XiaoMi-AI文件搜索系统
World File Search SystemXG
使用集合机学习技术的糖尿病预测
D. Madhu Sudhana Rao，D。Sai。Sridhathri信息技术部，Vignan科学技术与研究基金会，印度Guntur，Madhudontha@gmail.com，sridhathri.1021@gmail.com摘要。 糖尿病最称为糖尿病是一种急性内分泌慢性疾病，这是许多人通过遗传性或从人类生活方式的趋势中的主要问题。 由于内分泌问题，它会提高体内的血糖。 血糖的这种增加不仅会影响其水平，甚至会导致许多与肾脏，肝功能，血压和眼睛损害相关的健康问题。 这在较小的年龄组中最常见，对于45岁以上的年龄组。 我国将近68％的人患有这些糖尿病患者。 当预测靠近水平时，可以避免或消除它。 在情况下，它被认为存在严重的问题，并且需要以任何代价控制它。 结合了计算机科学的技术，我们使用机器学习技术在早期阶段预测糖尿病，以更高的准确性。 在这里，我们使用不同的分类器，即k-nearest，幼稚的贝叶斯（NB），XG提升，决策树（DT）和随机森林（RF），并从提供的数据集中检测其准确性。 与其他不同技术相比，我们发现随机森林更适合于更高的精度计算。Sridhathri信息技术部，Vignan科学技术与研究基金会，印度Guntur，Madhudontha@gmail.com，sridhathri.1021@gmail.com摘要。糖尿病最称为糖尿病是一种急性内分泌慢性疾病，这是许多人通过遗传性或从人类生活方式的趋势中的主要问题。由于内分泌问题，它会提高体内的血糖。血糖的这种增加不仅会影响其水平，甚至会导致许多与肾脏，肝功能，血压和眼睛损害相关的健康问题。这在较小的年龄组中最常见，对于45岁以上的年龄组。我国将近68％的人患有这些糖尿病患者。当预测靠近水平时，可以避免或消除它。在情况下，它被认为存在严重的问题，并且需要以任何代价控制它。结合了计算机科学的技术，我们使用机器学习技术在早期阶段预测糖尿病，以更高的准确性。在这里，我们使用不同的分类器，即k-nearest，幼稚的贝叶斯（NB），XG提升，决策树（DT）和随机森林（RF），并从提供的数据集中检测其准确性。与其他不同技术相比，我们发现随机森林更适合于更高的精度计算。
使用机器学习模型的员工流失预测。
摘要 - 当今的商业格局的特点是竞争和动态，这将人力资源管理转变为组织的基本战略合作伙伴。员工营业额会带来影响生产力和知识管理的风险。本研究的重点是使用机器学习（ML）模型来预测员工的离职。在培训过程中，使用了一个由4410个记录和29个变量组成的数据集，在培训和评估十种模型的过程中，遵循了人工智能（AI）方法。调查结果表明，XG增强分类器（XGBC）和随机森林（RF）模型达到了最佳准确性和性能率，为98.8％和98.7％。Followed by Decision Tree Classifier (DT) with 97.6%, and the other models, such as Gradient Boosting Classifier (GBC), Ada boost Classifier (AC), Logistic Regression (LR), KN Classifier (K-NNC), SGD Classifier (SGDC), Support Vector Classifier (SVC) and Nu Support Vector Classifier (NuSVC), achieved the following费率：分别为88.4％，85.4％，84％，82.2％，83.0％，83.0％，55.0％。最后，可以得出结论，模型在预测中是有用且有效的。建议在人力资源管理策略中实施实际实施，以进行主动干预。
在使用机器学习模型的植物分类中优化的特征集
摘要：拯救地球成为任何个人的最大优先和责任。环境和生态系统健康评估研究需要精确耕作，使疾病的早期鉴定并优化作物管理。自动植物叶检测将是对生物多样性研究的关键贡献之一。建议的工作提供了在分类植物叶子中的优化功能。这项工作使用了十四个二植物植物叶，即苹果，蓝莓，樱桃，玉米，棉花，葡萄，花生，桃子，胡椒，土豆，覆盆子，大豆，草莓，草莓和番茄。拍摄20，357张图像大约是用于培训和测试目的。功能包括形状，纹理，HSI和小波。使用特征优化技术（例如XG增强，Pearson相关，卡方和ANOVA）降低功能。寻找最佳分类器，五个分类器，即随机森林，k-neart邻居，支持向量机，na'贝叶斯和决策树的超参数变化。SVM分类器给出了最佳结果，并通过四倍的交叉验证获得了99.59％的精度。这项工作的新颖性在于使用农民获得的知识来部署特征。关键字：生态系统：生物多样性：分类：HSI：小波：
