XiaoMi-AI文件搜索系统
World File Search SystemIAES
IAES国际人工智能杂志（IJ-AI）IAES国际人工智能杂志（IJ-AI）
随着网络威胁的越来越复杂，下一代网络（NGN）中的现有入侵检测系统（IDS）受到更多的虚假启动和努力提供强大的安全性功能，突出了对更适应性和可靠的威胁检测机制的关键需求。这项研究介绍了一个新颖的ID，该ID利用了Dueling Dueling Deep Q-Network（DQN）在游戏理论框架中模拟多试剂对手学习方案的强化学习算法来应对这些挑战。通过使用定制的OpenAI健身房环境进行现实的威胁模拟和先进的决斗DQN机制，以减少高估偏差，拟议方案显着提高了入侵检测的适应性和准确性。针对当前最新方法的比较分析表明，所提出的系统可实现出色的性能，精度和F1得分的提高分别为95.02％和94.68％。这些结果强调了拟议的自适应ID的潜在范围，以防御NGN中的动态威胁格局。
IAES 国际人工智能期刊 (IJ-AI)
目前，2 型糖尿病是世界上最普遍的疾病之一，已夺走了数百万人的生命。本研究旨在了解机器学习在 2 型糖尿病诊断过程中的影响，并提供一种有助于快速轻松地诊断疾病的工具。设计并比较了不同的机器学习模型，其中随机森林是生成性能最佳（准确率为 90.43%）模型的算法，该模型被集成到 Web 平台中，与 PIMA 数据集配合使用，该数据集已由秘鲁抗击糖尿病联盟组织的专家验证。结果表明：信息收集时间减少了（A）88.28%，诊断时间减少了（B）99.99%，诊断成本减少了（C）44.42%，诊断难度减少了（D）100%，表明机器学习的应用可以显著优化2型糖尿病的诊断流程。
IAES国际人工智能杂志（IJ-AI）
物联网 (IoT) 和非物联网设备数量的快速增长给网络管理员带来了新的安全挑战。在日益复杂的网络结构中，准确识别设备是必不可少的。本文提出了一种基于数字足迹的设备指纹识别 (DFP) 方法，用于设备识别，设备使用数字足迹通过网络进行通信。基于 Weka 中的属性评估器，从单个传输控制协议/互联网协议数据包的网络层和传输层中选择了九个特征子集，以生成特定于设备的签名。使用不同的监督机器学习 (ML) 算法，在两个在线数据集和一个实验数据集上对该方法进行了评估。结果表明，该方法能够使用随机森林 (RF) 分类器以高达 100% 的精度区分设备类型，并以高达 95.7% 的精度对单个设备进行分类。这些结果证明了所提出的 DFP 方法适用于设备识别，从而提供更安全、更强大的网络。
IAES国际人工智能杂志（IJ-AI）
在印度尼西亚，宫颈癌是仅次于乳腺癌的第二大致命疾病。人们使用各种诊断成像方式来确定宫颈癌的位置和严重程度，其中一种是计算机断层扫描 (CT) 扫描。本研究处理的 CT 图像数据集由两类组成，即宫颈癌患者的异常宫颈图像和其他疾病患者的正常宫颈图像。它侧重于分割和分类程序定位宫颈癌区域并根据图像中包含的特征将图像分为正常和异常类别的能力。我们提出了一种新的方法来检测宫颈器官周围的轮廓，并用人工神经网络 (ANN) 对图像数据进行分类。使用的分割算法是基于区域的蛇形模型。宫颈图像区域的纹理特征以灰度共生矩阵 (GLCM) 的形式排列。添加了支持向量机 (SVM) 来确定哪种算法更适合比较。实验结果表明，ANN模型的受试者工作特性（ROC）参数值优于SVM模型和现有方法，灵敏度为96.2%，特异性为95.32%，准确率为95.75%。
伊拉克可再生能源的未来 - IAES 期刊
