XiaoMi-AI文件搜索系统
World File Search SystemKnn
使用幼稚的贝叶斯算法预测航空公司飞行延迟的机器学习方法
航空业在全球运输中起着至关重要的作用，促进经济增长和革命性旅行。但是，航班延误已经成为一个日益严重的关注点，影响了航空公司和乘客。本研究旨在研究用于飞行延迟预测的幼稚贝叶斯算法。目的是使用幼稚的贝叶斯算法开发可靠的飞行延迟预测模型并评估其性能。使用美国运输部（DOT）的飞行延迟和取消数据的数据集用于预测。本研究修改了高斯幼稚贝叶斯的参数调整，以识别专门为该飞行延迟数据集构建模型的最佳值。参数调整高斯幼稚的贝叶斯模型的性能与另外两种众所周知的算法是K-Neartiment Neighbors（KNN）和支持向量机（SVM）。还对KNN和SVM算法进行了培训和测试，以完成航班延迟的二元分类，以实现基准测试。通过比较准确性，特异性和ROC AUC分数的值来实现算法的评估。比较分析表明，高斯幼稚的贝叶斯的表现最佳，精度为93％，而KNN的性能最差，而ROC AUC得分为63％。
新型 K 近邻与卷积神经网络 (KNN-CNN) 实现精准脑部识别
摘要 - 脑肿瘤分类在早期诊断和有效治疗计划中起着至关重要的作用。在本文中，我们提出了一种新方法，即基于卷积神经网络的 K 最近邻 (KNN-CNN)，用于精确的脑肿瘤分类。所提出的方法结合了 K 最近邻 (KNN) 和卷积神经网络 (CNN) 的优势，同时利用了传统的基于特征的分类和基于深度学习的特征提取。我们使用 CNN 从脑肿瘤图像中学习高级特征，并使用 KNN 根据提取的特征对肿瘤进行分类。在脑肿瘤数据集上的实验结果证明了 KNN-CNN 方法的有效性和效率，实现了高分类准确率并且优于传统方法。关键词：图像挖掘、脑肿瘤、分类、磁共振成像、最近邻；
使用不同的机器学习算法研究低成本空气质量监测模型
摘要。为了提高空气质量监测的校准模型的性能，提出了基于不同机器学习算法的低成本多参数空气质量监测系统（LCS）。LCS可以测量颗粒物（PM 2。5和PM 10）以及同时的气体策略（SO 2，NO 2，CO和O 3）。基于传感器的原始信号，环境温度（T）和相对湿度（RH）以及参考仪器的测量值，开发了多输入多输出（MIMO）预测模型。比较和讨论不同算法（RF，MLR，KNN，BP，GA – BP）的性能，例如确定系数r 2，根平方误差（RMSE）和平均绝对误差（MAE）。使用这些方法，PM的算法（RF，MLR，KNN，BP，GA – BP）的R 2在0.68–0.99范围内； PM 2的RMSE值。5和PM 10分别在2.36–18.68和4.55–45.05 µg m -3之内； PM 2的MAE值。5和PM 10分别在1.44–12.80和3.21–23.20 µg m -3之内。对于气体污染物（O 3，CO和NO 2）的算法rit-rithm的r 2（RF，MLR，KNN，BP，GA – BP）在0.70-0.99之内；这些污染物的RMSE值分别为4.05–17.79 µg m -3，0.02-0.18 mg m -3，2.88–14.54 µg m -3；这些污染物的MAE值分别为2.76–13.46 µg m -3，0.02-0.19 mg m -3，1.84–1.84–11.08 µg m -3。SO 2的算法（RF，KNN，BP，GA – BP，除MLR）的R 2在0.27–0.97之内，RMSE值在0.64–5.37 µg m -3范围内，MAE值在0.39-4.24 µg m -m -m - -− -− -− -− - - 3中。这些测量与中国的国家环境保护标准需求一致，以及基于LCS的
使用流量的心血管疾病分类...
