XiaoMi-AI文件搜索系统
World File Search SystemKnn
使用机器学习模型进行故障诊断
摘要轴承是带有变速箱的任何机械的关键元素。必须有效诊断轴承断层以确保机械的安全性和正常操作。因此，轴承中机械故障的识别和评估对于确保可靠的机械操作非常重要。这项比较研究表明，通过利用各种机器学习方法，包括SVM，KNN，线性回归，脊回归，XGB回归，ADABOOST回归和CAT促进回归，轴承诊断的性能。轴承就像机械世界的无名英雄一样，在船上从车轮到螺旋桨，都极大地支撑和指导所有事物的平稳运动。然而，与其他机械组件一样，随着时间的流逝，轴承的持续使用会导致磨损，这最终可能导致故障。
ML-DTD：基于机器学习的药物靶标发现Covid-19的潜在治疗，
摘要：最近的研究强调，人类Interactome中的大部分可毒蛋白靶标仍无法探索各种疾病。这可能会导致药物重新利用的研究，并有助于对新药 - 人类蛋白靶靶相互作用的内在预测。在全球健康问题中，Covid-19疾病的当前大流行也是如此。非常需要使用机器学习方法来确定Covid-19的潜在人类药物靶标，因为与传统的实验方法相比，它可以节省时间和劳动。基于结构的药物发现，其中通过分子对接确定可药物的性能仅适用于可获得三维结构的蛋白质。使用机器学习算法，可以将相关特征用于预测目标和非目标的相关特征，以用于其3-D结构不可用的蛋白质。在这项研究中，提出了一种基于机器学习的药物目标发现（ML-DTD）方法，其中最初在策划的数据集上建立和测试了机器学习模型，该模型由COVID-199的策划数据集组成，该模型由COVID-19S组成，由COVID的人类药物目标和非目标是使用治疗性数据库（TTD）和人类Interactome使用几个分类的X核构成X核构成的X粒子列表，而不是使用治疗性数据库（TTD）形成的非目标。回归，支持矢量分类，决策树分类，随机森林分类，天真的贝叶斯分类和k-neart的邻居分类（KNN）。在这种方法中，蛋白质特征包括基因集富集分析（GSEA）排名，源自蛋白质序列的特性以及基于蛋白质网络中心性的测量方法。在所有这些中，XGBBoost，KNN和随机森林模型是令人满意且一致的。该模型进一步用于预测新型的COVID-19人类药物靶标，该靶标通过目标途径分析，盟军重新塑造药物的出现以及随后的对接研究进一步验证。
通过机器学习驱动的基因表达谱识别髓母细胞瘤的分子亚群
1 伊朗德黑兰国家遗传工程和生物技术研究所工业和环境生物技术研究所生物过程工程系 2 伊朗德黑兰大学科学学院生物技术系 3 法国巴黎巴黎萨克雷大学 4* 美国加利福尼亚州欧文市加利福尼亚大学神经病学系 92612 * 通讯作者：Babak Khorsand Khorsand.babak@uci.edu 美国加利福尼亚州欧文市加利福尼亚大学神经病学系 电话：949.678.8869 利益冲突：无 摘要背景：髓母细胞瘤 (MB) 是儿童中最常见的恶性脑肿瘤，其亚群之间具有显著的分子异质性。准确分类对于个性化治疗策略和预后评估至关重要。程序：本研究利用机器学习 (ML) 技术分析了 70 个儿童髓母细胞瘤样本的 RNA 测序数据。采用五种分类器——K 近邻 (KNN)、决策树 (DT)、支持向量机 (SVM)、随机森林 (RF) 和朴素贝叶斯 (NB)——根据基因表达谱预测分子亚群。特征选择确定了不同大小的基因子集（750、75 和 25 个基因），以优化分类准确性。结果：使用完整基因组进行的初步分析缺乏判别力。然而，减少的特征集显著提高了聚类和分类性能，尤其是对于第 3 组和第 4 组亚群。 RF、KNN 和 SVM 分类器始终优于 DT 和 NB 分类器，在许多情况下，尤其是在第 3 组和第 4 组中，分类准确率超过 90%。结论：本研究强调了 ML 算法在使用基因表达数据对髓母细胞瘤亚组进行分类方面的有效性。特征选择技术的整合大大提高了模型性能，为髓母细胞瘤管理中增强个性化方法铺平了道路。关键词：髓母细胞瘤、基因表达谱、机器学习、癌症病理学、儿科。缩写表
使用地球物理日志的机器学习辅助岩性预测：Cambay Basin的案例研究
