圆极化高增益科赫分形天线
摘要。本文讨论了一种具有圆极化特性的紧凑型 Koch 曲线分形边界天线。辐射器呈方形，四边有 V 型槽截头。分形结构的工作频带为 2.18 GHz 至 2.3 GHz 频段。沿辐射贴片的周边融入了二阶 Koch 分形曲线。分形天线由同轴探针馈电技术激励，对角放置以产生圆极化辐射。贴片元件采用 HFSS 设计，并制造在具有介电常数 (er = 2.2) 的基板 (RT/Duroid 5880 TM) 上，用于设计尺寸为 0.39 k 0 9 0.39 k 0 9 0.024 k 0 (fr = 2.26 GHz) 的分形天线。该结构表现出 6.93 dBi 的峰值增益响应以及覆盖工作频带的全向辐射模式。模拟和测量结果得到验证，并且发现所提出的设计适用于空间应用。
MALDI-TOF质谱数据的分形和机器学习分析
图4：模型解释的形状结果。a）分形的第一个折叠的形状输出具有数据集。（b）BINNED功能数据集的第一个折叠的形状输出。shap值表示特征对模型输出的影响，正值表示对正类别的分类产生影响，而负值则表示相反。颜色映射指示该特征如何影响模型决策，例如，如果该功能具有高值和高的外形值，则此功能的增加是正类别的特征。
混沌的结构：使用 NeuroKit2 对分形生理复杂性指标进行实证比较
摘要：随着计算和数学进步带来具有良好前景的新指标，通过熵、信息论和分形维数指标进行的复杂性量化正在心理生理学领域重新获得关注。遗憾的是，很少有研究比较大量现有指标之间的关系和客观表现，从而阻碍了该领域的可重复性、可复制性、一致性和清晰度。使用 NeuroKit2 Python 软件，我们计算了 112 个（主要使用的）复杂度指标列表，这些指标针对特征（噪声、长度和频谱）各异的信号。然后，我们系统地比较了这些指标的计算权重、它们对潜在维度多维空间的代表性以及与其他指标的经验接近性。基于这些考虑，我们建议选择 12 个指数，它们合计占所有指数总方差的 85.97%，在量化时间序列的复杂性方面，它们可能是一种简约且互补的选择。我们的选择包括 CWPEn、线长 (LL)、BubbEn、MSWPEn、MFDFA (最大值)、Hjorth 复杂度、SVDEn、MFDFA (宽度)、MFDFA (平均值)、MFDFA (峰值)、MFDFA (波动)、AttEn。讨论了替代子集的考虑因素，并且图表的数据、分析脚本和代码都是开源的。
研究文章 FDCNet：用于肿瘤检测和分类的模糊 CNN 和分形特征提取的介绍
使用磁共振成像检测脑肿瘤是目前人工智能和医学工程面临的最大挑战之一。尽早发现这些脑肿瘤非常重要，因为它们可能会长大直至死亡。脑肿瘤可分为良性和恶性。创建一个智能医疗诊断系统来根据 MRI 成像诊断脑肿瘤是医学工程的重要组成部分，因为它可以帮助医生尽早发现脑肿瘤并监督整个康复过程中的治疗。在本研究中，提出了一种诊断良性和恶性脑肿瘤的综合方法。所提出的方法包括四个部分：图像增强以降低噪声并统一图像大小、对比度和亮度，基于形态学算子的图像分割，特征提取操作（包括基于分形模型的尺寸减小和特征选择），以及最终根据模糊深度卷积神经网络的分割和最佳类别的选择来改进特征。实验结果中使用 BraTS 数据集作为磁共振成像数据。还将一系列评估标准与以前的方法进行了比较，其中所提出的方法的准确率为 98.68%，具有显著的效果。
分形维度：分析其作为使用机器学习
结果：来自肿瘤和非肿瘤区域的FD措施能够区分LGG和HGG患者。在15种不同的FD度量中，增强肿瘤区域的一般结构FD值高精度（93％），敏感性（97％），特定城市（98％）和接收器工作特征曲线（AUC）分数（98％）下的面积（98％）。无肿瘤的GM骨骼FD值也得出了良好的准确性（83.3％），灵敏度（100％），特异性（60％）和AUC分数（80％），以分类肿瘤等级。在LGG和HGG患者之间，还发现这些措施显着（P <0.05）。另一方面，在25种纹理特征（增强的肿瘤区域特征）中，即对比度，相关性和熵，揭示了LGG和HGG之间的显着差异。在机器学习中，增强的肿瘤区域纹理特征具有很高的精度，灵敏度，特定的牙齿和AUC分数。
脊髓损伤患者脑电图信号的 Higuchi 分形分析中的中枢神经性疼痛标志物
