XiaoMi-AI文件搜索系统
World File Search SystemSVM
![文章标题：抗击 COVID-19：人工智能技术与挑战 作者：Nikhil Patel[1]、Sandeep Trivedi[2]、Jyotir Moy Chatterjee[3] 所属机构：毕业于杜比克大学，联系电子邮件 ID：Patelnikhilr88@gmail.com[1]，IEEE 会员，毕业于 Technocrats Institute of Technology，联系电子邮件 ID：sandeep.trived.ieee@gmail.com[2]，尼泊尔加德满都佛陀教育基金会[3] Orcid id：0000-0001-6221-3843[1]、0000-0002-1709-247X[2]、0000-0003-2527-916X[3] 联系电子邮件：sandeep.trived.ieee@gmail.com 许可信息：本作品已以开放获取形式发表根据 Creative Commons 署名许可 http://creativecommons.org/licenses/by/4.0/，允许在任何媒体中不受限制地使用、分发和复制，前提是正确引用原始作品。条件、使用条款和出版政策可在 https://www.scienceopen.com/ 找到。预印本声明：本文为预印本，尚未经过同行评审，正在考虑并提交给 ScienceOpen Preprints 进行公开同行评审。DOI：10.14293/S2199-1006.1.SOR-.PPVK63O.v2 预印本首次在线发布：2022 年 7 月 25 日 关键词：COVID-19、SVM、神经网络、NLP、数学建模、高斯模型、疫情防控](/simg/8/8dd469c55249d1165cc0c55c494f5b27bda7b11b.png)
文章标题：抗击 COVID-19：人工智能技术与挑战 作者：Nikhil Patel[1]、Sandeep Trivedi[2]、Jyotir Moy Chatterjee[3] 所属机构：毕业于杜比克大学，联系电子邮件 ID：Patelnikhilr88@gmail.com[1]，IEEE 会员，毕业于 Technocrats Institute of Technology，联系电子邮件 ID：sandeep.trived.ieee@gmail.com[2]，尼泊尔加德满都佛陀教育基金会[3] Orcid id：0000-0001-6221-3843[1]、0000-0002-1709-247X[2]、0000-0003-2527-916X[3] 联系电子邮件：sandeep.trived.ieee@gmail.com 许可信息：本作品已以开放获取形式发表根据 Creative Commons 署名许可 http://creativecommons.org/licenses/by/4.0/，允许在任何媒体中不受限制地使用、分发和复制，前提是正确引用原始作品。条件、使用条款和出版政策可在 https://www.scienceopen.com/ 找到。预印本声明：本文为预印本，尚未经过同行评审，正在考虑并提交给 ScienceOpen Preprints 进行公开同行评审。DOI：10.14293/S2199-1006.1.SOR-.PPVK63O.v2 预印本首次在线发布：2022 年 7 月 25 日 关键词：COVID-19、SVM、神经网络、NLP、数学建模、高斯模型、疫情防控
文章标题：抗击 COVID-19：人工智能技术与挑战 作者：Nikhil Patel[1]、Sandeep Trivedi[2]、Jyotir Moy Chatterjee[3] 所属机构：毕业于杜比克大学，联系电子邮件 ID：Patelnikhilr88@gmail.com[1]，IEEE 会员，毕业于 Technocrats Institute of Technology，联系电子邮件 ID：sandeep.trived.ieee@gmail.com[2]，尼泊尔加德满都佛陀教育基金会[3] Orcid id：0000-0001-6221-3843[1]、0000-0002-1709-247X[2]、0000-0003-2527-916X[3] 联系电子邮件：sandeep.trived.ieee@gmail.com 许可信息：本作品已以开放获取形式发表根据 Creative Commons 署名许可 http://creativecommons.org/licenses/by/4.0/，允许在任何媒体中不受限制地使用、分发和复制，前提是正确引用原始作品。条件、使用条款和出版政策可在 https://www.scienceopen.com/ 找到。预印本声明：本文为预印本，尚未经过同行评审，正在考虑并提交给 ScienceOpen Preprints 进行公开同行评审。DOI：10.14293/S2199-1006.1.SOR-.PPVK63O.v2 预印本首次在线发布：2022 年 7 月 25 日 关键词：COVID-19、SVM、神经网络、NLP、数学建模、高斯模型、疫情防控
通过改进的SVM分类器
摘要：在信息和通信技术的时代，确保形象安全已成为面对网络威胁，未经授权的访问和篡改的优先事项和关注。传统技术提供了一定程度的安全性，但实际上缺乏处理图像异常的能力，因此提出机器学习技术并改善支持向量机（SVM）分类器的挑战。本研究通过使用加密和特征提取系统来提高分类器，以增强图像中的数据安全性，该系统依赖于较高的混沌权重来图像的特定部分。所提出的方法将图像的尺寸降低到截面，从那里从图像的实际维度降低。在混淆和扩散的两个主要阶段创造复杂的随机性方面，改进的分类器的准确性更高。实验结果证明了分类器在熵= 8方面的有效性，并且是有效的值，直方图均匀性，异常检测和加密复杂性。这些结果在许多领域提供了可靠且可扩展的解决方案，例如医疗保健，经济学和社交媒体信息传播。可以通过将所提出的方法与保护图像数据的其他方法相结合来提供全面的方法。关键字：支持向量机，图像，加密1。引言在我们当前的时间以及互联网和通信技术的发展中，图像是互联网上最重要的交流形式之一。因此，传统加密算法的挑战和建议出现了。图像用于许多设施，例如安全性，社交通信，医疗领域和通信。因此，由于其广泛的蔓延，对未经授权的人使用数据的使用引起了安全问题。图像通常包含敏感数据，并且必须保留，尤其是在当前广泛的网络攻击中[1]。尽管具有有效性，但网络攻击的加速已成为每个人的痴迷，并且需要挑战，以找到与快速技术发展保持同步的新的和先进的方法。近年来，随着技术和通信的发展以及社交网站和云存储的传播，在网络攻击和数据安全的框架内，暴露于攻击已成为所有军事，财务，经济和其他专业的优先事项[2]。图像是攻击最脆弱的数据，因为它们具有高容量，强大的互连和像素之间的重复。全世界当前正在寻求的目标是数据安全性，最有效的方法之一是加密，这只能使数据不可读取，只能由能够检索它的授权人员。由于先前的研究中提到了许多加密方法，因此加密成为挑战的主题。
算法级别使用高级...
摘要：近似计算技术（ACT）是实现减少能量，时间延迟和硬件大小的有希望的解决方案，用于嵌入式机器学习算法的实现。在本文中，我们介绍了使用高级合成（HLS）的算法级别的近似张力支持向量机（SVM）分类的第一个FPGA实现。采用了触摸模式分类框架来验证拟议实施的有效性。与最先进的实施相比，拟议的实施将功耗的速度降低了49％，加速度为3.2倍。此外，硬件资源减少了40％，同时消耗的能量减少了82％的能量，而精度损失小于5％。
