XiaoMi-AI文件搜索系统
World File Search SystemLST
MP-SeizNet：一种使用 EEG 进行癫痫类型分类的多路径 CNN Bi-LSTM 网络。
癫痫发作类型识别对于癫痫患者的治疗和管理至关重要。然而，这是一个耗时耗力的困难过程。随着机器学习算法的进步，自动诊断系统有可能加速分类过程、提醒患者并支持医生做出快速准确的决策。在本文中，我们提出了一种新型多路径癫痫发作类型分类深度学习网络 (MP-SeizNet)，它由卷积神经网络 (CNN) 和具有注意机制的双向长短期记忆神经网络 (Bi-LSTM) 组成。本研究的目的是仅使用脑电图 (EEG) 数据对特定类型的癫痫发作进行分类，包括复杂部分性、简单部分性、失神性、强直性和强直阵挛性癫痫发作。EEG 数据以两种不同的表示形式输入到我们提出的模型中。 CNN 接收从 EEG 信号中提取的小波特征，而 Bi-LSTM 接收原始 EEG 信号，以便我们的 MP-SeizNet 能够从癫痫发作数据的不同表示中进行联合学习，从而获得更准确的信息学习。我们利用最大的 EEG 癫痫数据库——天普大学医院 EEG 癫痫发作语料库 TUSZ v1.5.2 评估了所提出的 MP-SeizNet。我们使用三重交叉验证对不同患者数据评估了我们提出的模型，并使用五重交叉验证对癫痫发作数据评估了模型，结果分别获得了 87.6% 和 98.1% 的 F1 分数。
2023-2027 LSTA五年计划
制定并维护必要的政策和工作流程，以确保有效的核心服务提供。在RFP委员会任职，并在必要时提供类似的行政支持。确定核心服务的短期和长期成功指标，并继续加班。确定数据和其他评估成功的方法。考虑如何为所有赞助人类型和所有图书馆类型提供核心服务。通过更深入的协作，新技术，合作伙伴等确定机会继续改善服务交付，始终关注成功的衡量。确定资金需求和未来的资金目标。是NAC和MSL了解大流行对我们资源和服务等环境的影响的资源。
AI进步：探索Github副驾驶，使用LSTM的假新闻检测以及AI对运输的影响
摘要：人工智能（AI）严重影响了各个部门，突破了技术和重新定义过程的界限。本文研究了AI进步的三个关键领域：用于软件开发的GitHub Copilot，长期记忆（LSTM）网络检测假新闻以及AI对运输的更大影响。Github副副词是AI-Power Edsing Assistant，正在彻底改变开发人员编写代码的方式。LSTM，一种复发性神经网络（RNN）的形式，提供了一种有效的解决方案来检测错误信息。最后，AI通过自动驾驶车辆和交通管理对运输的贡献，展示了AI如何重塑运输领域的基础设施，安全性和效率。本文旨在全面了解这些技术的工作方式及其社会影响。
使用LSTM在巴西进行预测和爆发检测：整合人类流动性和气候因素
背景登革热是全球主要的健康问题，由于其有利的气候因素，社会环境状况以及人类流动性的增加，巴西反复发生和严重爆发。准确的登革热案件和爆发风险对于预警系统和有效的公共卫生干预至关重要。传统的预测模型主要依赖于历史案例数据和气候变量，通常忽略了人类运动在病毒传播中的作用。本研究通过将人类流动性数据纳入基于深度学习的登革热预测框架来解决这一差距。方法开发了一种基于LSTM的模型，以预测每周的登革热病例并检测到选定的巴西城市的爆发。该模型整合了历史登革热案例，滞后气候变量（温度和湿度）以及人类移动调整后的进口案例，以捕获时间趋势和空间传播动态。根据三种替代模型评估其性能：（1）仅使用登革热案例数据的LSTM，（2）结合气候变量的LSTM，以及（3）LSTM集成气候和地理邻里效应的LSTM。使用平均值溶质误差（MAE），平均绝对百分比误差（MAPE）和连续排名的概率得分（CRP）评估了预测准确性，而使用准确性，灵敏度，特异性和F1分数评估了爆发分类。结果在登革热案例预测和爆发检测中，提出的提出的迁移率增强的LSTM模型始终超过所有基线。在所有城市中，它都达到了较低的MAE和MAPE值，表明准确性提高，同时也表现出了出色的CRP性能，反映了良好的校准不确定性估计值。在爆发分类中，该模型达到了最高的灵敏度和F1分数，与仅依赖病例趋势，气候变量或地理位置的模型相比，它在检测爆发期间的有效性。结果强调了登革热预测中赋予移动性数据的重要性，尤其是在人口较高的城市中心。
基于混合自动编码器和LSTM Neural
摘要：风险识别和缓解对于在不断变化的供应链管理领域（SCM）中保持韧性和效率至关重要。现代供应网络中固有的复杂性和不确定性通常太复杂了，无法有效解决传统风险管理技术。为了增强供应链管理中的风险检测和管理，本研究探讨了将区块链技术与深度学习混合的混合策略。区块链通过为供应链操作监视提供透明和分散的系统来确保数据完整性和透明度。深度学习可以改善此过程，该过程分析了大量的历史数据和当前数据，以识别模式，预测威胁并提出对策。所提出的系统利用区块链技术的不可侵犯性和深度学习的预测能力来应对诸如欺诈检测，需求预测，供应商评估和中断预测等重要挑战。使用混合自动编码器和基于LSTM的深神经网络可以确保数据集。自动编码器用于降低维度和降低噪声和冗余数据，这些数据将进一步通过基于LSTM的神经网络，以增强基于区块链的交易数据的安全性。
