XiaoMi-AI文件搜索系统
World File Search SystemGWO
通过深度学习预测癫痫发作......
脑电图 (EEG) 是一种广泛使用的重要技术，可用于辅助诊断癫痫和研究人脑的电模式。由于 EEG 信号的非平稳性质，不同患者的不同记录会话中的癫痫发作模式会有所不同。在这项研究中，我们实施了一种新的深度学习长短期记忆 (LSTM) 模型来检测脑肿瘤和癫痫发作。该过程包括四个关键步骤：EEG 信号预处理、发作前特征提取、使用灰狼优化 (GWO) 进行超优化以及基于 LSTM 的分类。评估利用了来自 EEG 和 ABIDE fMRI 数据集的长期 EEG 记录。通过试验各种模块和记忆单元层，首先进行预分析以确定最佳 LSTM 网络架构。LSTM 模型利用了许多检索到的特征，包括在分类之前提取的 EEG 通道之间的时间和频域信息。实施方法的发现揭示了准确预测癫痫发作同时最大限度地减少误报的显著优势。所实施的 LSTM 方法实现了 99% 的准确率、98% 的精确度、99% 的召回率和 98% 的 f1 测量值，与基于跨子模式相关的主成分分析 (SUBXPCA) 和梯度提升决策树 (GBDT) 方法相比，效果更佳。
https://dx.doi.org/10.12785/ijcds/120166 独立混合可再生能源的最佳经济规模
收到日期：2021 年 2 月 21 日，修订日期：2020 年 2 月 20 日，接受日期：2022 年 3 月 29 日，发布日期：2022 年 9 月 30 日 摘要：本文利用不同的进化优化算法，研究了印度库鲁克谢特拉社区独立式 (HRES) 的最佳经济规模。在优化过程中，将光伏 (PV)、风力涡轮机 (WT)、电池和柴油发电机 (DEG) 等不同子系统的数量视为感兴趣的变量，以净现值成本、回收期、计算成本和平准化能源成本 (LCOE) 作为绩效衡量标准。通过对结果的分析，可以确定与粒子群优化 (PSO)、引力搜索算法 (GSA)、灰狼优化器 (GWO) 和组合 PSO-GSA 算法提供的解决方案相比，鲸鱼优化算法 (WOA) 提供的解决方案在 LCOE、净现值和回收期方面表现最佳。对这些算法的相对性能进行了定性和定量比较和对比，不仅突出了研究结果，而且突出了从经济角度对独立 HRES 进行最佳定型（根据问题陈述），还突出了其他性能指标，例如收敛时间、计算成本和复杂性。模拟在 MATLAB 软件中执行。关键词：经济定型、HRES、LCOE、独立、优化算法
结合电动汽车和电容式储能技术的不同混合传统和可再生能源系统的负载频率稳定
维持发电和需求之间的电力平衡被普遍认为是将系统频率保持在合理范围内的关键。这对于基于可再生能源的混合动力系统 (HPS) 尤其重要，因为此类系统更容易发生中断。本文提出了一种著名的改进型“分数阶比例积分双导数 (FOPIDD2) 控制器”作为创新型 HPS 控制器，以克服这些障碍。推荐的控制方法已在风能、再热热能、太阳能和水力发电以及电容式储能和电动汽车等电力系统中得到验证。通过将改进后的控制器与常规 FOPID、PID 和 PIDD2 控制器进行比较，可以评估其性能。此外，使用新设计的算法术语鱿鱼游戏优化器 (SGO) 优化了新构建的 FOPIDD2 控制器的增益。将控制器的性能与灰狼优化器 (GWO) 和水母搜索优化等基准进行了比较。通过比较最大频率下冲/过冲和稳定时间等性能特征，SGO-FOPIDD2 控制器优于其他技术。分析并验证了所提出的 SGO 优化 FOPIDD2 控制器在各种负载场景和情况下承受电力系统参数不确定性影响的能力。结果表明，无需任何复杂设计，新控制器就可以稳定工作并以适当的控制器系数调节频率。
