XiaoMi-AI文件搜索系统
World File Search SystemSVMS
使用深度学习的高级植物疾病检测...
摘要：对植物疾病的早期和准确检测对于确保农业生产力和粮食安全至关重要。传统的疾病检测方法通常是劳动密集型，耗时的，容易出现人为错误。近年来，机器学习（ML）已成为提高植物性疾病检测的精度和效率的强大工具。本文对机器学习技术在识别植物疾病中的应用进行了全面综述。我们探讨了各种ML算法，包括卷积神经网络（CNN），支持向量机（SVM）和随机森林，及其在分析来自图像，光谱数据和环境因素等各种数据源的复杂植物疾病模式中的作用。ML与高级成像技术和物联网（IoT）的集成可以实时监测和快速诊断，从而大大改善了响应时间并减少了作物损失。我们讨论与在农业环境中实施ML解决方案相关的挑战，例如数据采集，模型培训和可扩展性。此外，我们重点介绍了案例研究和最新进展，这些进步证明了ML在不同类型的农作物中疾病检测中的有效性。我们的发现强调了机器学习彻底改变植物性疾病管理的潜力，为更具韧性和可持续的农业实践铺平了道路。
人工智能技术在结直肠癌治疗干预中的当前意义与挑战
不分男女，结直肠癌 (CRC) 是人口中第三大常见癌症，每年新发病例超过 185 万例。不到 20% 的患者在确诊后只能存活五年以上。如果在恶性肿瘤早期诊断出来，CRC 是一种高度可预防的疾病。有几种筛查方法可用，例如内窥镜检查（如结肠镜检查；金标准）、影像学检查 [计算机断层结肠造影 (CTC)]、愈创木脂粪便潜血 (gFOBT)、粪便免疫化学检测和粪便 DNA 检测，这些方法具有不同程度的敏感性和特异性。现有的筛查方法具有某些缺点，例如侵入性、成本或敏感性。近年来，基于计算机辅助系统的筛查、诊断和治疗在 CRC 病例的早期检测和诊断中非常有前景。人工智能 (AI) 是一项需求量巨大且经济高效的技术，它使用各种工具机器学习 (ML) 和深度学习 (DL) 来筛查、诊断和分期，在治疗 CRC 方面具有巨大潜力。此外，不同的 ML 算法和神经网络 [人工神经网络 (ANN)、k-最近邻 (KNN) 和支持向量机 (SVM)] 已被部署来预测精确和个性化的治疗方案。本综述研究并总结了用于 CRC 癌症治疗干预的不同 ML 和 DL 模型以及 AI 的差距和挑战。
长距离 a 同步作为 BCI 的控制信号
摘要 空间注意的变化与α波段（α，8-14 Hz）活动的变化有关，特别是在半球间不平衡中。其潜在机制归因于局部α-同步，它调节神经兴奋的局部抑制，以及反映长距离通信的额顶叶同步。这种神经相关性的方向特异性使其具有作为脑机接口 (BCI) 控制信号的潜力。在本研究中，我们探索了长距离α-同步是否呈现依赖于自愿注意定向的侧化模式，以及这些神经模式是否可以在单次试验水平上被拾取以提供主动 BCI 的控制信号。我们在执行隐蔽视觉空间注意 (CVSA) 任务时从一群健康成人（n = 10）收集了脑电图 (EEG) 数据。数据显示，在目标呈现之后，额叶和顶枕区域之间呈现α-波段相位耦合的侧化模式，这与之前的发现一致。然而，这种模式在线索到目标定向间隔内并不明显，而这是 BCI 的理想时间窗口。此外，使用支持向量机 (SVM) 从线索锁定同步中逐次解码注意力方向是偶然的。目前的发现表明，EEG 可能无法在单次试验的基础上检测注意力定向中的长距离 a 同步，因此，凸显了该指标作为 BCI 控制的可靠信号的局限性。
作者，《巴比伦机器学习杂志》卷......