摘要 - 近年来，心血管疾病引起了研究人员的重大关注，因为它是全球死亡的主要原因。本文介绍了一种分类方法，该方法采用了优化算法来提高预测各种性别和年龄段的心血管疾病发展的准确性。患者数据集通常包含大量无关，多余或嘈杂的特征，这可能会阻碍预测的准确性。为了解决这个问题，我们提出了流动方向算法（FDA），该算法选择了疾病的最相关特征以提高分类精度率。在预测阶段，我们将支持向量机（SVM）与流方向优化算法（FDA）相结合，以识别最相关的功能。为了增强分类结果，本研究研究了FDA，OFDA，遗传算法（GA）和粒子群优化（PSO）算法与K-Nearest邻居（KNN）和SVM分类算法的组合。使用准确性，召回，精度和选定特征比例作为度量来评估所提出的算法的性能。使用三个数据集比较了基于SVM和KNN的算法：心力衰竭临床数据集（HFCD），心脏数据集（HD）和心脏病预测数据集（HDPD）从UCI存储库中获得。实验结果表明，与FDA或OFDA优化算法结合使用时，SVM和KNN算法表现更好。
一种用于充血性心力衰竭预测的集成机器学习方法
摘要：充血性心力衰竭（CHF）是全球人口中死亡率和发病率的主要来源之一。全球超过2600万个人受心脏病的影响，其患病率每年增加2％。随着医疗保健技术的进步，如果我们在早期阶段预测CHF，则可以减少全球领先的死亡率因素之一。 因此，这项研究的主要目的是使用机器学习应用来增强CHF的诊断，并通过采用最低特征来预测发生CHF的可能性，以降低诊断成本。 我们使用深层神经网络（DNN）分类器进行CHF分类，并将DNN的性能与各种机器学习分类器进行比较。 在这项研究中，我们使用了一个非常具有挑战性的数据集，称为心血管健康研究（CHS）数据集，以及通过整合C4.5和K-Nearest邻居（KNN）的独特预处理技术。 虽然C4.5技术用于查找重要功能并从数据集中删除异常数据，但使用KNN算法用于缺失数据。 为分类，我们比较了六个最先进的机器学习（ML）算法（KNN，Logistic回归（LR），Naive Bayes（NB），Random Forest（RF），支持向量机（SVM）和决策树（DT））。 为了评估性能，我们使用七个统计测量值（即准确性，特异性，灵敏度，F1得分，精度，Matthew的相关系数和假阳性率）。 提出的模型获得了97.03％的F1得分，95.30％的精度，96.49％的灵敏度和97.58％的精度。随着医疗保健技术的进步，如果我们在早期阶段预测CHF，则可以减少全球领先的死亡率因素之一。因此，这项研究的主要目的是使用机器学习应用来增强CHF的诊断，并通过采用最低特征来预测发生CHF的可能性，以降低诊断成本。我们使用深层神经网络（DNN）分类器进行CHF分类，并将DNN的性能与各种机器学习分类器进行比较。在这项研究中，我们使用了一个非常具有挑战性的数据集，称为心血管健康研究（CHS）数据集，以及通过整合C4.5和K-Nearest邻居（KNN）的独特预处理技术。虽然C4.5技术用于查找重要功能并从数据集中删除异常数据，但使用KNN算法用于缺失数据。为分类，我们比较了六个最先进的机器学习（ML）算法（KNN，Logistic回归（LR），Naive Bayes（NB），Random Forest（RF），支持向量机（SVM）和决策树（DT））。为了评估性能，我们使用七个统计测量值（即准确性，特异性，灵敏度，F1得分，精度，Matthew的相关系数和假阳性率）。提出的模型获得了97.03％的F1得分，95.30％的精度，96.49％的灵敏度和97.58％的精度。总的来说，我们的结果反映了我们提出的综合方法，从CHF预测方面，它优于其他机器学习算法，从而减少了医疗测试的数量来减少患者费用。
通过溅射钾钠钠
This work presents an air-coupled piezoelectric micromachined ultrasonic transducer (pMUT) with high transmitting acoustic pressure by using sputtered potassium sodium niobate (K,Na)NbO 3 (KNN) thin film with a high piezoelectric coefficient (e 31 ~ 8-10 C/m 2 ) and low dielectric constant ( r ~ 260-300) for the first time.已经测试了以104.5 kHz为谐振频率的制造的KNN PMUT，已测试以表现出前所未有的结果：（1）在10 cm的距离为109 db/v的高声压水平（SPL）为10 cm，比基于ALN的PMUT的频率高8倍； （2）仅4伏峰峰幅度的低压操作（V P-P）； （3）良好接收灵敏度。因此，这项工作介绍了一类新的高SPL和低驾驶电压PMUT，用于在包括但不限于触觉反馈，扬声器和AR/VR系统在内的各个领域的潜在应用中。关键字
基于脑电图信号的人类情绪分类使用...