转移学习用于使用RNN-LSTM混合模型的汇款流入预测国内生产总值增长：冈比亚的案例研究
对经济的规模和表现的见解至关重要，而实际GDP的增长率经常用作经济健康的关键指标，强调了国内生产总值（GDP）的重要性。此外，近年来，汇款引起了全球的巨大兴趣，尤其是在冈比亚。这项研究介绍了创新模型，即复发性神经网络和长期记忆（RNN-LSTM）的混合体，以基于冈比亚的汇款流入来预测GDP的增长。该模型集成了来自世界银行发展指标和冈比亚中央银行（1966-2022）的数据。Pearson的相关性用于检测和选择与GDP和汇款最牢固的变量。此外，还采用了一种参数传输学习技术来提高模型的预测精度。通过随机搜索过程对模型的超参数进行了细调，并使用RMSE，MAE，MAPE和R 2度量来评估其有效性。研究结果首先表明，它具有良好的概括能力，并且在基于汇款流入的GDP增长方面具有稳定的适用性。第二，与独立模型相比，所建议的模型超过预测准确性的最高R 2分数为91.285％。第三，预测的结果进一步表明汇款与短期经济增长之间存在牢固和积极的关系。本文通过采用人工智能（AI）技术来解决基于汇款流入的GDP的关键研究差距。
使用LSTM，多层GRU和Drop-Gru神经网络预测能源消耗。
摘要：随着智能电网发展的急剧增长以及当前在开发测量基础设施方面的进步，短期功耗预测最近引起了人们的关注。实际上，未来电力负载的预测是避免能源浪费并建立有效的电力管理策略的关键问题。此外，可以将能源消耗信息视为历史时间序列数据，这些数据需要提取所有有意义的知识，然后预测未来的消费。在这项工作中，我们的目标是建模并比较三种不同的机器学习算法，以进行时间序列的预测。所提出的模型是长的短期记忆（LSTM），门控复发单元（GRU）和Drop-gru。我们将使用功耗数据作为我们的时间序列数据集，并相应地进行预测。LSTM神经网络在这项工作中受到青睐，以预测未来的负载消耗并防止消耗峰值。为了对该方法进行全面的评估，我们在某些法国城市中使用了实际数据功耗进行了几项实验。在各个时间范围内的实验结果表明，LSTM模型比GRU和Drop-gru预测方法产生更好的结果。的预测错误较少，其精度是更详细的。因此，这些基于LSTM方法的预测将使我们能够提前做出决策，并在消费超过授权阈值的情况下触发负载脱落。这将对计划电源质量和维护动力设备产生重大影响。
CLC MLST模块
为了比较实验，需要使用便携式标准进行DNA测序和分析。这样的标准是多焦点序列分型（MLST），该序列是由Maiden等人首先提出的。[Maiden等，1998]。当前，MLST用于键入流行病学和进化研究的细菌和真菌物种的分离株。有关MLST技术及其应用的最新评论，请参见[Taylor and Fisher，2003； Urwin和Maiden，2003； Sullivan等，2005； Maiden，2006]。
LSTM 与Informer 融合预测冠层区域温度
摘 要： 针对传统温度预测方法难以充分捕捉多尺度信息，导致模型预测性能不佳等问题，该研究提出了一种基于 Informer 架构和长短时记忆网络（ long short-term memory, LSTM ）与多源数据融合的冠层区域温度预测模型。在编码层 中，采用稀疏注意力机制提取输入因子的多尺度信息及其与长时序数据之间的耦合关系；在解码层中，利用 LSTM 提取 短期时序依赖，以增强时间序列的连贯性，同时引入改进的反向残差前馈网络（ improved residual feedforward network, IRFFN ）以优化模型结构。首先采用孤立森林法对数据进行异常值清理，并进行了归一化处理；然后使用斯皮尔曼相关 系数法对冠层区域温度进行相关性分析，并选择相关程度较高的环境因子作为模型的输入特征；最终通过网格搜索法对 超参数进行优化，并通过迭代训练实现模型的最优配置。通过与其他 4 种主流算法进行对比分析，提出的 Informer- LSTM 在冠层区域温度预测方面表现出更高的精度，其平均绝对误差（ mean absolute error, MAE ）、均方根误差（ root mean square error, RMSE ）和决定系数（ R 2 ）分别达到了 0.166 、 0.224 ℃和 97.8% ，与基础模型 Informer 相比，冠层区 域温度的预测精度提高了 32.36% 。该模型在时间序列预测方面具有较高的精度，为区域气象温度的中短期精准预测提 供了一种新的技术方法。 关键词： 冠层 ； 温度 ； 非线性时间序列 ； 长短期记忆神经网络 ； Informer doi ： 10.11975/j.issn.1002-6819.202409001 中图分类号： TP18 ； S165 文献标志码： A 文章编号： 1002-6819(2025)-07-0001-11