XiaoMi-AI文件搜索系统
World File Search SystemUCI
图像和信号的海量数据分析进展...
Josef Bigun Halmstad 大学，瑞典 Valentin Brimkov 布法罗州立学院，美国 Calin Ciufundean Stefan cel Mare 大学，罗马尼亚 Kamil Dimililer 近东大学，土耳其 Andres Gago-Alonso 先进技术应用中心 (CENATAV)，古巴 Daniela Georgi ISTI-CNR，意大利 William Grosky 密歇根大学，美国 Nicolas Jouandeau 文森斯大学 - 巴黎第八大学 | UP8，法国 Tuan Pham 瑞典林雪平大学 Jose Ruiz-Shulcloper 古巴计算机科学大学 (UCI) Rainer Schmidt 德国罗斯托克大学 Bjoern Schuller 德国奥格斯堡大学 / 英国伦敦帝国理工学院 Dorra Sellami ENIS，突尼斯 Dong Si 美国华盛顿大学博塞尔分校 Paolo Soda 意大利罗马生物医学大学 Nasseh Tabrizi 美国东卡罗来纳大学 Joe Tekli 黎巴嫩美国大学，黎巴嫩 Massimo Tistarelli 意大利萨萨里大学
智能建筑和智能技术摘要报告
未来建筑将关注四个关键方面：效率（优化系统和工作流程）、弹性（快速从问题中恢复）、可持续性（减少碳足迹）和交互式环境（响应居住者和环境条件）。重点是减少碳排放，建筑物占全球排放量的 40%，并改善新冠疫情后的室内空气质量。引入二氧化碳、挥发性有机化合物和其他污染物的传感器来监测和改善室内空气质量，使建筑更健康。占用和空气质量传感器相互作用，以控制空间利用率并防止病毒和细菌的传播。先进的传感器技术可以高精度地监测室内条件，有助于实现自动化设施管理和维护。通过预测性维护来提高运营效率，减少现场诊断的需要并允许远程管理。
未来工作计划
加州大学欧文分校的端点环境由中央 IT 下的异构独立学术单位和标准化行政单位组成。由于学校层面可用的资源存在差异，这种模式带来了安全和资产管理风险，无法满足这些需求。未来工作计划利用这个机会引入了集中集成的校园范围端点安全标准，这些标准是作为在整个校园内获得资金的条件部署的。这套用于修补、反恶意软件和资产管理的通用解决方案的开发大大提高了校园端点资产的可见性和安全状况。此外，通过扩大现有基础设施，UCI 现在拥有了一个未来自带设备扩展和采用的模型，适用于未包含在未来工作范围内的其他校园人群，同时还协助所有校园部门和学校过渡到移动计算。到目前为止，笔记本电脑工作流已经用笔记本电脑取代了 27 个部门使用通用安全工具集进行混合或远程工作的任何员工的 1,500 台台式机。
用于预测帕金森氏病的混合模型
帕金森氏病是一种影响个人运动的中枢神经系统疾病。已经观察到帕金森氏病的患者患有手写异常，弯腰姿势，语音或语音疾病等。这项工作旨在实施能够从早期症状中预测PD的通用机器学习模型。在这项研究中，对UCI机器学习存储库和螺旋的语音数据集进行了试验，以研究组合模型的准确性。为了提高预测的准确性，从语音数据集中提取的功能是抖动，Shimmer，NHR，DFA和PPE。此外，从手写数据集提取的功能是压力，握把角，时间戳，径向速度，速度等。在上述数据集中对CNN，LSTM，Resnet等不同的机器学习模型进行了实验。从研究中可以看出，与此工作中使用的其他模型相比，具有适当的超级参数调整的CNN/LSTM模型效果很好。语音数据集上CNN/LSTM的准确性为88％，手工编写数据集为92％。。
基于物联网的糖尿病诊断 ANFIS 框架
物联网 (IoT) 在医疗保健领域的日益融合正在彻底改变患者监测和疾病预测。本文介绍了一种基于机器学习 (ML) 的框架，使用自适应神经模糊推理系统 (ANFIS) 来预测糖尿病。该系统利用 IoT 数据来监测关键健康参数，包括血糖水平、血压和年龄，为糖尿病患者提供实时诊断。本研究中使用的数据集来自 UCI 存储库，并使用 ANFIS 模型进行预处理、特征选择和分类。与其他机器学习算法（如支持向量机 (SVM)、朴素贝叶斯和 K 最近邻 (KNN)）的比较分析表明，所提出的方法具有出色的预测性能。实验结果表明，ANFIS 模型的准确率达到 95.5%，优于传统模型，并在临床环境中提供更可靠的决策。这项研究强调了物联网与机器学习相结合在改善预测性医疗保健应用方面的潜力，并强调了实时患者监测系统的需求。关键词
Benjamin SchollBenjamin Scholl