识别和储层相的表征是划定用于碳氢化合物勘探的储层的碳氢化合物区域的主要因素。地球物理日志是在钻孔附近测量的储层相的物理参数，在储层相的解释中起着至关重要的作用。本研究涉及使用地球物理原木上的机器学习（ML）技术在坎贝盆地中岩石BEL的岩性的识别。机器学习的监督技术，例如支持向量机（SVM），ARTI B CIAL神经网络（ANN）和K-Nearest邻居（KNN），用作非线性地球体物理原木岩性学的识别的非线性分类。使用网格搜索交叉验证（CV）方法优化了ML模型的超参数，如ConfusionMatrix评估，auctreceiver操作特性曲线（AUC），精度，召回和F1分数对促进性的促进症状效果。ML模型使用了两个井的地球物理参数，其中有四个已知的杰出岩性（class-a，class-b，class-c和class-c和class-c和class-c和class-c和class-class-c和class-class-class-c和class-class-class）。分别从混淆矩阵中分别为KNN，SVM和ANN的每个岩性的优化和训练的模型，分别以85.4％，87.0和88.9％的形式显示了对真实值的总体正确预测。因此，每个模型从评估参数中的准确性表明，对不同ML模型的组合分析选择优化的ML模型，以更好地实现和验证，以更好地实现和建模岩性。除此之外，接收器手术特征（ROC）还表明，每种岩性的曲线下的整体面积大于90％，其他评估参数（例如精度，回忆和F1得分）的准确性大于84％，除了SVM和ANN类C类D类和Ans类D类案例外。
黑海科学机器学习杂志...
阿尔茨海默病是一种神经退行性疾病，会逐渐丧失认知和神经功能，对人类生活产生负面影响，并且是不可逆转的。由于该疾病无法治愈，因此通过早期诊断减缓其进展至关重要。诊断阶段的延长会导致治疗延迟并增加认知和神经系统的损失。本研究的目的是利用机器学习方法根据脑电图（EEG）信号诊断阿尔茨海默病（AD），以尽量减少损失。在研究中，24 名 AD 患者和 24 名健康人的脑电图信号被分为 4 秒的时间段，重叠率为 50%。计算信号的独立成分分析（ICA）值，并根据ICA值从EEG通道中自动去除噪声。每个信号从时间域到谱域的转换都是采用Welch方法进行的。通过Welch频谱分析获得1~30Hz范围内的功率谱密度（PSD）信号，提取20个统计和频谱特征，并建立特征向量。利用Spearman相关系数检验各特征与标签的相关关系，并根据阈值选取9个特征构建新的特征向量。将获得的特征向量中70%作为训练，30%作为测试。采用 10 倍交叉验证对机器学习 (ML) 方法中的支持向量机 (SVM) 和 k-最近邻 (kNN) 方法进行训练和测试，不使用和使用主成分分析 (PCA)。根据准确度、敏感度、特异性、精确度和 F-Score 值对结果进行比较。通过对由20个特征组成的特征向量进行PCA分析，利用SVM取得了AD诊断的最佳准确率（96.59%）。关键词：EEG、阿尔茨海默病、机器学习、SVM、kNN。
研究论文基于 fNIRS 使用稀疏表示解码步行意象和空闲状态
目的.基于功能性近红外光谱（fNIRS）的脑机接口（BCI）有望为严重影响其生活质量的步行功能障碍患者提供一种可选的主动康复训练方法。利用稀疏表示分类（SRC）氧合血红蛋白（HbO）浓度对步行表象和空闲状态进行解码，构建基于步行表象的 fNIRS-BCI。方法.招募15名受试者，采集步行表象和空闲状态下的 fNIRS 信号。首先对 HbO 信号进行带通滤波和基线漂移校正，提取 HbO 的均值、峰值、均方根（RMS）及其组合作为分类特征；利用 SRC 对提取的特征进行识别，并将 SRC 的结果与支持向量机（SVM）、K 最近邻（KNN）、线性判别分析（LDA）和逻辑回归（LR）的结果进行比较。结果.实验结果表明，三种特征组合的SRC对于步行想象和静止状态的平均分类准确率为91.55±3.30%，显著高于SVM、KNN、LDA和LR的86.37±4.42%、85.65±5.01%、86.43±4.41%和76.14±5.32%，且其他组合特征的分类准确率均高于单一特征的分类准确率。结论研究表明，在fNIRS-BCI中引入SRC能有效识别步行想象和静止状态。同时特征提取的不同时间窗口对分类结果有影响，2～8 s的时间窗口取得了比其他时间窗口更好的分类准确率（94.33±2.60%）。显著性意义。该研究旨在为步行功能障碍患者提供一种新的、可选的主动康复训练方法，此外该实验也是一项罕见的基于fNIRS-BCI利用SRC解码步行意象和静止状态的研究。
