XiaoMi-AI文件搜索系统
World File Search SystemKnn
使用机器学习的心脏病预测系统
心脏病病例每天都在快速增加，提前预测任何此类疾病非常重要且令人担忧。这种诊断是一项艰巨的任务，即必须准确高效地进行。本研究论文主要关注根据各种医疗属性，哪些患者更有可能患心脏病。我们准备了一个心脏病预测系统，使用患者的病史来预测患者是否可能被诊断出患有心脏病。我们使用不同的机器学习算法，如逻辑回归和 KNN 来预测和分类患有心脏病的患者。我们使用了一种非常有用的方法来规范如何使用该模型来提高任何个人心脏病发作预测的准确性。所提出的模型的强度非常令人满意，并且能够通过使用 KNN 和逻辑回归来预测特定个体患有心脏病的证据，与以前使用的分类器（如朴素贝叶斯等）相比，该模型显示出良好的准确性。因此，通过使用给定的模型，在寻找分类器正确和准确地识别心脏病的概率方面，已经减轻了相当大的压力。给定的心脏病预测系统可增强医疗保健并降低成本。该项目为我们提供了重要的知识，可以帮助我们预测患有心脏病的患者。它以.pynb 格式实现。
FNT740人工智能和机器学习的教学大纲
•使用数字工具和技术在金融组织中的分析应用程序。•在财务应用中利用人工智能和机器学习。•分析和区分各种AI和ML算法，包括决策树，KNN，SVM，随机森林和回归。•评估AI/ML技术在金融科技领域中的有效性，例如信用评估，欺诈检测，贷款承销，算法交易和聊天机器人。•使用Python等编程平台为金融服务量身定制的AI和ML应用程序。
高级网络钓鱼检测：在全面的URL数据集上利用T-SNE功能提取和机器学习
抽象的网络钓鱼攻击在当今的数字世界中继续构成重大挑战。因此，需要复杂的检测技术来解决不断变化的策略。在本文中，我们提出了一种创新的方法，可以使用广泛的Phiusiil数据集识别网络钓鱼尝试。提议的数据集包括134,850个合法URL和100,945个网络钓鱼URL，为分析提供了强大的基础。我们将T-SNE技术应用于特征提取，将原始51个特征缩合为2，同时保留了高检测精度。我们评估了完整和减少数据集的几种机器学习算法，包括逻辑回归，天真的贝叶斯，k-nearest邻居（KNN），决策树和随机森林。决策树算法在原始数据集上显示出最佳性能，精度达到99.7％。有趣的是，所提出的KNN在功能提取的数据上表现出了显着的结果，其精度达到了99.2％。使用特征提取的数据集时，我们观察到逻辑回归和随机森林性能的显着改善。提出的方法在计算效率方面提供了可观的好处。功能提取的数据集需要更少的处理能力；因此，它非常适合资源有限的系统。这些发现为开发更强大，更灵活的网络钓鱼检测系统铺平了道路，这些系统可以在实时场景中识别和中和新兴威胁。
智能城市监视：Edge Technology Face识别机器人深度学习基于A. Medjdoubi*，M。Meddeber，K。Yahyaoui精确科学学院
在当代背景下，加强安全和安全措施的必要性变得越来越明显。鉴于技术进步的快速发展，智能和有效的监视解决方案的发展引起了人们的极大兴趣，尤其是在智慧城市（SC）领域。监视系统已随着边缘技术（ET）的出现，物联网（IoT）和深度学习（DL）的出现而改变，以成为SC的关键组成部分，尤其是面部识别的领域（FR）。这项工作推出了基于ESP32-CAM微控制器的智能监视汽车机器人，再加上结合了DL模型和传统算法的FR模型。使用HAAR-CASCADE（HC）算法进行面部检测，而特征提取依赖于提议的卷积神经网络（CNN）和预测的DL模型，即VGG和Resnet。分类是通过两种不同的算法进行的：天真的贝叶斯（NB）和K-Nearest邻居（KNN）。验证实验证明了包括HC，VGG和KNN的复合模型的优势，分别在LFW，AR和ORL数据库中达到了92.00％，94.00％和96.00％的准确率。此外，监视汽车机器人表现出实时响应能力，包括电子邮件警报通知，并在自定义数据库中拥有99.00％的出色识别精度率。此ET监视解决方案提供了能源效率，便携性，远程可访问性和经济负担能力的优势。
