XiaoMi-AI文件搜索系统
World File Search SystemLST
参数自适应非模型的状态估计结合了注意机制和LSTM
如今，状态估计被广泛用于诸如自动驾驶和无人机导航之类的领域。但是，在实际应用中，很难获得准确的目标运动模型和噪声协方差。这导致传统卡尔曼过滤器的估计准确性降低。为了解决此问题，本文提出了一种基于注意参数学习模块的自适应模型免费状态估计方法。此方法将变形金刚的编码器与长期短期内存网络（LSTM）结合在一起，并通过offline学习测量数据获得了系统的操作特性，而无需对系统动力学和测量特性进行建模。此外，根据注意力学习模块的输出，期望最大化（EM）算法用于估计在线系统模型参数，并使用KalmanFureter来获得状态估计。使用GPS轨迹路径数据集验证了本文，实验结果表明，所提出的参数自适应模型自由状态估计方法的估计精度比其他模型具有更好的估计精度，从而提供了一种使用深度学习网络进行状态估计的有效方法。
RoBERTa 和 Bi-LSTM 用于 CLEF 2024 PAN 的人类与人工智能生成文本检测笔记本 Panagiotis Petropoulos 1, †, Vasilis Petropoulos 2, †
摘要 我们生活在一个人工智能快速发展的新时代，现有模型的新版本和越来越强大的版本，甚至是新模型，不断被创造出来。人类和工业界正在越来越多地投资于这些进步。现实生活中有很多例子表明，这些模型被人类用来方便自己或欺骗。学生和学者不再深入研究知识和制造虚假新闻是经常发生的两个主要现象。因此，需要创建一个能够检测和区分人工智能生成的文本和人类编写的文本的分类器。已经采取了几种非常好的方法，但它们必须随着法学硕士的发展而不断发展。今年，CLEF [1] [2] 的 PAN 共享任务阐明了上述需求。为了解决该任务，本文提出了一种 RoBERTa[3] 和 Bi-LSTM 相结合的架构。关键词 RoBERTa、Bi-LSTM、NLP、AI 生成文本检测、作者分析
UBC在IDPP：使用机器学习算法从传感器数据中预测患者自我评估
摘要近年来，GPT-3，BERT和GPT-4（例如GPT-3，BERT和GPT-4）的大型语言模型在自然语言处理领域取得了重大进步，增强了诸如文档摘要，语言翻译和问题答案之类的任务。尽管有这些好处，但这些模型产生的文本的真实性和信誉引起了社会问题，包括错误信息和窃。为了解决这些问题，PAN组织已经启动了一系列任务，以区分机器生成的文本和人文所写的文本。本文提出了基于Bert和Bilstm的生成AI作者身份验证模型，该模型通过将变压器编码器与多文本特征技术相结合，从而增强了文本歧视功能。该模型利用了预处理的BERT进行深度特征提取，并结合了由Spacy计算出的其他文本功能，由Bilstm和Transformer编码器进一步处理进行分类。实验结果表明，该模型在PAN验证数据集上达到平均得分为0.971，超过了所有基线模型。这种方法不仅提高了检测准确性，而且还提高了对各种文本类型的适应性，这对于保持自动内容生成时代的信息的真实性和可靠性至关重要。
vision-lstm：XLSTM作为通用视觉骨干
变压器最初用于自然语言处理，但仍被广泛用作计算机视觉中的通用骨架。最近，长期短期内存（LSTM）已扩展到可扩展的性能架构 - XLSTM，该架构通过凸起的门控和可行的矩阵存储器结构克服了长期存在的LSTM限制。在本报告中，我们会引入Vision-LSTM（VIL），XLSTM构建块的改编对计算机视觉。vil包括一堆XLSTM块，其中奇数块处理了从上到下的贴片令牌的序列，而甚至块也从底部到顶部。实验表明，VIL有望进一步部署为计算机视觉体系结构的新通用骨干。项目页面：https：//nx-ai.github.io/vision-lstm/
结合CNN和LSTM
摘要 - 股票市场预测是金融内部极具吸引力和流行的领域，这是由于由于数据非线性和复杂的经济原则而产生的大量利润的潜力。从交易数据中提取功能在该领域至关重要，并且已经制定了许多策略。其中，由于其强大的数据处理能力，深度学习在财务应用中取得了令人印象深刻的成果。在我们的研究中，我们提出了一个混合深度学习模型CNN-LSTM，该模型结合了2D卷积神经网络（CNN），用于图像处理与长期短期记忆（LSTM）网络，用于管理图像序列和分类。，我们将21个技术指标的前15个从财务时间序列转换为15x15图像，在21个不同的日期中。然后将每个图像分为卖出，持有或根据交易数据进行分类。我们的模型表明，股票预测的表现优于其他深度学习模型。
LSTM-ARIMA作为算法投资策略的混合方法
从其他输入和其他输入中获得的预测获得。使用从2000年1月至2023年8月的每日频率数据跨越三个股权指数（标准普尔500，FTSE 100和CAC 40）的算法。测试的体系结构基于步行前进过程，该过程用于使用随机搜索和对算法进行回测的超参数调谐阶段。最佳模型的选择是基于适当选择的性能指标来确定的，该指标将重点放在风险调整后的回报量度上。我们考虑了两个
基于相锁的值函数连接矩阵和CNN-LSTM
摘要：为了有效地检测由虚拟现实环境引起的运动疾病，我们开发了一种专门设计用于视觉诱导的运动疾病的分类模型，采用了相位锁定值（PLV）功能连接矩阵和CNN-LSTM架构。该模型解决了传统机器学习算法的缺点，尤其是它们在处理非线性数据方面的功能有限。我们使用来自25名参与者的EEG数据构建了基于PLV的功能连接矩阵和网络拓扑图。我们的分析表明，视觉诱发的运动疾病显着改变了脑电图中的同步模式，尤其是影响额叶和颞叶。功能连接矩阵用作我们的CNN-LSTM模型的输入，该模型用于对视觉诱导的运动疾病的状态进行分类。该模型表现出优于其他方法的优越性能，从而达到了伽马频带中最高的分类精度。具体来说，二进制分类的最高平均准确度为99.56％，三元分类达到86.94％。这些结果强调了该模型的分类有效性和稳定性，使其成为帮助诊断运动疾病的宝贵工具。
使用具有物理信息的LSTM进行自动驾驶汽车建模
准确地对重型车辆（例如卡车）的动态进行建模对于安全自动导航至关重要。动态模型需要在各种天气和道路状况以及不同的负载配置下捕获复杂的系统行为。此摘要概述了在自动驾驶汽车的运动计划和控制背景下，物理知识的长期记忆（PI-LSTM）网络的整合为动态模型。通过利用LSTM的预测能力来建模复杂的动力学，并通过在损失函数中添加物理约束而施加的普遍性，我们为生成针对运动计划和控制而定制的更有效和可靠的预测的框架。车辆建模的系统识别问题旨在解决以下普通微分方程：
UG584：XG26开发套件用户指南
• EFM8BB3 Busy Bee Microcontroller • 64 kB Flash • 4352 bytes RAM • QFN32 package • Advanced Energy Monitoring system for precise current and voltage tracking • Integrated Segger J-Link USB debugger/emulator with the possiblity to debug external Silicon Labs devices • 20-pin expansion header • Breakout pads for easy access to I/O pins • Power来源包括USB和CR2032电池•超低功率128x128像素内存LCD•2个按钮和1个RGB LED连接到EFM8进行用户交互•8个方向模拟操纵杆用于用户互动