SVMMaj：SVM-Maj 算法的实现
isb . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 。 。 。 。 。 。 。 。 。 。 。 。 。 8 情节.铰链 . 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 9 情节.svmmajcrossval 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 9 情节权重。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 .................................................................................................................................................................................................. 10 predict.svmmaj ........................................................................................................................................................................................................................................ .................................................................................................................................................. .................................................................................................................................. 10 predict.transDat ........................................................................................................................................................................................................................................................................ .................................................................................................................................................. .................................................................................................................................. 12 print.q.svmmaj .................................................................................................................................................................................. .................................................................................................................................................................................................................................................................................................. 12 打印.svmmaj...................................................................................................................................................................................................................................................................................... .................................................................................................................................................................................................. .................................................................................................................................................................. 16 打印.svmmajcrossval...................................................................................................................................................................................................................................................................................................................................................................................................................... .................................................................................................................................................................................. 17 roccurve................................................................................................................................................ 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 17 超市1996年。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 18 svmmajcrossval 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 . 20 转换数据 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .... .... .... .... .... .... 24
基于两期SEM-SVM方法的统计分析，用于环境噪声烦恼预测和影响因子的识别
背景和目标：噪声污染是一种环境压力源，主要是由于城市场景中的大量运输而造成的。交通噪音在城市环境中越来越关注，从而影响了公共卫生和福祉。随着城市化的扩展，理解和缓解流量引起的噪声烦恼变得越来越关键。本研究旨在开发一种机器学习模型，以预测沙特阿拉伯利雅得的交通引起的噪声烦恼。该研究探讨了人口统计学，噪声特征和交通状况诸如噪声烦恼之类的因素的影响。方法：在利雅得的21个地点进行了调查，收集了928名参与者的数据。调查包括有关人口统计学的问题（性别，年龄，教育，婚姻状况，职业），交通状况（交通流）和噪音感知（运输噪音，噪音敏感性，感知到的噪音）。采用的采样方法是分层和随机抽样的组合。分层抽样用于确保在调查中按比例表示各种人口统计细分（例如不同的年龄段，性别和教育水平）。结构方程模型用于分析收集的数据并确定因素烦恼的因素。这些重要因素然后用作支持向量机模型的输入变量，旨在预测噪声烦恼。使用均方根误差，平均绝对误差和R平方来评估支持向量机模型的性能。发现：结构方程模型分析表明，性别，年龄，教育水平，交通流量，交通噪音和个人噪声敏感性是噪声烦恼的重要原因。开发的支持向量机模型以1.416的根平方误差和0.90的确定系数达到了高度的精度。噪声敏感性成为影响噪声烦恼的最关键因素。结论：这项研究证明了机器学习的有效性，特别是支持向量机在预测流量引起的噪声烦恼方面的有效性。这些发现突出了个人特征和环境因素在噪声感知中的重要性，并且对于城市规划和缓解噪音策略而言可能是有价值的，从而促进了更弹性的城市环境。对于社区，城市规划师和政策制定者可以使用这些发现来通过实施噪声障碍，优化交通流以及执行更严格的噪音法规来设计无声区域。
基于小波的特征提取及SVM分类
Pradesh) 摘要 本文探讨了使用小波变换技术在运动想象 (MI) 任务中对 EEG 信号进行特征提取和分类，重点关注事件相关去同步 (ERD) 和事件相关同步 (ERS) 现象。该研究强调了离散小波变换 (DWT) 相对于连续小波变换 (CWT) 的有效性，因为它在处理时间上更高效，并且能够紧凑地表示信号。根据能量压缩特性和捕获与 MI 相关的信号特征的能力对各种小波函数进行了评估，包括 Daubechies 和双正交小波。选择在近似带中表现出最高能量集中的小波进行进一步分析。使用这些选定的小波从 EEG 信号中提取特征，并使用统计和 (HoS) 度量（例如均值、方差、偏度和峰度）进行表征。然后使用这些特征来训练具有不同核函数的支持向量机 (SVM) 分类器。分类结果显示，小波 J db10 和 J bior6.8 的准确率最高，表明它们最适合 MI 任务中的 EEG 信号分析。研究结果表明，优化的小波特征提取与先进的机器学习技术相结合，具有提高脑机接口 (BCI) 系统分类性能的潜力。
使用带有EEG信号的SVM技术自动癫痫发作检测
在癫痫的预测中，根据脑电图的目视检查，使用了自动癫痫发作检测系统，该系统充当医生的第二意见工具。使用带有EEG信号的SVM技术提出了一种自动癫痫发作检测，以准确预测癫痫发作检测。所提出的技术在节之后完成概述构想。第2节处理具有不同技术的可用方法。第3节用提出的方法处理以克服已经可用的系统中的问题。第4节通过SVM分类器管理提出的系统的完整过程。第5节通过使用带有EEG信号的SVM技术自动癫痫发作检测获得了结果。提议方法的结论遵循第6节。
使用支持向量机（SVM ...
Ahmad 2，Almhdie Aboubaker Ahmad Agila 3软件工程系1，计算机工程系2技术科学学院 - 塞巴尔1，Gharyan大学2，技术学院，技术学院Ahmad 2，Almhdie Aboubaker Ahmad Agila 3软件工程系1，计算机工程系2技术科学学院 - 塞巴尔1，Gharyan大学2，技术学院，技术学院
使用SVM机器的糖尿病预测系统综述
糖尿病是一种慢性疾病，影响着全球数百万人，因此，早期发现和有效管理至关重要，以预防并发症并改善患者预后。本研究介绍了一种利用机器学习技术开发的糖尿病预测系统，特别是利用支持向量机 (SVM) 来准确识别高风险人群。该系统利用包含各种医学参数的数据集，包括血糖水平、血压、体质指数 (BMI)、年龄和胰岛素水平。研究人员对多种机器学习算法进行了评估，最终发现 SVM 算法是预测糖尿病风险最有效的算法。为了提高可访问性，研究人员开发了一个用户友好的 Web 应用程序，允许个人输入医疗数据并立即获得糖尿病风险预测。本研究的成果凸显了机器学习（尤其是 SVM）在改善糖尿病早期检测方面的潜力。该系统不仅具有较高的预测准确率，还能通过在症状出现之前识别高风险人群来支持预防性医疗保健。这种主动的方法可以通过早期干预和管理显著降低医疗成本并改善患者预后。在更新的方法中，我们使用了具有更广泛特征的数据集来提高 SVM 的准确率，达到了 77.27%。
评估空间 PCA 对基于 SVM 的脑电图数据解码的有效性
在 EEG 研究中，主成分分析 (PCA) 被广泛用于在多变量模式分类 (解码) 之前进行降维。本研究的目的是评估 PCA 在广泛的实验范式中对解码准确性 (使用支持向量机) 的有效性。我们评估了几种不同的 PCA 变体，包括基于组和基于受试者的成分分解以及 Varimax 旋转或不旋转的应用。我们还改变了保留用于解码分析的 PC 数量。我们评估了七个常见事件相关电位成分 (N170、不匹配负波、N2pc、P3b、N400、侧化准备电位和错误相关负波) 的解码准确性。我们还研究了更具挑战性的解码任务，包括解码面部身份、面部表情、刺激位置和刺激方向。数据集在电极位置的数量和密度方面也有所不同。我们的研究结果表明，没有一种 PCA 方法能够持续改善与无 PCA 相关的解码性能，并且应用 PCA 经常会降低解码性能。因此，研究人员在解码来自类似实验范式、群体和记录设置的 EEG 数据之前，应谨慎使用 PCA。