使用基于两个SEMG电极信号的机器学习评估手动分类性能
摘要：近年来，基于分类的肌电控制引起了极大的兴趣，导致具有先进功能的假肢手，例如多围手。到目前为止，通过增加表面肌电图（SEMG）电极的数量或添加其他感应机制来实现高分类精度。尽管许多规定的肌电手仍然采用两电极SEMG系统，但仍缺乏有关信号处理和分类性能的详细研究。在这项研究中，招募了九名健全的参与者执行六种典型的手动动作，使用Delsys Trigno Research+ Acquisition System从两个电极中获取了来自两个电极的SEMG信号。信号处理和机器学习算法，特别是线性判别分析（LDA），K-Nearest邻居（KNN）和支持向量机（SVM），用于研究分类精度。总体分类精度为93±2％，动作特异性精度为97±2％，F1得分为87±7％，与多电极系统报道的总体精度为87±7％。与LDA和KNN算法相比，使用SVM算法实现了最高精度。揭示了分类精度与特征数量之间的对数关系，这在五个特征上平稳。这些全面的发现可能有可能有助于具有两个SEMG电极的通常开处方的肌电手部系统的信号处理和机器学习策略，以进一步提高功能。
比较多光谱的机器学习...
侵入性植物物种对本地生态系统构成了重大威胁，绘制其分布对于有效的管理和保护工作至关重要。本研究使用遥感图像比较了不同机器学习技术在侵入性植物物种Spathodea Campanulata的多光谱特征中的性能。使用随机抽样技术收集了基于地面的植被的位置数据，并从Sentinel-2获取了卫星图像。结果表明，使用机器学习技术，蓝色，绿色，红色，红色和近红外带可有效区分侵入性S. campanulata，不蔬菜和其他植被。支持向量机（SVM）技术达到了80％的最高总体准确性，其次是随机森林（RF），为73％和K-Nearest邻居（KNN），占66％。高斯混合模型（GMM）技术的总体准确性最低为53％。SVM和RF在预测和观察的类之间显示出很大的一致性，而KNN显示中度一致，GMM的一致性差。SVM产生的地图描述了研究区域北部地区的侵入性植物物种的分布。相比之下，南部地区（包括蒂莫兰山的保护区）显示出s。campanulata的密集存在，表明该物种正在进行的入侵。这强调了有效管理和保护工作的必要性，以减轻侵入性植物物种对本地生态系统的负面影响。
基于脑电图的情感识别的多功能输入深林
由于人类计算机相互作用的迅速发展，近年来，情感计算引起了越来越多的关注。在情绪识别中，脑电图（EEG）信号比其他生理实验更容易记录，并且不容易被伪装。由于脑电图数据的高维质和人类情绪的多样性，因此很难提取有效的脑电图并识别情绪模式。本文提出了一个多功能深森林（MFDF）模型，以识别人类的情绪。首先将EEG信号分为几个EEG频带，然后从每个频带中提取功率谱密度（PSD）和差分熵（DE），将原始信号作为特征提取。五个级别的情感模型用于标记五个情绪，包括中性，愤怒，悲伤，快乐和愉快。具有原始特征或尺寸减少了输入的特征，深层森林是为了对五个情绪进行分类的构建。这些实验是在公共数据集上进行的，用于使用生理信号（DEAP）进行情绪分析。将实验结果与传统的分类器进行了比较，包括K最近的邻居（KNN），随机森林（RF）和支持向量机（SVM）。MFDF的平均识别精度为71.05％，比RF，KNN和SVM高3.40％，8.54％和19.53％。此外，降低尺寸和原始脑电图信号后具有特征输入的精度分别仅为51.30和26.71％。这项研究的结果表明，该方法可以有效地有助于基于脑电图的情绪分类任务。
使用机器的手语翻译器...