一种新型的生物启发的元疗法用于全局优化
本文介绍了山羊优化算法（GOA），这是一种新型的生物启发的元疗法，灵感来自山羊的适应性行为。从他们的觅食策略，运动模式和逃避寄生虫的能力中汲取灵感，果阿旨在有效地平衡探索和剥削。该算法结合了三种关键机制：用于全球搜索的自适应觅食策略，一种用于精炼解决方案的运动方法以及一种跳跃机制来逃避本地Optima。此外，解决方案过滤过程通过维持人群中的多样性来增强鲁棒性。果阿的性能是针对良好的元启发术评估的，包括颗粒群优化（PSO），灰狼优化器（GWO），遗传算法（GA），鲸鱼优化算法（WOA）和人造Bee Colony（ABC）。比较结果证明了果阿的出色收敛速度，增强的全球搜索效率以及提高的解决方案精度。这些改进的统计意义将通过Wilcoxon Rank-sum检验验证。尽管有效，果阿仍面临一些挑战，包括计算复杂性和对参数设置的敏感性，这为进一步的优化留出了空间。未来的研究将探讨自适应参数调整，与其他元启发式学的杂交以及供应链管理，生物信息学和能量优化的现实应用。调查结果表明，果阿在生物启发的优化技术方面提供了有希望的进步。
优化糖尿病诊断：使用 Hyperband 的 ADGB 可提高预测准确性
本研究引入了一种创新的机器学习框架，以提高糖尿病预测准确性和模型可解释性。该方法首先通过链式方程 (MICE) 进行多次插补，以解决缺失数据并确保完整的数据集以供分析。为了解决类别不平衡问题，采用了合成少数过采样技术 (SMOTE)。使用 Z 分数异常值检测来去除异常值，进一步提高模型的稳健性。结合灰狼优化器 (GWO) 和方差分析的混合特征选择方法混合 GWAN 优化了相关特征的选择，平衡了预测能力和模型简单性。该框架的核心是自适应增强梯度增强机 (ADGB)，这是一种融合了 AdaBoost 和梯度增强机 (GBM) 优势的集成学习模型。通过 Hyperband 算法进行超参数优化可以对模型进行微调，实现 97.84% 的高预测准确率。这种综合方法不仅提高了准确性，还提高了预测模型的精度、召回率和 F1 分数。通过整合这些先进技术，该框架在早期糖尿病诊断中展现出巨大潜力，强调了集成方法在医疗数据分析中的重要性以及开发可靠诊断工具的准确、可解释模型的必要性。关键词：灰狼优化器、梯度提升机、合成少数群体、公共健康 1. 介绍
使用正弦和基于教学学习的融合培训馈送前馈神经网络，用于医学图像注册
摘要这项研究提出了一种新型的杂交元神经算法，正弦辅助教学学习学习的优化（SCATLBO），旨在训练用于单声道和多模式医学图像注册的喂养前进神经网络（FNNS）。scatlbo结合了正弦骨算法（SCA）的优势，用于探索基于教学学习的优化（TLBO），以实现剥削，达到了平衡，从而增强了算法能力，以避免局部最小值并提高逆转率。医学图像注册，对于准确的医学分析必不可少的，从这种混合方法中受益，因为它有效地对齐了复杂的多模式图像。在这项工作中，SCATLBO用于训练来自癌症基因组乳房侵入性癌（TCGA-BRCA）数据集的乳房MRI图像。SCATLBO的性能是针对几种众所周知的元启发式算法的基准测试，包括TLBO，粒子群优化（PSO），蚂蚁菌落优化（ACO），灰狼优化器（GWO）和进化策略（ES），以及基于平均平方误差（MSE）的评估（MIS）和杂音的评估（MI）。实验结果表明，SCATLBO在准确性，收敛速度和稳健性方面优于其他技术，将其确立为基于神经网络的图像注册任务的有前途的工具。这项工作有助于提高FNN的元启发式培训方法，并在各种医学成像领域中使用了潜在的应用。
一种用于随机的增强型水母搜索优化器......
