XiaoMi-AI文件搜索系统
World File Search SystemGRU
基于EEG的高性能抑郁状态识别 5-HT6受体配体的效果与... 结合 3D微/纳米水凝胶结构由二... 制造 基于氧化石墨烯的2D/3D复合材料，用于增强环氧涂层的抗腐蚀特性 文章通过高纤维曲线加密增强了车辆互联网中的隐私 算法翻译校正机制
抑郁症是一种对人有害的全球疾病。基于各种规模的传统识别方法不够客观和准确。脑电图（EEG）包含丰富的生理信息，这使其成为识别抑郁状态的新研究方向。但是，大多数基于EEG的算法仅提取原始的EEG特征，而忽略复杂的时空信息相互作用，这将降低性能。因此，迫切需要一种更准确和客观的抑郁识别方法。在这项工作中，我们提出了一种新型的抑郁识别模型：W-GCN-GRU。在我们提出的方法中，我们根据Spearman的等级相关系数审查了六个敏感特征，并通过AUC分配了不同的权重系数，以通过AUC进行敏感特征的加权融合。特别是，我们将基于加权敏感特征作为抑郁识别模型的GCN和GRU级联网络使用。对于GCN，我们创造性地基于相关系数矩阵将脑功能网络作为邻接矩阵输入和加权融合敏感的特征用作节点特征矩阵输入。我们所提出的模型在我们的自我收集的数据集和MODMA数据集上表现良好，精度为94.72％，表现优于其他方法。我们的发现表明，特征维度降低，加权融合和脑电图空间信息都对抑郁识别产生了很大影响。
练习和经验，ISSN 1895-1767，http：//www.scpe ...
摘要。为了提高智能语音互动机器人的准确性，作者提出了一种基于深度学习的研究意图识别方法。通过介绍GloveBibgru自己的注意分类预测模型，构建了意图识别功能模块，并采用ROS分布式体系结构来整合系统功能模块，从而实现了人与机器之间的智能语音交互。模拟结果表明，使用该方法的语音意图识别具有更高的精度。与基于DCNN模型，CNN-LSTM模型和GRU自我注意力模型的意图识别方法相比，识别精度高于8。02％，4。06％和2。分别为13％，并且在特征提取方面具有更好的识别效果，与基于Bilstm模型的传统提取方法相比，BigRU的训练时间缩短了四倍，从而导致了较高的训练能力。根据实验发现，使用建议的意图识别方法开发了语音交互系统，在理解用户英语语音命令方面保持了高度的准确性和效率。平均准确率为89.72％，识别时间始终低于0.35秒，很明显，该方法适用于现实世界中的语音相互作用。基于手套的意图识别方法可以将注意力用于智能语音机器人中的英语语音互动。
对中国和美国股票市场的传统和机器学习方法的比较分析
Abstract —In the volatile and uncertain financial markets of the post-COVID-19 era, our study conducts a comparative analysis of traditional econometric models—specifically, the AutoRegressive Integrated Moving Average (ARIMA) and Holt's Linear Exponential Smoothing (Holt's LES)—against advanced machine learning techniques, including Support Vector Regression (SVR), Long Short-Term Memory (LSTM) networks, and Gated复发单位（GRU）。专注于标准普尔500指数和SSE指数的每日股票价格，该研究利用了一系列指标，例如R-squared，rmse，Mape和Mae来评估这些方法的预测准确性。这种方法使我们能够探索如何在大流行煽动的持续市场波动中捕获美国和中国等主要经济体的股票市场运动的复杂动态方面的票价。调查结果表明，虽然像Arima这样的传统模型在短期视野中表现出强烈的预测精度，但LSTM网络在捕获数据中捕获复杂的非线性模式方面表现出色，表现出优于更长的预测范围。这种细微的比较强调了每种模型的优势和局限性，LSTM的出现是最有效地导航大流行后金融市场的不可预测动态。我们的结果提供了对股票价格预测，帮助投资者，政策制定者和学者的预测方法的重要见解，以在持续的市场挑战中做出明智的决策。
使用深度学习优化信用卡欺诈检测