中枢神经性疼痛 (CNP) 对大部分脊髓损伤 (SCI) 患者的生活质量产生负面影响。由于目前尚无治愈方法，因此提高我们对 CNP 表现方式的理解、开发用于药物开发的诊断生物标记物以及探索用于个性化治疗的预后生物标记物至关重要。先前的研究发现了分析脑电图 (EEG) 振荡特征的诊断和预后标记物的早期证据。在本文中，我们探讨了非线性非振荡 EEG 特征（特别是 Higuchi 分形维数 (HFD)）是否可以用作预后生物标记物，以增加对亚急性 SCI 患者 EEG 的可用分析范围，其中同时具有用于分类疼痛的线性和非线性特征最终可能会提高分类准确性和本质上可转移的分类器。我们专注于想象运动期间记录的 EEG，因为已知运动皮层过度活动与 CNP 之间存在关系。对两个现有数据集进行了分析。第一个数据集包括健全参与者 (N = 10)、慢性 SCI 和慢性 CNP 参与者 (N = 10) 以及慢性 SCI 且无 CNP 的参与者 (N = 10) 的 EEG 记录。我们使用引导程序测试了所有组对中 HFD 的统计学显著差异，发现所有组对在多个电极位置存在显著差异。第二个数据集包括亚急性 SCI 且无 CNP 的参与者 (N = 20) 的 EEG 记录。记录后 6 个月对他们进行随访以测试 CNP，此时 (N = 10) 参与者已患上 CNP，而 (N = 10) 参与者尚未患上 CNP。我们使用引导程序测试了这两组之间的 HFD 统计学显著差异，令人鼓舞的是，还发现多个电极位置存在显著差异。可迁移机器学习分类器仅基于单个 EEG 通道作为输入，就能实现超过 80% 的准确率，区分患有慢性 SCI 的参与者组。最重要的发现是未来和慢性 CNP 具有共同的特征，因此，可以使用相同的分类器来区分两者。这为疼痛慢性化提供了新的见解，表明额叶区域与疼痛的情感方面有关，并且被认为受长期疼痛的影响，在疼痛发展的早期阶段就受到影响。
皮质灰质的分形维度超过其他大脑MRI特征，作为轻度认知障碍患者过渡到痴呆症的预测指标
方法：有64名MCI和中度至重度白细胞病的参与者在2年内接受了基线MRI检查和年度神经心理学测试。痴呆症的诊断是基于既定标准。我们评估了基线时人口统计学，神经心理学和几种MRI特征，作为临床转变的预测因素。MRI功能包括视觉评估的MRI特征，例如裂缝，微粒和血管周围空间的数量以及定量MRI特征，例如皮质GM，海马，T 2高强度和脑脑WM的di索指标。此外，我们研究了高级定量特征，例如皮质GM和WM的分形维度（FD），该特征代表了从3D-T 1加权图像得出的组织结构复杂性的指数。为了评估对痴呆症过渡的预测，我们使用Shapley添加说明（SHAP）值采用了基于XGBoost的机器学习系统，以为机器学习模型提供解释性。
partiii eq.4.13应用：混合状态k o = g o = g oo 11.1指标量化的概念来自方程式等方程。4.13分形
partiii eq.4.13应用：混合状态k o = g o = g o11.1指标量化的概念来自方程式等方程。4.13分形亚原子量表的量化应在下一个较高的10 40 x分形尺度（宇宙学）上重复，因此，应进行度量量化。一个元素不仅仅是局部重力，还包括确实有验证的局部组件。n = 1。例如，在所有螺旋星系平面的光环中，在大型R = 1-2gm /（rc 2）中，eq.4.13 k 00在大r（k 00»e i de /de /（1-2 e）的极限）中必须等于G oo = 1-2gm /（rc 2），鉴于所有通常的中心力力mv 2 /r = gmm /r 2在所有螺旋力平面中，halo的各个部分都必须在螺旋力平面中。求解V的这些方程式给出了我们的度量量化。v = n100km/sec（n =整数），因此我们不需要暗物质来解释这些光晕速度。审查：来自Parti Ultimate Occam的剃须刀理论的评论意味着最终数学物理学理论：假设0®Newpdet + µ + E Mandelbulbs in Fig6中的Mandelbulbs在自由空间中r H = E 2 10 40 40（0） /2M P C 2，k 00 （4.13）newpde = g µ（ÖKµµ）¶y /¶x µ =（w /c）y，y，v，v，k oo = 1-r h /r = 1 /k rr = 1 /k rr，r h = e 2 x10 40 n /m（n =。< /div>-1,0,1。，）。t +µ +e在2p 3/2球形壳上r = rh。2g = t +µ baryons，稳定（在此处不需要QCD）。那么，在r = r h时，newpde的（稳定）多电体状态吗？是。d c = 0给出了45°极端