XiaoMi-AI文件搜索系统
World File Search SystemLSTM
深层强化学习改变巷的决策算法，用于结合LSTM轨迹预测的智能车辆
摘要：在车辆中改变自动驾驶汽车的明智决定一直是该行业研究的焦点。依赖于预定义规则的传统巷道算法不适合现实道路条件的复杂性和变化。在这项研究中，我们提出了一种利用深层确定性策略梯度（DDPG）强化学习的算法，该算法与长期短期记忆（LSTM）轨迹预测模型集成在一起，称为LSTM-DDPG。在提出的LSTM-DDPG模型中，LSTM状态模块将观测值从观察模块转换为状态表示，然后作为DDPG Actor网络的直接输入。同时，LSTM预测模块通过完全连接的层将附近车辆的历史轨迹坐标转化为单词装饰向量，从而为周围车辆提供了预测的轨迹信息。这种综合的LSTM方法考虑了附近车辆对主体车辆改变车道决定的潜在影响。此外，我们的研究强调了改变车道的过程的安全性，效率和舒适性。因此，我们为LSTM-DDPG算法设计了奖励和惩罚功能，并确定了最佳网络结构参数。然后在使用MATLAB/SIMULINK构建的模拟平台上测试该算法。我们的发现表明，LSTM-DDPG模型提供了涉及车辆相互作用的交通情况的更现实表示。这项研究为自动驾驶汽车的先进车道决定提供了新的想法。与传统的DDPG算法相比，LSTM-DDPG在归一化后平均单步奖励增长了7.4％，强调了其在更换车道改变车道的安全性和效率方面的出色性能。
探索音频语音情感检测的深度学习方法：合奏MFCC，CNN和LSTM
摘要：我们的世界完全依赖我们每天使用的小工具，使世界变得越来越大。拟议的情感交流基于非视线（NLOS），以摆脱传统的人机相互作用。这种情感交流定义为互动，类似于我们每天使用的常见视频和语音媒体；同样，该信息在长距离内传输。我们提出了EAS框架，这是针对实时沟通要求的情感交流协议的另一种合奏技术。该框架支持情感实现的交流。他们也设计了。最后，正在开发用于特征提取的CNN-LSTM体系结构，实施一种选择相关功能的注意机制，为选择相关功能而创建以及用于实时场景，使用有或没有注意机制的实时评估矩阵，为实时场景创建CNN-LSTM网络。DCCA特征提取用于在数据集中的不同标签之间提取属性和发现相关性。toAnaly在情感沟通中与他人之间的长距离通信的情感交流中的实时性能。提出的CNN-LSTM模型以87.08％的精度达到了最高精度，而现有模型（例如CNN基线和LSTM模型）分别显示出81.11％和84.01％。与现有作品相比，我们的方法显示出提高的准确性，尤其是对于实时应用程序。
编辑创新的能源存储的高级高级材料：综合，表征和应用
摘要：创伤性脑损伤（TBI）是人头因事故或跌倒而受到影响的常见伤害之一，并且是最常提交的保险索赔之一。但是，当个人通过提供虚假的医疗状况尝试保险欺诈索赔时，通常总是被滥用。因此，需要即时大脑条件分类系统。本研究提出了一种新型的分类结构，可以对非重生TBI患者和健康受试者进行分类，该患者使用静止状态脑电图（EEG）作为输入，解决计算机断层扫描（CT）扫描和磁共振成像（MRI）的固定性问题。所提出的体系结构利用长期内存（LSTM）和错误校正校正输出编码支持向量机（ECOC-SVM）进行多类分类。通过每个时间步骤将预处理的EEG时间序列提供给网络，LSTM单元将记住上一步的重要信息。LSTM单元的激活用于训练ECOC-SVM。 EEG的时间优势得到扩增，并能够达到100％的分类精度。 将所提出的方法与文献中的现有作品进行了比较，这表明所提出的方法在分类准确性，敏感性，特殊性和精度方面都优越。LSTM单元的激活用于训练ECOC-SVM。EEG的时间优势得到扩增，并能够达到100％的分类精度。将所提出的方法与文献中的现有作品进行了比较，这表明所提出的方法在分类准确性，敏感性，特殊性和精度方面都优越。
研究论文基于双向LSTM和注意力机制的表情脑电多模态情绪识别方法
由于人类情绪的复杂性，不同的情绪特征之间存在一定的相似性，现有的情绪识别方法存在特征提取困难、准确率不高的问题，为此提出一种基于双向长短期记忆和注意机制的表情脑电多模态情绪识别方法。首先基于双线性卷积网络（BCN）提取面部表情特征，将脑电信号变换为三组频带图像序列，利用BCN对图像特征进行融合，得到表情脑电多模态情绪特征。然后通过带有注意机制的长短期记忆在时序建模过程中提取重要数据，有效避免采样方法的随机性或盲目性。最后，设计一种具有三层双向长短期记忆结构的特征融合网络，将表情与脑电特征进行融合，有助于提高情绪识别的准确率。在MAHNOB-HCI和DEAP数据集上，基于MATLAB仿真平台对所提方法进行测试。实验结果表明,注意机制可以增强图像的视觉效果;且与其他方法相比,所提方法可以更有效地从表情和脑电信号中提取情感特征,情绪识别的准确率更高。
使用长短期记忆 (LSTM) 循环神经网络对未处理的脑电图进行分类，以预测癫痫发作
