XiaoMi-AI文件搜索系统
World File Search SystemLSTM
同一个健康 - LSTM 在线档案
为了初步了解马拉维的山羊血吸虫病及其人畜共患潜力，我们进行了一项分子流行病学调查，在三个地区采集了山羊样本（n = 230），并使用粪便毛蚴孵化试验。后来对毛蚴进行分子基因分型表明，恩桑杰区（n = 30）的马氏血吸虫患病率为 0.0%，奇克瓦瓦区（n = 30）的患病率为 16.7%，曼戈切区（n = 170）的患病率为 25.3%。值得注意的是，在奇克瓦瓦的一只山羊身上发现了埃及血吸虫的毛蚴。对曼戈切区两家当地屠宰场的胴体（n = 51）进行检查后，未发现任何山羊血吸虫病的证据，只有曼戈切 3 的一个羊群受到感染。在这里，尽管对附近的几个其他牧群进行了采样，但患病率仍高达 87.7 % (n = 49)，其中一只动物每 5 克粪便中排出 1000 个毛蚴。在这里，我们的吡喹酮治疗（n = 14）和 GPS 动物追踪（n = 2）试点子研究对三个月内的两个当地山羊牧群进行了比较。记录了 10 平方公里区域内的每日觅食范围，并在当地淡水中间蜗牛宿主内进行有针对性的血吸虫监测。GPS 数据分析显示，只有一个牧群（受感染）每天定期接触马拉维湖的水，而另一个牧群（未感染）完全避开湖泊。以 40 mg/kg 的剂量施用吡喹酮治疗一周后，驱虫治愈率为 92.3 %，而三个月后，大约三分之一的接受治疗的动物脱落血吸虫毛蚴。对当地捕获的几种田间蜗牛尾蚴进行了基因分型，包括发现了埃及血吸虫 - 马特氏血吸虫杂交种。我们的研究结果揭示了山羊血吸虫病的局灶性，为埃及血吸虫传播发出了新的警报，并强调了人畜共患传播可能很严重的地区。为了更好地解决马特氏血吸虫（和/或埃及血吸虫）的人畜共患溢出效应，国家血吸虫病控制计划应正式制定针对山羊血吸虫病的有针对性的监测，并在适当的情况下，在未来尝试综合的“同一个健康”干预措施。
使用LSTM模型分解每日降水数据
没有时间调整，需要对其他位置的每日降水量测量值保持一致，以解释日光节省时间。这些位置进行一年一度的一小时换档，需要每日降水读数和其他气象元素之间的时间对齐，因为半小时的降水数据在标准时间始终记录下来。然后，我们使用该站完整的半小时沉淀数据执行此插值数据的内部连接。这导致了一个时间序列，该时间序列可以追溯到半小时的降水记录开始日期。我们在2020年至2022年的所有数据上测试模型，使用2018和2019作为验证设置，以防止模型过度拟合并在其余数据上进行训练。这会导致大约75％-10％-15％的火车验证测试拆分。训练数据集进行了改组，以允许该模型从每批更具代表性的样本中学习。
天气预报的深度学习：用于预测历史温度数据的CNN-LSTM混合模型
摘要。随着全球气候变化的加剧，准确的天气预报变得越来越重要，影响农业，能源管理，环境保护和日常生活。这项研究介绍了结合卷积神经网络（CNN）和长期记忆（LSTM）网络的混合模型，以预测历史温度数据。CNN用于空间特征提取，而LSTMS处理时间依赖性，从而显着提高了预测准确性和稳定性。通过使用平均绝对误差（MAE）作为损失函数，该模型在处理复杂的气象数据方面表现出卓越的性能，解决了缺少数据和高维度等挑战。结果表明，预测曲线和测试数据之间存在很强的一致性，从而验证了模型在气候预测中的潜力。本研究为农业，能源管理和城市规划等领域提供了宝贵的见解，并为在全球气候变化的背景下为未来的天气预报应用奠定了基础。
利用 LSTM 和强化学习实现 CIoT 节点中的自适应感知
摘要 — 无线传感器网络 (WSN) 在消费者物联网 (CIoT) 中提供了广泛的应用。WSN 中的传感器节点配备了一系列传感器，这些传感器通常会遇到能源供应有限的问题。因此，本文针对多传感节点提出了一种联合长短期记忆 (LSTM) 和强化学习的边缘智能框架。这种新颖的策略旨在通过在边缘节点使用基于 Q 学习的优化函数解决传感信号之间的互相关与传感器能耗之间的权衡，在测量周期内估计一组最佳的活动传感器。采用基于 LSTM 的预测模型从活动传感器监测的互相关传感信号中预测非活动传感器监测的传感信号。为了评估所提出的框架在 CIoT 节点中的性能，在空气污染监测数据集上模拟了该算法。模拟结果证实了所提出的框架的有效性和效率。与目前最先进的方法相比，所提出的算法在错误性能方面提高了 13%，在感知能耗方面提高了 27%，同时保持了非活动和活动传感器集之间互相关系数的下限。
在聚合科学中长期记忆（LSTM）网络的应用：评论
摘要：本评论探讨了长期记忆（LSTM）网络的应用，该网络是一种专门的经常性神经网络（RNN），在聚合科学领域。LSTM网络在建模顺序数据和预测时间序列结果方面表现出显着的有效性，这对于理解聚合物中的复杂分子结构和动态过程至关重要。本综述深入研究LSTM模型来预测聚合物性能，监测聚合过程并评估聚合物的降解和机械性能。此外，它解决了与数据可用性和解释性相关的挑战。通过各种案例研究和比较分析，综述证明了LSTM网络在不同聚合物科学应用中的有效性。还讨论了未来的方向，重点是实时应用程序和跨学科协作的需求。本综述的目的是将高级机器学习（ML）技术与聚合物科学联系起来，从而促进创新并提高该领域的预测能力。
混合变压器LSTM模型适用于葡萄糖预测
糖尿病的全球患病率正在升级，估计表明，到2021年，超过5.366亿个人遭受了折磨，约占全球人口的10.5％。由于与不准确性的严重健康风险（例如低血糖和高血糖）相关的严重健康风险，糖尿病的有效管理，特别是对血糖水平的监测和预测，仍然是一个重大挑战。本研究通过采用混合变压器LSTM（长期短期内存）模型来解决这一关键问题，旨在根据连续葡萄糖监测（CGM）系统的数据增强未来葡萄糖水平预测的准确性。这种创新的方法旨在减少糖尿病并发症的风险并改善患者预后。我们使用了一个数据集，该数据集包含32000多个数据点，其中包括来自中国江苏省苏州市医院收集的八名患者的CGM数据。此数据集包括历史葡萄糖读数和设备校准值，因此由于其丰富性和实时适用性，它非常适合开发预测模型。我们的发现表明，混合变压器LSTM模型显着胜过标准LSTM模型，在预测间隔分别达到1.18、1.70和2.00的均方根误差（MSE）值分别为15、30和45分钟。这项研究强调了先进的机器学习技术在主动管理中的潜力，这是减轻其影响的关键一步。
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/