可再生能源 (RE) 目前被视为实现可持续发展的有计划且有效的选择，因为它为气候变化提供了适当的答案，同时也满足了电力需求。就伊拉克目前的情况而言，该国电力严重短缺，这种严重的电力短缺始于几十年前。采用可再生能源来解决当前电力短缺问题有多种前景。本研究是对伊拉克现有和未来电力需求以及正在进行的规划和挑战的重要审查，以便更好地了解利用可再生能源进行投资的前景，以及能够为伊拉克所有需要能源的人提供能源。希望本研究能够帮助研究人员深入了解该主题的先前研究成果，并探索未来研究的方向。
IAES国际人工智能杂志（IJ-AI）
尽管网络架构性能取得了实质性进步，但对抗性攻击的敏感性使深度学习难以在安全关键型应用中实施。本文提出了一种以数据为中心的方法来解决这个问题。一种具有不同亮度值的非局部去噪方法已被用于从修改后的国家标准与技术研究所数据库 (MNIST) 和加拿大高级研究中心 (CIFAR-10) 数据集生成对抗性示例。在扰动下，该方法在 MNIST 数据集中提供了高达 9.3% 的绝对准确度提高，在 CIFAR-10 数据集中提供了高达 13% 的绝对准确度提高。使用具有更高亮度值的变换后图像进行训练可提高分类器的鲁棒性。我们已经证明迁移学习不利于对抗性机器学习。结果表明，简单的对抗性示例可以提高弹性并使深度学习更易于应用于各种应用。
IAES国际人工智能杂志（IJ-AI）
迁移学习使我们能够利用从一项任务中获得的知识来帮助解决另一项相关的任务。在现代计算机视觉研究中，问题是哪种架构对于给定的数据集表现更好。在本文中，我们比较了 14 个预训练的 ImageNet 模型在组织病理学癌症检测数据集上的表现，其中每个模型都配置为朴素模型、特征提取器模型或微调模型。Densenet161 已被证明具有高精度，而 Resnet101 具有高召回率。当后续检查成本高时，适合使用高精度模型，而当后续检查成本低时，可以使用低精度但高召回率/灵敏度的模型。结果还表明，迁移学习有助于更快地收敛模型。
IAES 模板指南
对于医疗/诊断数据或图像的普适计算而言，数据安全至关重要。同时还必须考虑保护患者的隐私。最近，脱氧核糖核酸 (DNA) 序列和 CS 被联合用于构建有效的数据屏蔽模型。然而，最先进的方法对裁剪攻击 (CA) 和噪声的鲁棒性不强。因为在现有模型中，每个像素的大多数数字都不会改变。这项工作代表了使用混沌和基于 DNA 的加密技术进行高效数据屏蔽 (EDM) 以保护医疗数据。为了克服研究挑战，需要有效的位加扰技术。首先，这项工作代表了一种使用逻辑正弦图和利用混沌系统的 PS 进行高效位加扰。然后在它们之间进行替换以抵抗 SA、DA 和 CA。实验是在假设不同图像的标准上进行的。获得的结果表明，与现有模型相比，引入的模型非常有效。
IAES 模板指南
近期无线移动应用最主要的需求是更高的带宽 (BW) 效率、更高的能源效率和更高的服务质量 (QOS)。4G 系统中的主要技术是 OFDM，但它存在一些限制，例如峰均功率比 (PAPR) 大、带外 (OOB) 功率辐射更高以及由于循环前缀 (CP) 扩展而浪费带宽效率。本文将与滤波器组多载波 (FBMC) 相比，以较低的计算复杂度减少这些 OFDM 限制。所提出的方案基于 OFDM 系统的符号时间压缩 (STC)。所提出的 STC 形系统是通过发射机侧的交织器-扩频器和符号整形器以及接收机侧的均衡和组合过程实现的。将介绍在加性高斯白噪声 (AWGN) 和 COST 207 典型多径衰落信道的情况下，所提出的系统与传统 OFDM 的比较研究。数值结果表明，所提出的 STC 形方案显著减少了 OOB。尽管没有 CP，但所提出的方案改善了多径瑞利衰落中的 BER。因此，与传统 OFDM 系统相比，所提出的系统对符号间干扰 (ISI) 更具鲁棒性。此外，数值结果表明，所提出的系统的 PAPR 显著降低，并且也是从理论上推导出来的。此外，所提出的方案克服了 CP 扩展，从而提高了带宽 (BW) 效率。最后，推导出所提出方案的计算复杂度，与 FBMC 相比，其复杂度非常低。