邀请凯撒，波恩德德国，杰森·凯尔博士，杰森·克尔博士，20024年3月，波恩德德国大学，德国，托比亚斯·罗莎博士，多伦多·坎达多伦多大学，多伦多坎达大学，格雷厄姆·科林格里奇，2024年2月，2024年2月2月2023 VRC，U PENN，费城PA，Claire H. Mitchell博士，2023年1月Weizmann Institute，Rohovot以色列，Ilan Iampl博士，2022年12月ELSC，ELSC，ELSC，耶路撒冷以色列，Yoav Adam Dec 2022 2022 Israeli Sfn，Eliat laviv deciv deciv deciv deciv deciv decement tal deciv decantiv decyeriv法国，Alain Destexhe博士，2022年10月，SFN Ferret会议，加利福尼亚州圣地亚哥，克里斯蒂娜·尼尔森博士，2022年11月，纽卡斯尔英国纽卡斯尔大学，Abhishek Banerjee博士，2021年7月18日，高级成像方法工作室，UC Berkeley，UC Berkeley，UC Berkeley，Holly Aaron Aaron Aaron Aaron Aron Aron Aron aaron Div> 2021
机器学习模型预测胰岛素剂量
1计算机科学与系统工程系，1安得拉大学工程学院妇女工程学院，印度维萨卡帕特南摘要：一种慢性代谢障碍糖尿病梅利图斯，需要仔细管理血糖水平（BGLS），以减轻严重的长期复杂性风险。尽管采取了传统的预防措施，例如维持健康的饮食和定期运动，但许多糖尿病患者仍在努力有效控制其BGL。适当的胰岛素剂量在管理这种情况中起着至关重要的作用。我们的项目旨在利用机器学习技术来帮助糖尿病预测和胰岛素剂量估计。我们利用PIMA糖尿病数据集和UCI胰岛素剂量数据集来培训我们的模型。使用梯度提升分类器用于预测糖尿病的存在，而线性回归算法用于估计诊断为糖尿病患者的胰岛素剂量。培训后，我们将在缺乏类标签的测试数据集上评估模型的性能。梯度提升分类器将识别糖尿病病例，对于被诊断的人，线性回归模型将预测适当的胰岛素剂量。通过整合这些预测模型，我们旨在为改善糖尿病管理策略做出贡献。
航空电子开放系统架构标准化
美国国防部要求使用开放系统架构来降低生命周期成本，并实现现有和新武器系统功能的更频繁升级。美国国防部及其军事部门通过参与标准联盟和美国政府领导的标准工作组，积极参与许多开放架构标准的制定工作，例如 FACE TM 、HOST、OMS、UCI 和 SOSA TM 标准。我们的研究以罗克韦尔柯林斯在开发开放标准和在我们的解决方案中实施方面之前和正在进行的工作为基础。本文将介绍相关的航空电子开放架构标准，讨论每个标准的关键属性，比较标准之间的关系，并研究通过集成使用不同开放架构标准实施的系统和子系统来开发集成航空电子解决方案的技术方法。在讨论主要概念之后，本文将介绍一个案例研究，详细介绍一个需要集成多个 OSA 标准的假设 VTOL 航空电子系统。案例研究不仅将集中于物理/逻辑集成的技术方面，还将集中于系统工程方法的程序方面。
在预测肝炎C
丙型肝炎是一种疾病，可以从初始无症状阶段发展为慢性感染，如果没有治疗，可能导致肝硬化和肝癌。丙型肝炎的诊断需要至少两种不同类型的测试：血清学测试和分子测试。这些测试方法对患者施加了经济负担，并为患者流失贡献。这项研究的目的是使用基于常见的血液测试数据的各种机器学习技术来预测该疾病，以实现患者的早期诊断和治疗。In this study, we integrated features from lit- erature and original data, applying six machine learning algorithms (logistic regression (LR), support vector machine (SVM), K-nearest neighbors (KNN), decision tree (DT), random forest (RF), adaptive boosting (AdaBoost)) to forecast hepatitis C. The performance of these techniques was compared using metrics such as accuracy,精确，召回，F1得分，接收器操作特征（ROC）和曲线下的面积（AUC），以识别该疾病的合适方法。来自UCI数据集的结果表明，Adaboost的准确性最高（97.8％）和AUC（0.994），使其成为预测乙型肝炎的有效且具有成本效益的方法。
神经元特性在机器学习中的应用：用于数据分类的类脑神经模型
摘要：一些神经模型在图像识别、语义分割和自然语言处理中取得了优异的效果，然而，它们在不涉及特征提取的结构化和小规模数据集上的分类性能不如传统算法，尽管它们需要更多的训练时间。在本文中，我们提出了一种具有交互式刺激的类脑神经模型（NMIS），专注于数据分类。它由一个扮演不同认知角色的初级神经场和一个高级神经场组成。前者用于对应特征空间中的真实实例，后者存储类别模式。初级场中的神经元通过交互式刺激交换信息，它们的激活通过场间相互作用传递到高级场，分别模拟神经元相互作用和突触可塑性的机制。所提出的NMIS在生物学上是合理的，不涉及复杂的优化过程。因此，它在小规模和结构化数据集上表现出比传统BP神经网络更好的学习能力。对于大规模数据分类，提出了一种优化版本的最近邻 NMIS（NN_NMIS）来提高计算效率。在一些 UCI 数据集上进行的数值实验表明，所提出的 NMIS 和 NN_NMIS 明显优于机器学习中广泛使用的一些分类算法。