XiaoMi-AI文件搜索系统
World File Search SystemKnn
基于人工智能的民用城市空中交通探索性网络物理安全分析框架
摘要：城市空中交通 (UAM) 已成为服务于智能公民的潜在文明候选者，例如通过送货、监视和空中出租车。然而，由于商用 UAM 使用公开可用的通信基础设施，这增加了干扰和欺骗攻击以窃取或撞毁 UAM 中的飞行器的风险，因此安全问题日益严重。为了保护商用 UAM 免受网络攻击和盗窃，本文提出了一种基于人工智能 (AI) 的探索性网络物理安全分析框架。所提出的框架设计了基于监督学习的 AI 方案，例如决策树、随机森林、逻辑回归、K 最近邻 (KNN) 和长短期记忆 (LSTM)，用于预测和检测网络干扰和欺骗攻击。然后，开发的框架基于控制消息之间的皮尔逊相关系数分析条件依赖关系，以根据 AI 算法的结果查找潜在攻击的原因。本研究将 UAM 姿态控制场景作为确定干扰和欺骗攻击的用例，以使用最先进的无人机攻击数据集验证所提出的框架。实验结果表明，所提出的框架的有效性，使用决策树、随机森林和 KNN 进行干扰和欺骗检测的准确率约为 99.9%，同时有效地找到攻击的根本原因。
通过分析和分类eeg信号对消费者偏好的认可
神经营销已关注弥合传统营销研究与脑电图（EEG）基于脑部计算机界面（BCI）研究之间的差距。它通过偏好预测确定客户实际想要的东西。基于EEG的偏好检测系统的性能取决于适当的特征提取技术和机器学习算法。在这项研究中，我们使用脑电图指数的不同特征组合和不同算法进行特征提取和分类检查了神经营销数据集的偏好检测。对于EEG特征提取，我们采用了离散小波变换（DWT）和功率谱密度（PSD），这些变换（PSD）用于测量基于EEG的偏好指数，从而提高了偏好检测的准确性。此外，我们将深度学习与其他传统的分类器进行了比较，例如K-Neartime（KNN），支持向量机（SVM）和随机森林（RF）。我们还研究了偏好指标对分类算法性能的影响。通过严格的局部分析，我们研究了偏好检测和分类的计算智能。拟议的深神经网络（DNN）的性能在准确性，精度和召回方面优于KNN和SVM；但是，RF获得的结果与同一数据集类似于DNN的结果。
使用混乱工程研究Kafka簇的异常检测
分布式系统正在在IT组织中广泛采用。这些系统中的监视故障，包括松散的耦合应用程序，很麻烦，需要手动关注。本研究重点是在运行Kafka的沙箱中实现异常检测，以自动检测故障。用于训练和测试模型，“混乱工程”用于将受控故障注入系统。由于沙盒当前不在负载下，因此创建了负载模拟器以模拟五种不同的方案：恒定负载，线性增加负载，线性减小负载，正弦负载和现实生活中的场景负载。该研究还研究了从5、10到未来30分钟的各种预测范围上预测指标的能力。预测模型显示出不同的性能结果，具体取决于沙箱上的当前负载和预测度量，因为一些指标显示出较高的波动性，从而导致预测性能较差。总体而言，增加预测范围会导致预测较差，但在合理的利润率之内。该研究得出的结论是，CPU使用度量对于现实生活中的模拟以及所有模型的正弦载荷表现最佳。对于线性增加，消费者组滞后的指标对于所有型号都是最好的。该度量在线性减少载荷期间也对LSTM表现最好。但是，KNN最好的指标是网络错误增加和内存使用量。隔离森林的最佳指标是主题偏移。在整体模型性能方面，KNN是现实生活模拟和线性增加负载的最佳选择。对于持续的模拟，Kafka延迟是LSTM和KNN的最佳指标，而网络错误最适合隔离林。隔离森林最适合正弦，线性减少和恒定模拟。该研究还得出结论，与常规负载模拟相比，沙盒中的混乱工程能够注入足够的误差，以使模型对负载的反应不同。本研究中引入的新方法提供了一种方法，用于使用混乱工程在测试环境中建立机器学习模型，而无需生产数据或现实生活中的使用。
使用机器学习和神经网络对脑电信号进行情感分析