使用机器学习或类似优化技术的最常见方法是对 EEG 记录进行特征提取。然后将这些特征用作预测模型的输入。这种方法在将模型引导至重要信息和优化模型的计算成本方面是有效的。然而，模型的性能受到提取的特征的限制，而特征提取是一个需要人类直觉的过程。以这种方式开发的模型仅限于提取的特征所捕获的信息。如果新范式需要原始提取特征中未捕获的信息，则对实验范式的任何更改都可能降低模型的性能。在癫痫发作预测中，这一点尤为重要，因为对于最佳预测时间范围尚无一致意见（Arthurs 等人，2010 年；Schulze-Bonhage 等人，2010 年），并且不同的急性治疗需要不同的时间过程才能有效。因此，良好的癫痫发作预测模型应该能够改变实验范式（例如癫痫发作预测范围（SPH）和干预期），以满足一系列患者的需求和一系列急性治疗。
对加密货币ZEC价格预测性能的LSTM，GRU和Transformer深度学习模型的比较分析
摘要。本文深入研究了加密货币价格预测的有趣领域，采用了尖端的深度学习方法，以ZCASH（ZEC）为重点。该研究介绍了两个至关重要的特征：“ CLOSS_OFF_HIGH”和“波动性”，然后系统地分析了这些变量与ZEC价格之间的相关性。通过研究三个突出的神经网络架构长期记忆（LSTM），门控复发单元（GRU）和变压器模型的预测准确性 - 研究表明，LSTM和GRU模型在预测ZEC的价格运动中表现优于其他人。此外，本文仔细检查了不同激活函数对模型性能的影响，在这种情况下阐明了线性激活函数的效率。该研究还解决了预测建模中的共同挑战，例如过度拟合和多重共线性。此外，它坦率地承认与仅关注单一的加密货币相关的局限性，认识到需要更广泛的搜索工作和跨学科的合作才能对不断变化的加密货币景观进行更详细的了解。随着加密货币市场继续迅速发展，这项研究为投资者提供了有价值的见解，为加密货币投资提供了理性的观点。它强调了利用适当的模型和拥抱跨学科合作来浏览复杂而动态的加密货币世界的重要性。通过弥合深度学习的尖端世界与金融市场之间的差距，这项研究为实现未来的调查和更明智的投资决策铺平了道路。
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。
大规模数据中心中的基于LSTM的资源和工作量的改进的预测方法
摘要 - 准确的工作量和资源预测是为了实现积极，动态和自适应资源分配，用于构建具有成本效益，能源良好和绿色云数据中心（CDC），为用户提供令人满意的优质服务，并为云提供者提供高收入。这很具有挑战性，因为CDC中急剧增加和大规模的工作量和资源使用的模式随时间而变化显着。当前的预测方法通常无法处理隐式噪声数据，并在工作量和资源时间序列中捕获非线性，长期和短期和空间特征，从而导致预测准确性有限。为解决这些问题，这项工作设计了一种名为VSBG的新型预测方法，该方法无缝且创新地结合了变分模式分解（VMD），Savitzky Golay（SG）滤波器（SG）滤波器，双向长期短期内存（LSTM）和GRID LSTM和GRID LSTM和GRID LSTM，以预测工作量和资源在CDC中的工作量和资源使用。vsbg在执行其预测之前，以四步骤的方式以四步方式整合VMD和SGFURTER。VSBG利用VMD将非机构工作负载和资源时间序列分为多种模式函数。然后，在VSBG中，这项工作设计了二次惩罚，用拉格朗日乘数将其最小化，并采用对数操作和SG滤波器来平滑第一个模式功能，以消除噪声干扰。最后，VSBG首次系统地捕获了具有两个Bilstm层的流量和复杂时间序列数据的深度和时间特征，在此之间，GridLSTM层在其中，从而准确地预测了CDC中的工作量和资源。具有不同现实世界数据集的广泛实验证明，VSBG在预测准确性和收敛速度上的整体最新算法都优于整体。
使用 LSTM 对站立、行走和跑步数据集上的 EEG 信号进行分类
伦敦 V.Gandhi@mdx.ac.uk 摘要 - 毫无疑问，脑机接口 (BCI) 方法最重要的分支之一是通过脑信号进行替代通信的方法。BCI 利用软件和硬件将来自大脑活动感知的脑电图 (EEG) 信号转换为用户动作。BCI 引起了广泛学科研究人员的兴趣，例如认知科学、深度学习、模式匹配、药物治疗医学等。患有神经和认知障碍的患者可以通过 BCI 得到帮助，有可能通过手势或仅仅是心理想象实现交流。在本文中，采用了一种新颖的离散小波变换 (DWT) 组合来提取最佳特征，并采用了基于长短期记忆 (LSTM) 的循环神经网络 (RNN) 对站立、行走和在跑步机上跑步时获取的 EEG 信号进行分类。使用的数据集可从开放科学框架存储库免费下载。所提出的 DWT-LSTMRNN 方法在对四种不同信号进行分类时可实现 96.7% 的准确率，因此有可能在 BCI 竞赛数据集上进行进一步研究，为实时应用铺平道路。