抽象的手语是聋人和静音者的唯一交流手段。，但是许多普通人不知道手语。因此，用手语说话的人很难与那些不说手语交流的人进行交流。本文扩展了先前提出的卷积神经网络（CNN）模型，用于使用基于MobileNETV2的转移学习模型来预测手语。所提出的系统旨在通过将手语的手势转化为文本或语音来为听力受损的用户提供有效的沟通。TensorFlow K-NN图像分类器用于训练训练集的模型。分类器涉及k-neart的邻居分类器。类的数量取决于数据集中唯一标志的数量，每个类都与一个符号关联。Mobilenet模型已在大型图像数据集上进行了预训练，并在ASL手符号图像上进行了微调以学习判别特征。从Mobilenet模型中提取功能后，使用KNN分类器进行手语识别。knn是一种简单而有效的算法，它基于特征空间中其K-Neart最邻居的多数类别为输入样本分配标签。在这种情况下，邻居对应于先前看到的手语手势。拟议的手语翻译系统具有许多实际应用，例如在日常互动期间有听力或语音障碍的人。关键字： - 手语翻译器，K -NN图像分类器，CNN，Mobilenet，TensorFlow，Tokbox。此外，它可以集成到教育平台中，以支持手语学习者并提供包容性的语言教育机会。
EEG 信号复杂性测量以增强 BCI-...
摘要：中风是全球第二大死亡原因和最常见的残疾原因之一。研究人员发现脑机接口 (BCI) 技术可以更好地帮助中风患者康复。本研究使用所提出的运动想象 (MI) 框架分析了来自 8 名受试者的脑电图 (EEG) 数据集，以增强针对中风患者的基于 MI 的 BCI 系统。该框架的预处理部分包括使用传统滤波器和独立成分分析 (ICA) 去噪方法。然后计算分形维数 (FD) 和赫斯特指数 (Hur) 作为复杂性特征，并评估 Tsallis 熵 (TsEn) 和弥散熵 (DispEn) 作为不规则参数。然后使用双向方差分析 (ANOVA) 从每个参与者那里统计检索基于 MI 的 BCI 特征，以展示个体在四个类别（左手、右手、脚和舌头）中的表现。降维算法拉普拉斯特征图 (LE) 用于增强基于 MI 的 BCI 分类性能。利用 k 最近邻 (KNN)、支持向量机 (SVM) 和随机森林 (RF) 分类器，最终确定了中风后患者的组别。研究结果表明，使用 RF 和 KNN 的 LE 分别获得了 74.48% 和 73.20% 的准确率；因此，所提出的特征与 ICA 去噪技术的综合集可以准确描述所提出的 MI 框架，可用于探索四类基于 MI 的 BCI 康复。这项研究将帮助临床医生、医生和技术人员为中风患者制定良好的康复计划。
一种新的检测MRI脑肿瘤的混合系统
摘要不规则的脑细胞的生长导致一种称为脑肿瘤（BT）的疾病。由于较低的肿瘤形状速率和范围很大，很难预测患者的生存机会。即使可以手动检测到癌症，也很困难且耗时，并且有产生假阳性结果的风险。这可以通过MRI完成，这是定位癌症所必需的。很难通过计算机辅助诊断系统可靠地可靠地识别MRI图像从MRI图像中识别出不同的疾病。在实验中，使用了三个公开访问的基准数据集。要在我们提出的方法中执行特征提取，采用了CNN模型，随后应用五个机器学习分类器：决策树（DT），天真贝叶斯（NB），自适应增强（ADABOOST），K-Nearest邻居（KNN）和支持向量机（SVM）。结果表明，通过在各种分类指标下优于其他尖端DL模型，提出的使用KNN分类器的CNN体系结构的性能要比以前的CNN模型更好。最后，所达到的F1得分，精度，召回和所提出模型的分类和检测的准确性值分别为99.58％，99.59％，99.58％和99.58％。进行比较研究，使用了其他转移学习模型。实验发现支持所提出的体系结构的强度，该结构已迅速加速并改善了BT的分类。设计的方法优于现有知识的主体，表明它是对BTS进行分类的快速而精确的方法。