摘要 — 情绪对人的思维方式和与他人的互动方式有重大影响。它是人的感觉与行为之间的纽带，或者可以说它有时会影响一个人的生活决定。由于情绪及其反映的模式因人而异，因此必须基于对广泛人群区域有效的方法进行探究。为了提取特征并提高准确性，使用脑电波或脑电图信号进行情绪识别需要实施有效的信号处理技术。人机交互技术的各种方法已经存在了很长时间，近年来，研究人员在使用脑信号自动理解情绪方面取得了巨大成功。在我们的研究中，使用 SVM（支持向量机）、KNN（K 最近邻）和高级神经网络模型 RNN（循环神经网络）对从著名的公开数据集 DEAP 数据集收集的脑电图信号进行了几种情绪状态的分类和测试，并使用 LSTM（长短期记忆）进行训练。本研究的主要目的是改进使用脑信号提高情绪识别性能的方法。另一方面，情绪会随着时间而变化。因此，我们的研究也考察了情绪随时间的变化。索引词 — 情绪识别、EEG 信号、DEAP 数据集、fft、机器学习、SVM、KNN、DEAP、RNN、LSTM
MRI 图像中脑肿瘤分类的综述
摘要：由于脑肿瘤在人们生活中的重要性，使用机器学习技术对其进行分类已成为必不可少的。正确而快速的诊断是降低死亡率的关键，死亡率最近大幅上升。CT扫描和MRI成像等可用技术如今被广泛使用，后者更为常见，因为它可以从不同角度为脑组织提供高分辨率图像。手动确定正确的脑肿瘤类型需要对脑部疾病有深入了解的专家。此外，对于大量图像来说，这既耗时又乏味。此外，人为错误是可能的，因此误检可能导致错误的程序和治疗。因此，科学家和研究人员介绍了不同的方法来自动有效地对肿瘤类型进行分类，而无需人类知识。本文回顾了这些方法，其中包括传统的机器学习算法（ML）。这些算法可以分为两个主要部分，即监督和无监督。使用最多且达到高精度的算法是SVM，KNN和ANN。一方面，如今通过扩大该领域的可用数据并开发新的基于 ANN 的技术（称为深度学习），脑肿瘤分类的性能得到了提升。本文还回顾了可用于特征提取和分类的这类技术。关键词：MRI 图像、分类、机器学习、KNN、SVM。 ___________________________________________________________________________
基于极距离的增强量子K近邻分类算法
摘要：K最近邻算法是应用最为广泛的分类算法之一，但其高时间复杂度限制了其在大数据时代的性能。量子K最近邻算法（QKNN）可以满意地处理上述问题，但直接应用传统的基于欧氏距离的相似性度量会牺牲其准确率。受极坐标系和量子特性的启发，本文提出一种新的相似性度量来取代欧氏距离，将其定义为极坐标距离。极坐标距离同时考虑角度和模数长度信息，引入一个根据具体应用数据调整的权重参数。为了验证极坐标距离的效率，我们使用几个典型数据集进行了各种实验。对于传统KNN算法，使用极坐标距离进行相似性度量时准确率性能相当，而对于QKNN算法，其分类准确率明显优于欧氏距离。此外，极坐标距离表现出优于欧氏距离的可扩展性和鲁棒性，为 QKNN 在实践中的大规模应用提供了机会。
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）。
使用Python进行多种疾病预测
在全球范围内，糖尿病，心脏病和乳腺癌是死亡的主要原因。糖尿病会影响血糖水平，乳腺癌涉及乳房组织中的肿瘤，心脏病包括心脏节律异常和冠状动脉疾病等问题。在印度，糖尿病每年杀死一百万以上的人，心脏病占死亡率的很大一部分。AI模型今天通常专注于一次诊断一次疾病。 我们建议的方法将糖尿病，乳腺癌和心脏病预后整合到一个用户友好的界面中。 该系统试图通过使用机器学习方法（包括K-Nearest Neighbors（KNN），支持向量机（SVM）和Logistic回归）的机器学习方法立即为多种疾病提供准确的预测。 这将提高医疗保健效率和诊断能力。AI模型今天通常专注于一次诊断一次疾病。我们建议的方法将糖尿病，乳腺癌和心脏病预后整合到一个用户友好的界面中。该系统试图通过使用机器学习方法（包括K-Nearest Neighbors（KNN），支持向量机（SVM）和Logistic回归）的机器学习方法立即为多种疾病提供准确的预测。这将提高医疗保健效率和诊断能力。