计算机视觉通过采用图像和模式分析方法来解决复杂挑战，将图像视为复杂的像素阵列，发挥着关键作用。人工智能 (AI) 中的这一领域可自动执行监控和检查任务，展示其从各种视觉输入（包括数字图像和视频）中提取有意义信息的能力。本质上，计算机视觉已成为一个不可或缺的组成部分，有助于系统在人工智能的背景下获得有价值的见解 [1]。计算机视觉的目标是让计算机和机器理解视觉信息，类似于人类，这意味着开发算法和技术来分析、处理和提取视觉数据中的含义 [2]。监督式 ML 和 DL 是计算机视觉中的两种主要技术，它们开发了分析和解释视觉数据的方法 [3]。监督式 ML 用于训练模型，开发标记示例，利用支持向量机 (SVM)、决策树 (DT)、随机森林 (RF) 和朴素贝叶斯 (NB) 分类器等算法 [4]。DL 旨在通过人脑的结构和操作学习人工神经网络。这些网络与多层连接节点相结合，从原始输入数据中提取表示 [5]。图 1 显示了常见 ML 和 DL 技术的分类。在这篇关于计算机视觉中的监督 ML 和 DL 技术的综述中，研究了它们所需的模型、架构、优势和局限性。
优化预测性能：堆叠的多内核支持向量机中的超参数调整
摘要 - 这项研究解决了管理糖尿病的更先进诊断工具的必要性，糖尿病是一种慢性代谢疾病，导致葡萄糖，脂质和蛋白质代谢的破坏是由胰岛素活性不足引起的。该研究研究了机器学习模型的创新应用，特别是堆叠的多内核支持向量机随机森林（SMKSVM-RF），以确定它们在识别医疗数据中复杂模式方面的有效性。创新的合奏学习方法SMKSVM-RF结合了支持向量机（SVM）和随机森林（RFS）的优势，以利用其多样性和互补特征。SVM组件实现多个内核来识别唯一的数据模式，而RF组件由决策树组成，以确保可靠的预测。将这些模型集成到堆叠的体系结构中，SMKSVM-RF可以通过优势通过优势来增强分类或回归任务的总体预测性能。这项研究的一个重大发现是引入SMKSVM-RF，它在混淆矩阵中显示出令人印象深刻的73.37％的精度。此外，其召回率为71.62％，其精度为70.13％，值得注意的F1分数为71.34％。这种创新技术显示了增强当前方法并发展为理想的医疗系统的潜力，这表明糖尿病检测方面的一个值得注意的一步。结果强调了复杂的机器学习方法的重要性，并强调了SMKSVM-RF如何提高诊断精度并有助于持续发展医疗保健系统，以实现更有效的糖尿病管理。
根据...预测土壤有机质和土壤水分含量
适当的土壤管理可以维持和改善整个生态系统的健康。适当的土壤管理需要对其特性进行适当的表征，包括土壤有机质 (SOM) 和土壤水分含量 (SMC)。与传统方法相比，基于图像的土壤表征显示出强大的潜力。本研究比较了 22 种不同的监督回归和机器学习算法的性能，包括支持向量机 (SVM)、高斯过程回归 (GPR) 模型、树集合和人工神经网络 (ANN)，在实验室环境下用数码相机拍摄的土壤图像中预测 SOM 和 SMC。共提取了 22 个图像参数，并分两步用作模型中的预测变量。首先使用所有 22 个提取的特征开发模型，然后使用 SOM 和 SMC 的六个最佳特征子集。饱和度指数（红色指数）是 SOM 预测的最重要变量，对比度（中位数 S）是 SMC 预测的最重要变量。颜色和纹理参数与 SOM 和 SMC 都表现出高度相关性。结果显示，对于使用六个预测变量的验证数据集，图像参数与实验室测量的 SOM（使用立体派的 R 2 和均方根误差 (RMSE) 分别为 0.74 和 9.80%）和 SMC（使用随机森林的 R 2 和 RMSE 分别为 0.86 和 8.79%）之间存在令人满意的一致性。总体而言，GPR 模型和树模型（立体派、RF 和增强树）最能捕捉和解释本研究中 SOM、SMC 和图像参数之间的非线性关系。
注意与否：对视觉选择性注意频率特征进行分类和解释
摘要：选择性注意是指在处理对实现我们的行为目标很重要的事物（目标事物）而不是对那些目标不重要的事物（干扰事物）的能力。先前的研究表明，选择性注意的机制有助于提高对简单的日常任务和需要学习新信息的更复杂活动的感知能力。最近，使用逻辑回归 (LR) 和支持向量机 (SVM) 分类，已经验证了对目标事物和干扰事物的选择性注意在频域中是可分离的。然而，在选择性注意的背景下，辨别目标和干扰事物的动态尚未完成。本文扩展了仅依靠神经活动（频率特征）对干扰和意图进行可能的分类和解释的研究。具体来说，本文 (i) 对干扰对象与目标对象进行分类，复制先前研究中的 LR 分类，通过 (ii) 解释与所有特征相关的系数权重（重点是 N2PC 特征）来扩展分析，以及 (iii) 使用解释分析认为重要的特征重新训练 LR 分类器。通过解释方法，我们成功地将特征大小减少到总特征的 7.3% - 即从 19,072 个特征减少到 1,386 个特征 - 同时仅记录了 0.04 的性能准确度得分损失 - 即从 0.65 减少到 0.61。此外，对分类器系数权重的解释揭示了有关频率的新证据，这已与本文一起讨论过。