摘要：信用卡在当今的数字经济中起着至关重要的作用，并且它们的用法最近增长了，伴随着信用卡欺诈的相应增加。机器学习（ML）算法已用于信用卡欺诈检测。但是，信用卡持有人的动态购物模式和类不平衡问题使ML分类器难以实现最佳性能。为了解决这个问题，本文提出了一种可靠的深入学习方法，该方法由长期记忆（LSTM）和门控复发单元（GRU）神经网络组成，作为基础学习者在堆叠集合框架中，并以多层次的perceptron（MLP）作为元学习者。同时，使用混合综合少数族裔过采样技术和编辑的最近的邻居（Smote-enn）方法来平衡数据集中的类别分布。实验结果表明，将拟议的深度学习合奏与Smote-enn方法相结合，分别达到了1.000和0.997的敏感性和特异性，这比文献中其他广泛使用的ML分类器和方法优于其他广泛使用的ML分类器和方法。接下来，我们介绍了高级集合模型，包括堆叠和投票分类器，对原始和Smote-enn数据集进行评估。此外，具有SQLite集成的烧瓶框架可以使用户注册，签名和测试增强了项目功能和用户交互。索引术语 - 信用卡，深度学习，集合学习，欺诈检测，机器学习，神经网络。
![arxiv：2402.07016v1 [cs.ai] 2024年2月10日](/simg/9\9561106bbf3c742ff1228e38f3ed355eb69ea4a7.webp)
arxiv：2402.07016v1 [cs.ai] 2024年2月10日
多模式电子健康记录（EHR）数据的整合已显着提高了临床预测能力。利用临床注释和多元时间序列EHR，现有模型通常缺乏与临床任务相关的医学环境，从而促使外部知识纳入了外部知识，尤其是从知识图（KG）中。以前的KG知识的方法主要集中于结构化知识提取，忽略非结构化数据模式和语义高维数学知识。在响应中，我们提出了领域，这是一种检索增强生成（RAG）驱动的框架，以增强解决这些局限性的多模式EHR代表。首先，我们应用大型语言模型（LLM）来编码长上下文临床注释和GRU模型以启用代码时间序列EHR数据。其次，我们提示LLM在具有相应的医学知识的专业标记的外部知识图（PrimeKG）中提取与任务相关的医疗实体和匹配实体。通过匹配并与临床标准保持一致，我们的框架消除了幻觉并确保一致性。最后，我们提出了一个自适应多模式融合网络，将提取的知识与多模式EHR数据集成在一起。我们关于模仿-III死亡率和再入院任务的广泛实验展示了我们领域框架的优越性能，而不是基准，强调了每个模块的有效性。领域框架有助于完善多模式EHR数据在卫生保健中的使用，并弥合差距，并具有细微的医学环境，对于知情的临床预测至关重要。
对基于EMG的人类机器人的综合分析...
肌电图（EMG）信号在生物医学研究中具有重要意义，在上肢的休息和收缩过程中捕获肌肉电活动。它们在应用程序中的多功能性，尤其是在人类辅助机器人工具中，可以驱动持续的探索和研究。本文介绍了一项原始研究，重点是利用机器学习技术来对EMG数据集进行分类，并根据预测的手势有效地控制机器人臂。数据采集涉及战略性地将EMG肌肉传感器放在前臂上，以确保对与手势和运动相关的信号进行精确测量。各种分类器包括随机森林，支持向量机（SVM），K-nearest邻居（KNN），高斯幼稚的贝叶斯，门控复发单元（GRU），长期短期记忆（LSTM），人工神经网络（ANN），复发性神经网络（RNN），卷积神经网络（convolutional Nevolutional Networt），vive（CNN）和赋予了变形金刚（CNN）和变形金刚。的性能结果将通过表格格式进行精心分析和呈现，将VIT分类器展示为最成功的vit分类器，在机器人手臂控制中获得了令人印象深刻的97.7％精度。值得注意的是，ANN，RNN和CNN的精度也超过90％。此外，这项工作与现有文献进行了全面比较，为人类机器人互动和尖端辅助技术的未来进步奠定了基础，这些技术显着提高了运动障碍或残疾人的生活质量。这些发现对基于EMG信号的直观，响应式机器人系统具有重要意义。
使用基于注意力的DC-GRU网络在板球中的裁判信号识别
计算机视觉在各种运动领域都有广泛的应用，板球是一种具有不同事件类型的复杂游戏，也不例外。在板球比赛中识别裁判员信号对于游戏玩法中的公平而准确的决策至关重要。本文介绍了板球裁判动作视频数据集（Cuavd），这是一个新颖的数据集，旨在检测板球比赛中的裁判姿势。由于裁判拥有对现场发生的事件做出关键判断的权力，因此该数据集旨在为板球中的自动化系统促进自动化系统的发展做出贡献。提出的基于注意力的深卷积GRU网络准确地检测并在视频序列中对各种裁判信号作用进行了分类。该方法在我们准备好的CUAVD数据集和公开可用的数据集上，即HMDB51，YouTube操作和UCF101获得了显着的结果。DC-GRU注意模型表明了其在捕获时间依赖性和准确识别裁判信号作用方面的有效性。与其他高级模型（如传统的CNN体系结构，CNN-LSTM引起关注）和3DCNN+GRU模型相比，提出的模型始终优于识别裁判信号动作。在正确分类裁判员信号视频时，它实现了94.38％的高验证精度。本文还使用诸如F1测量和混乱矩阵之类的性能指标评估了模型，从而确认了它们在识别裁判信号动作方面的有效性。建议的模型在现实生活中具有实际应用，例如体育分析，裁判培训和自动裁判援助系统，在视频中，精确地识别裁判信号是至关重要的。