在人际交往中，情绪非常重要。词语、语音语调、面部表情和动作等属性都可用于描绘一个人的感受。然而，脑机接口 (BCI) 设备尚未达到情绪解读所需的水平。随着机器学习算法、干电极技术以及脑机接口在现实世界中对正常人的不同应用的快速发展，从脑电图数据中进行情绪分类最近引起了广泛关注。脑电图 (EEG) 信号是这些系统的关键资源。使用脑电图信号的主要好处是它们反映了真实的情绪，并且很容易被计算机系统解析。在这项工作中，使用通道选择预处理识别了与好情绪、中性和负面情绪相关的脑电图信号。然而，到目前为止，研究人员对各种情绪状态之间联系的具体了解有限。为了识别脑电图信号，我们使用了离散小波变换和机器学习技术，如循环神经网络 (RNN) 和 k-最近邻 (kNN) 算法。最初，使用分类器方法进行通道选择。结果，通过整合来自这些通道的 EEG 片段的特征来创建最终特征向量。使用 RNN 和 kNN 算法，对具有连接的积极、中性和消极情绪的最终特征向量进行独立分类。计算并比较了两种技术的分类性能。使用 RNN 和 kNN，平均总体准确率分别为 94.844 % 和 93.438 %。
食品包装和保质期
使用 k-最近邻 (KNN) 算法对由鱼明胶与棕榈油、丁香和牛至精油混合制成的可生物降解包装进行分类和选择。所有增强薄膜都具有很强的抗吸引力，特别是丁香精油样品，其值为 53.18 MPa。此外，棕榈油和精油的添加增加了包装的弹性和厚度。这些包装具有抗氧化和抗菌性能，牛至精油薄膜和棕榈油薄膜的金黄色葡萄球菌抑菌区分别为 11.73 和 11.23 毫米。事实证明，KNN 对包装的分类和选择非常有效。结果表明，丁香精油包装具有最高的抗氧化活性、拉伸强度和伸长率。棕榈油因其抗菌活性、抗氧化性能、丰富性和低成本而成为可生物降解薄膜应用的有趣替代品。由添加植物油的鱼明胶制成的包装是食品应用的一种很有前途的替代品。
糖尿病和胰岛素剂量的预测建模...
harshitha14601@gmail.com和hemanthkumar@jnnce.ac.ac.in摘要：如今，糖尿病已经成为一种慢性疾病，管理这种疾病需要严格的定期饮食和锻炼，以避免各种健康问题和高血糖水平。要使血糖保持在人体正常水平，必须通过适当的胰岛素剂量建议糖尿病患者。很难预测适量的胰岛素对糖尿病患者。为此，使用机器学习（ML）方法来识别一个人患有糖尿病患者的天气，如果他/她患有适量的胰岛素，应向该患者建议使用适量的胰岛素。k-nearest邻居（KNN）技术可用于预测患者是否糖尿病患者，随机森林回归技术可用于为糖尿病患者提供适当数量的胰岛素剂量。使用上述技术生成结果。关键字：糖尿病预测，胰岛素剂量，K-Nearest邻居（KNN），随机森林回归，PIMA印度糖尿病数据集，机器学习
沃尔玛使用机器的销售预测...
摘要：销售预测对于当今的企业至关重要，因为它是改善它的关键因素。“销售预测”是一个人使用不同技术来预测即将到来的几周，几个月或几年的销售的过程。在本研究论文中，文献综述是关于不同研究人员应用的机器学习算法来预测沃尔玛的销售。不同的算法研究人员使用的是神经网络，OLS回归，XGBoost，SVM，Lasso回归，随机森林，额外的树回归，KNN和线性回归。从应用的所有算法中，额外的树回归表现良好，精度为98.20％。最后，我们比较了沃尔玛销售的随机森林，额外的树回归，XGBoost算法和KNN回归模型。Xgboost在其中排名最高，最高准确性为98.24％。这项研究证明了在这一销售预测领域中机器学习的潜力，并开辟了广泛的未来研究范围，以提高准确性。