XiaoMi-AI文件搜索系统
World File Search SystemKNNS
使用机器学习对无人机电池故障的预测维护
H.R.Sridevi（2022）：本文提出了一个基于机器学习的框架，用于预测铅酸电池。该框架使用各种机器学习算法，包括支持向量机（SVM），随机森林（RFS）和K-Nearest邻居（KNNS），以预测作者使用的电池故障。
氧化物中的几何失稳和压电响应......
图 1 . (a) Na 1-x K x NbO 3 铁磁体（x=0、0.16、0.42、0.52、0.63、0.82、1）的实验总原子 PDF。箭头强调了 KNN 及其成分的局部和平均结构的细微（红色箭头）和明显（蓝色箭头）演变。 (b) PDF 的低 r 区域表明存在相当刚性的 Nb-O 6 八面体（PDF 峰在约 1.9 Å 处，标记为单个八面体），碱金属原子的位置顺序随 K 百分比增加（PDF 峰在约 2.8 Å 处，标记为两个八面体和附近的碱金属原子），相邻八面体中心的 Nb 原子之间的距离几乎没有变化（PDF 峰在约 4 Å 处，标记为角共享八面体），以及包括八面体倾斜在内的次近邻原子相关性的细微演变（PDF 峰在约 6.9 Å 处，标记为 4 个倾斜八面体）。（c）PDF 的高 r 区域表明与母体化合物相比，KNN 中的结构相干性范围有限（参见各自 PDF 的加速衰减，其中原子间距离用红色虚线标出）。
利用人工智能算法混合模型精准检测乳腺癌转移
方法 在本研究中，我们使用了威斯康星乳腺癌数据集 [(https://archive.ics.uci.edu/ml/datasets/Breast+Cancer+Wisconsin+(Diagnostic)] 中的数字化病理图像数据，其中包括 357 个良性和 212 个恶性 BC 样本。我们主要回顾了 2006-2019 年期间基于各种算法对从癌症组织收集的图像进行诊断和分类的报告。我们的审查表明，单独应用 ML 算法在疾病的检测和预测方面并不准确和成功。接下来，我们使用 7 种标准化且广泛使用的算法对我们的样本中的 BC 进行分类以进行比较。我们应用的前两种算法是使用基于核方法的密度估计概率的 K-最近邻 (KNN) 和用于模式提取的决策树 (DT)。我们的第三个算法是森林树 (FT)，我们使用了一组 FT 对癌症患者进行分类。我们向每个 FT 输入了一组数据，以便算法可以开始学习。对于预测，我们使用了一组新数据，以便 FT 可以预测结果。
pointattn：您只需要注意点云完成
点云完成指的是从部分3D点云中完成3D形状是3D点云分析任务的基本问题。从深度神经网络的发展中受益，对点云完成的研究近年来取得了长足的进步。ever，如现有方法所涉及的明确局部区域分区使它们对点云的密度分布敏感。此外，它提供有限的接收场，可防止从远程上下文信息中捕获功能。为了解决问题，我们利用交叉注意和自我注意力的机制来设计新型的神经网络，以通过隐式局部区域分区完成点云完成。提出了两个基本单元的几何细节（GDP）和自我功能增强（SFA），以通过注意机制以简单而有效的方式直接建立点之间的结构关系。然后，基于GDP和SFA，我们构建了一个新框架，该框架使用流行的编码器架构进行点云组合。所提出的框架，即Pointattn，是模拟的，整洁而有效的，可以精确捕获3D形状的结构信息，并以详细的几何形状预测完整的点云。实验结果表明，我们的PointAttn在多个具有挑战性的基准上优于最先进的方法。代码可在以下网址找到：https：//github.com/ohhhyeahhhh/pointattn
使用机器学习检测脑卒中
摘要 — 中风是一种严重的疾病，需要及时诊断和治疗，以防止灾难性的后果。在这项工作中，我们提出了一种使用机器学习技术检测脑中风的独特方法。我们采用各种机器学习技术，包括支持向量机 (SVM)、决策树和深度学习模型，以有效地从医学成像数据中识别和分类中风病例。机器学习技术用于中风识别，因为预处理过程对于提高医学图像的质量和降低噪音至关重要。我们研究了许多机器学习架构和方法，例如随机森林、k-最近邻 (KNN) 和卷积神经网络 (CNN)，并评估它们在从脑成像数据中准确检测中风方面的有效性。使用大量标记的脑成像扫描数据集对模型进行训练和验证，从而实现全面的性能评估。通过应用预训练模型的迁移学习和数据增强技术，中风病例的识别准确性得到进一步提高。此外，利用形态学操作和特征提取等后处理方法通过微调识别的中风区域来提高整体检测性能。我们的研究结果表明，机器学习算法在从医学影像数据中识别脑卒中方面表现良好，尤其是像 CNN 这样的深度学习模型。建议的方法可以准确、高效地检测脑卒中，这可能有助于医务人员更快地诊断和治疗脑卒中患者。因此，我们的研究得出结论，机器学习算法是一种有用的脑卒中诊断工具，可为医疗专业人员在临床情况下提供有用的资源。