尊敬的评奖委员会
摘要：保持自由活动的能力对于生活质量至关重要。随着人们年龄的增长或面临事故、自然灾害或中风等健康状况等挑战，他们可能会因脚踝问题而难以行动。当脚踝不平衡时，会影响步行模式。本研究探索使用红外光谱 (fNIRS) 控制外骨骼以辅助脚踝运动。测试了六个统计特征和四个机器学习分类器，其中 k 最近邻 (kNN) 分类器通过结合所有特征实现了 91.1% 的准确率。为了防止过度拟合，确定了 kNN 的个性化最佳“k”值。简介：在本研究中，fNIRS（功能性近红外光谱）被用作脑机接口 (BCI) 系统的数据采集方式。在执行动作的过程中，大脑需要氧气来激发神经元，从血液中吸取氧气并改变特定点的含氧和缺氧血液的浓度 [1]。 fNIRS 测量这种浓度变化。典型的 BCI 系统涉及几个阶段：数据采集、预处理、特征提取和分类。方法：20 名健康参与者使用 NIRX NIRSport2 fNIRS 系统进行数据采集。该设置包括 20 个通道，由 8 对相距 3 厘米的源和探测器创建，遵循国际 EEG 10-20 系统。实验方案包括与膝关节伸展和屈曲相关的运动任务。随后，使用 nirsLAB 工具箱对收集的数据进行预处理以检查血流动力学反应。采用 0.01 Hz 至 0.3 Hz 的带通滤波器消除生理干扰。结果：从 ΔHbO 中提取了均值、峰值、偏度、方差、峰度和斜率等统计特征并进行了分析。与其他组合相比，这六个特征组合的分类准确率明显更高，为 9.11%。与二次判别分析 QDA（77.9%）、支持向量机（75.2%）和线性判别分析 LDA（62.2%）相比，k 近邻算法具有更高的准确率。这些比较的 p 值小于 p<0.005。结论：该研究提出了一种对 fNIRS 数据进行分类和利用的策略，分析了六个统计指标作为特征。其中，斜率对分类具有重要意义。结合所有六个特征可获得最高准确率，其次是特征较少的组合，强调了它们的重要性。测试四个机器学习分类器表明 kNN 最准确，明显优于 LDA、QDA 和 SVM。kNN 的最佳 k 值因受试者和特征组合而异，有助于优化性能和减少过度拟合。这些发现为有效利用 fNIRS 数据进行分类任务提供了一个框架，为康复机器人应用中的特征重要性和分类器性能提供了见解。参考文献：[1] N. Jovanović-Simić、I. Arsenić 和 Z. Daničić，“脑机接口系统在严重运动障碍患者交流中的应用”，Spec. Edukac. i Rehabil.，第 21 卷，第 1 期，第 51-65 页，2022 年，doi：10.5937/specedreh21-35403。
下载
简介：心血管疾病是全球医疗保健部门面临的主要问题和紧迫问题。根据WHO每年进行的一项调查，CVD在全球造成1,790万人死亡。缺乏CVD的预测是导致患者死亡的重要因素。预测CVD对于医生来说是一项具有挑战性的任务，因为它需要高水平的医学分析技能和广泛的知识。目标：我们认为，预测准确性的提高可以显着降低CVD引起的风险，并帮助医生更好地诊断患者。方法：在这项研究中，我们创建了一个CVD预测模型。使用ML方法。我们利用了各种算法，包括逻辑回归，高斯幼稚的Baye，Bernoulli Naive Baye，SVM，KNN，优化的KNN，X梯度增强和随机的森林算法来分析和预测CVD。结果：我们开发的预测模型的精度为96.7％，表明其在预测CVD方面的有效性。DL算法还可以帮助识别，分类和量化医学图像的模式，从而根据先前的病史和评估模式改善患者评估和诊断。结论：此外，深度学习算法可以通过先前预测该药物的功效来帮助开发新药，以减少临床研究试验的数量来开发新药，以最低成本。