健康老龄化中脑电图网络连接的年龄相关变化
摘要：新兴研究报告称，功能性大脑网络会随着年龄的增长而发生变化。图论用于了解与年龄相关的大脑行为和功能差异，并使用脑电图 (EEG) 检查区域之间的功能连接。正常衰老对工作记忆 (WM) 状态下的功能网络和区域间同步的影响尚不清楚。在本研究中，我们应用图论来研究衰老对静息状态下网络拓扑的影响以及在执行视觉 WM 任务期间对衰老 EEG 信号进行分类。我们记录了 20 名健康中年人和 20 名健康老年受试者睁眼、闭眼和执行视觉 WM 任务时的脑电图。EEG 信号用于构建功能网络；节点由 EEG 电极表示；边表示功能连接。计算了包括全局效率、局部效率、聚类系数、特征路径长度、节点强度、节点中介中心性和同配性的图论矩阵来分析网络。我们应用了 K 近邻 (KNN)、支持向量机 (SVM) 和随机森林 (RF) 三个分类器对两组进行分类。分析显示老年组的网络拓扑特征显著减少。在睁眼、闭眼和视觉 WM 任务状态下，老年组的局部效率、全局效率和聚类系数显著降低。KNN 在视觉 WM 任务中实现了 98.89% 的最高准确率，并且比其他分类器表现出更好的分类性能。我们对功能网络连接和拓扑特征的分析可以用作探索人类大脑正常与年龄相关的变化的适当技术。
![机器学习的数字笔记[R20A0518]](/simg/g:\will\search\icon\source\a\a956418acb3c5a7a704a8bbd1371400887da20d5.webp)
机器学习的数字笔记[R20A0518]
11 K-Nearest Neighbor(KNN) Algorithm 35 12 Logistic Regression 38 13 Support Vector Machines 41 14 UNIT –III 15 Neural Network Representation 45 16 Artificial Neural Networks 61 17 Back propagation Algorithm 66 18 Convolutional Neural Networks 70 19 Recurrent Neural Networks 78 20 Classification Metrics 81 21 UNIT-IV 22 Cross validation Techniques 82 23 Bias-Variance交易88 24正则化91 25过度拟合，不足94 26合奏方法96 27单位-V 28聚类技术100 29高斯混合模型116
校正：免疫检查点抑制剂相关的甲状腺...
一般而言，LightGBM，Xgboost，随机森林和逐步增强模型的表现优于内部阀门。同时，采用LightGBM（0.96），XGBoost（0.92）和随机森林（0.92）的模型，较高的AUC值。关于灵敏度，逻辑回归（0.64）和LightGBM（0.57）模型的性能更好。虽然，KNN，随机森林，SVM和梯度增强模型达到了特异性和正面值1。此外，LightGBM（0.90），决策树（0.88）和逻辑回归（0.88）模型表现出更高的负预测值。使用LightGBM，XGBoost和随机森林组合歧视和校准，Brier得分分别为0.07、0.10和0.10（表3，图3，图。4，图S18 – S19）。
使用机器学习技术预测脑肿瘤恶性程度 Seethalakshmi B. *
及早发现癌症对于挽救许多生命至关重要。如果脑瘤被诊断为较高级别，它通常是最常见和最严重的恶性肿瘤之一，预计寿命很短。肿瘤大小、形态和位置的差异对脑瘤的检测造成了重大障碍。本综述旨在为研究人员提供基于磁共振成像 (MRI) 的脑瘤检测的全面文献综述。使用九种机器学习算法对 MRI 图像进行分类：支持向量机 (SVM)、逻辑回归、K 最近邻 (KNN)、朴素贝叶斯 (NB)、决策树 (DT) 分类器、随机森林分类器、XGBoost 分类器、随机梯度下降 (SGD) 分类器和梯度提升分类器。对 ML 算法进行了比较和对比。