精神病学中的先进机器学习方法
简介 机器学习 (ML) 方法在心理健康和相关研究中得到越来越多地应用。在我们上一篇论文中，我们讨论了两种 ML 方法，即逻辑回归和 k 均值聚类。1 在本报告中，我们重点介绍两种更先进的 ML 方法，即支持向量机 (SVM) 和人工神经网络 (ANN)，以及它们在精神病学中的应用。SVM 是一种用于对标记结果进行分类的监督学习方法。SVM 应用来自每个类别的少量样本（称为“支持向量”）来构建分类器，将样本分成不同的类别。2 SVM 是线性判别函数的扩展，线性判别函数是一种流行的监督学习统计方法，因为它试图适应非线性判别函数以实现更精确的分类。3 SVM 已被广泛应用，包括在精神病学领域。例如，在重度抑郁症 (MDD) 研究中，SVM 被用于通过人口统计学和临床变量（如年龄、性别、教育水平、药物等）从健康对照组中识别出 MDD 患者。4 这也是神经成像中的一种流行技术。5 6 我们将在下一节进一步讨论 SVM。ANN 由许多称为“人工神经元”的简单单元组成。ANN 的主要组成部分是输入层、隐藏层和输出层。计算机科学家已经开发出 ANN 来模仿生物神经网络，通过建立模型来模仿人类大脑从训练数据中学习的过程，而无需任何数据的先验知识。7 例如，在
利用人工智能实现多任务的机器人
2. 文献综述 1. 根据陈志豪等人[1]的论述，它为智能移动应用（例如道路交通和铁路气候）实现了对象识别、定位和监控框架。首先在两种深度学习方法中进行对象检测和跟踪方法：You Only Look Once (YOLO) V3 和单次检测器 (SSD)。 2. Zhong-Qiu Zhao 等人[2]的论述，本文介绍了一种专注于对象检测框架的深度学习分析。在卷积神经网络（CNN）的背景下解决了通用对象检测架构，并进行了一些修改和有用的技巧以提高检测效率。 3. Licheng Jiao 等人[3]的论述，本文重点介绍了用于检测任务的深度学习网络的快速发展，以及对象检测器的效率得到了大大提高。 4. Yakup Demir2 等人[4]的论述，涉及在真实驾驶环境中对周围物体进行可靠和准确的检测和识别的自动驾驶。虽然已经提出了许多用于物体检测的算法，但并非所有算法都足够稳健，可以检测和识别被遮挡或截断的物体。本文提出了一种基于卷积神经网络 (CNN) 和支持向量机 (SVM) 的混合局部多系统 (LM-CNNSVM)，因为它具有强大的提取能力和稳健的分类特性。5. Mukesh Tiwari 编辑 [5] 讨论了由于物体运动的日常变化和场景大小的变化、遮挡、外观变化以及自我运动和照明的变化，物体的识别和跟踪是重要的研究领域。具体而言，特征选择是跟踪物体的重要组成部分。
使用机器学习算法的心脏病预测
摘要。心脏病是人们最频繁遭受的疾病之一。每年，全世界数百万人因其导致死亡的主要原因之一。心脏病的特征是心脏瓣膜，心力衰竭，心律不齐和冠状动脉疾病的问题。心脏病有30多种不同的形式。允许迅速干预和正确的护理，早期和精确的心脏病预测可以大大改善患者的预后。在此模型中，我们研究了机器学习技术在预测心脏病中的应用。我们研究了一个由患者细节（例如人口统计学，医学史和临床措施）组成的大型数据集。认为，当心脏病开始以及如何诊断时，机器学习算法可以正确预测机器学习算法。机器学习技术包括逻辑回归，决策树，XGBoost，梯度提升，随机森林，支持向量机（SVM）和人工神经网络（ANN）用于构建预测模型。一个混合模型，包括ANN，梯度提升，决策树，SVM，随机森林和逻辑回归构成了预测模型。提高模型的准确性。管理缺失值，标准化功能并求解类不平衡。数据集已预处理。使用特征选择方法发现了最佳准确的心脏病预测。接收器的操作特性曲线，回忆，准确性和精度是训练和评估模型的一些性能指标。该模型的主要目标是制定一种新的策略，以创建成功解决实际问题的模型