基于蚂蚁的神经拓扑搜索（ANTS）用于优化循环网络
摘要。为循环神经网络 (RNN) 手工制作有效且高效的结构是一个困难、昂贵且耗时的过程。为了应对这一挑战，我们提出了一种基于蚁群优化 (ACO) 的新型神经进化算法，称为基于蚂蚁的神经拓扑搜索 (ANTS)，用于直接优化 RNN 拓扑。该过程从多种现代循环细胞类型中进行选择，例如 ∆ -RNN、GRU、LSTM、MGU 和 UGRNN 细胞，以及可能跨越多个层和/或时间步骤的循环连接。为了引入鼓励形成更稀疏的突触连接模式的归纳偏差，我们研究了核心算法的几种变体。我们主要通过制定不同的函数来驱动底层信息素模拟过程（模仿标准机器学习中的 L1 和 L2 正则化）以及引入具有专门角色的蚂蚁代理（受真实蚁群运作方式的启发），即构建初始前馈结构的探索蚁和从前馈连接中选择节点以随后制作循环记忆结构的社会蚁。 我们还结合了社区智慧，其中最佳权重由蚁群共享以进行权重初始化，从而减少本地训练候选 RNN 所需的反向传播时期数，从而加快神经进化过程。 我们的结果表明，ANTS 进化的稀疏 RNN 明显优于由现代记忆细胞组成的传统一层和两层架构以及众所周知的 NEAT 算法。 此外，我们还改进了实验中使用的时间序列数据集的先前最新结果。
liteVr：使用可解释的AI
Cybersickness是与虚拟现实（VR）用户体验相关的常见疾病。基于机器学习（ML）和深度学习（DL）的几种自动化方法，以检测网络病。但是，这些Cybersickness检测方法中的大多数被视为计算密集型和黑盒方法。因此，这些技术既不值得信赖，也不是实用的，因为它可以在独立的能源受限的VR头部安装设备（HMD）上。在这项工作中，我们提出了可解释的人工智能（XAI）基于Cybersickness检测的框架LiteVR，解释了模型的结果，降低了功能维度和整体计算成本。首先，我们基于长期短期记忆（LSTM），门控复发单元（GRU）和多层感知器（MLP）开发了三个Cybersickness DL模型。然后，我们采用了事后解释，例如Shapley添加说明（SHAP），以解释结果并提取Cybersickness的最主要特征。最后，我们以减少的功能数量重新训练DL模型。我们的结果表明，引人注目的特征是Cybersickness Declection的最主要的。此外，基于基于XAI的功能排名和降低维度，我们显着将模型的大小降低了4.3倍，训练时间最高为5.6倍，其推理时间最高为3.8倍，最高可降低Cybersick Nessick Nespection tection coctection tection coctiction Percipation Percipation和低回归误差（即快速运动尺度）（FMS）。我们提出的LITE LSTM模型在分类网络病和回归（即FMS 1-10）中获得了94％的精度，其根平方误差（RMSE）为0。30，表现优于最先进的。我们提出的LITEVR框架可以帮助研究人员和从业人员在独立的VR HMD中分析，检测和部署其基于DL的Cybersickness检测模型。
教区信件 - 德国联邦国防军
教区委员会主席的问候亲爱的教区通讯读者，像往年一样，我们基督徒在春天庆祝复活节，作为教会一年中的高潮，每年我们都会重新想起基督教信仰的中心，即上帝之子耶稣基督已经从死里复活，并且活着。在我们这个不再是基督教的社会里，这一点很难理解。对于很多人来说，死后的生活只有在对死者的记忆中才有可能，在对死者的记忆中我们点燃一支蜡烛。我们的教堂里还有一支中心蜡烛，即复活节蜡烛，我们在复活节之夜在复活节之火上点燃它，作为耶稣复活的标志。对于我们基督徒来说，点燃这根复活节蜡烛不仅是为了提醒我们，也是为了让我们明白，复活的耶稣基督永远活着，我们基督徒不仅被邀请记住这一事实，而且还要将其作为信仰事件本身来见证。受到门徒复活信息的启发，我们基督徒可以成为当今人们的“路标”，以便他们能够实现个人的人生目标。泰泽大公教会的院长阿洛伊斯修士用如下的话语总结了复活节对我们基督徒的意义：