多微电网 (MMG) 的能源管理 (EM) 解决方案是一项提供更多灵活性、可靠性和经济效益的关键任务。然而，由于可再生能源的随机性以及负载波动，MMG 的能源管理 (EM) 成为一项复杂而艰巨的任务，因为可再生能源的渗透率很高。在这方面，本文旨在通过最佳纳入光伏 (PV) 系统、风力涡轮机 (WT) 和生物质系统来解决 MMG 的 EM 问题。在这方面，本文提出了一种增强型水母搜索优化器 (EJSO) 来解决 85 总线 MMGS 系统的 MMG 的 EM，以最小化总成本，同时提高系统性能。所提出的算法基于威布尔飞行运动 (WFM) 和适应度距离平衡 (FDB) 机制来解决传统 JSO 技术的停滞问题。在标准和 CEC 2019 基准函数上测试了 EJSO 的性能，并将获得的结果与优化技术进行了比较。根据获得的结果，与其他优化方法（如沙猫群优化 (SCSO)、蒲公英优化器 (DO)、灰狼优化器 (GWO)、鲸鱼优化算法 (WOA) 和标准水母搜索优化器 (JSO)）相比，EJSO 是一种解决 EM 的强大方法。获得的结果表明，建议的 EJSO 的 EM 解决方案可以将成本降低 44.75%，同时系统电压曲线和稳定性分别提高 40.8% 和 10.56%。
使用机器学习增强脑电信号分类和
本文提出了一种基于脑电图的大脑语言信号分类的更好解决方案，它使用机器学习和优化算法。该项目旨在通过实现更高的准确性和速度来取代语言处理任务中的脑信号分类。本研究使用改进的离散小波变换 (DWT) 进行特征提取，通过将脑电图信号分解为显著的频率分量，提高了适当捕获信号特征的能力。应用灰狼优化 (GWO) 算法方法来改进结果并选择最佳特征，通过选择具有最大相关性的有影响力的特征同时最小化冗余，获得更准确的结果。这种优化过程总体上提高了分类模型的性能。在分类的情况下，提出了支持向量机 (SVM) 和神经网络 (NN) 混合模型。这结合了 SVM 分类器在高维空间中管理函数的能力，以及神经网络利用其特征进行非线性学习（模式学习）的能力。该模型在脑电图数据集上进行了训练和测试，分类准确率为 97%，表明我们的方法的稳健性和有效性。结果表明，这种改进的分类器可用于脑机接口系统和神经系统评估。机器学习和优化技术的结合已确立了这一范式，成为进一步研究脑语言识别脑电信号处理的一种高效方法。
效率网络B7卷积神经网络基于基于社会物联网环境的安全和隐私方法
收到：2024年6月26日修订：2024年8月6日接受：2024年8月29日发布：2024年9月30日摘要 - 太阳能构成宇宙中的主要能源。可以采用各种方法来有效利用这种能量。太阳能电池板的部署被区别为一种广泛采用的创新方法，用于积累这种能量。与固定面板相比，旋转面板已经证明了在某些情况下（例如部分阴影条件）产生更大能量输出的能力。太阳能跟踪系统（STS）是跟踪太阳运动的主要方法之一。STS的目的是通过将载荷（通常是太阳能电池板）定向到太阳来优化能源产生。这是通过最大程度地减少传入的阳光与光伏（PV）面板之间的发射角来实现的，从而增强了产生的能量的量。现有的系统，具有最大功率点跟踪（MPPT）方法的灰狼优化（GWO），会产生大量的能量，从而导致重大跟踪误差。为了减少跟踪误差并提高能源效率，已经实施了使用粒子群优化（PSO）的最初提出的方法，该方法已实施。该神经网络（NN）主要由自适应神经模糊推理系统（ANFIS）组成，其中包括从数据收集到部署的工作流程。由于适当的培训，测试和数据实施，此方法比现有的结果更好。关键字 - ANN，PSO，太阳能系统，太阳能，部分阴影条件，光伏，优化。
多变量孔隙压力预测的混合机学习优化算法
孔隙压力是钻孔设计中的重要数据，其准确的预测对于确保钻孔安全性和提高钻井效率是必要的。在形成特定的结构和岩性时，预测孔隙压力的传统方法受到限制。在本文中，使用机器学习算法和有效应力定理来建立岩石物理参数和孔隙压力之间的转换模型。本研究收集了三口井的数据。Well 1有881个用于模型训练的数据集，Wells 2和3具有538和464个数据集用于模型测试。在本文中，选择了支持向量机（SVM），随机森林（RF），极端梯度提升（XGB）和多层感知器（MLP）作为孔隙压力建模的机器学习算法。In addition, this paper uses the grey wolf optimization (GWO) algorithm, particle swarm optimization (PSO) algorithm, sparrow search algorithm (SSA), and bat algorithm (BA) to establish a hybrid machine learning optimization al- gorithm, and proposes an improved grey wolf optimization (IGWO) algorithm.IgWO-MLP模型通过使用5倍的交叉验证方法来获得训练数据，从而获得了最小根平方误差（RMSE）。对于井2和3井中的孔隙压力数据，SVM，RF，XGB和MLP的确定系数（R 2）为0.9930和0.9446、0.9943和0.9943和0.9472、0.9472、0.9945和0.9945和0.9488、0.9949、0.9949、0.9949和0.9949和0.9574。MLP在训练和测试数据上都达到了最佳性能，MLP模型显示出高度的概括。©2023作者。Elsevier B.V.的发布服务代表KEAI Communications Co. Ltd.表明IGWO-MLP是孔隙压力的极好预测指标，可用于预测孔隙压力。这是CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/ 4.0/）下的开放访问文章。