AutoSourceId分类器 - 使用带有空间信息的卷积神经网络的星形 - 加拉克斯分类
1 Department of Astrophysics/IMAPP, Radboud University, PO Box 9010, 6500 GL Nijmegen, The Netherlands e-mail: f.stoppa@astro.ru.nl 2 Center for Astrophysics and Cosmology, University of Nova Gorica, Vipavska 13, 5000 Nova Gorica, Slovenia 3 High Energy Physics/IMAPP, Radboud University, PO Box 9010，6500 Gl Nijmegen，荷兰4 Nikhef，科学园，105，1098 XG阿姆斯特丹，荷兰5.荷兰太空研究所，索邦纳兰2，3584 Ca Utrecht，荷兰8荷兰8天文学研究所，库伊文氏库文氏库素，Celestijnenlaan 200d，3001比利时卢芬，比利时9号卢文9 Astronomy, University of Cape Town, Private Bag X3, Rondebosch 7701, South Africa 11 South African Astronomical Observatory, PO Box 9, Observatory, Cape Town 7935, South Africa 12 Dipartimento di Fisica, Universitá di Trieste, 34127 Trieste, Italy 13 Istituto Nazionale di Fisica Nucleare, Sezione di Trieste，34127意大利Trieste，14 Erlangen Astroparpicle Physics中心，Nikolaus-Fiebiger-STR。2，Erlangen 91058，德国
Abac，A。G.等。 （2024）使用Kagra O3GK运行的数据超轻矢量暗物质搜索。物理评论D，110（4），042001。（doi：10.1103/pH ACKR2缺陷型NK细胞增强CCR2的表达增加了肿瘤细胞治疗疗效 增强了视觉大满贯，以无碰撞驾驶使用轻巧的自动驾驶汽车 公司现金政策和双机器学习 通过社交机器人增强手卫生实践... 惊喜的火花：多样性，新颖性和偶然性的层次决策变压器的多目标建议 算法驱动的机器人发现多氧胺... 制作狗的沉浸式屏幕界面，以控制其家中的屏幕 发射速率图算法的定量分析 BDI代理的定量建模和分析 福利制裁的影响：定量研究证据的范围审查
Savoie Mont Blanc, CNRS, Laboratoire d'Anecy de Physique des Particules-In2p3, F-74000 Annecy, France 29 University of Naples "Federico II", I-80126 Naples, Italy 30 Ligo Laboratory, Massachusetts Institute of Technology, Cambridge, but 02139, USA 31 maastricht University, 6200 MD马斯特里奇，荷兰32 Nikhef，1098 XG阿姆斯特丹，荷兰33 Universit´e Libre de Brussels，布鲁塞尔，布鲁塞尔1050，比利时34 Institut Fresnel，Aix Marseille University E，CNRS，CNR，CNRS，Centrale Marseille，Centrale Marseille，Centrale Marseille，F-13013 Marseille，f-13013 Marseille，France 35 clise 35 cliss-sac-sac iclis in cliss in clis in clis in clis in clis in clis in clis in clise in 23 91405 ORSAY，法国36东京大学，东京，日本113-0033。 37巴塞罗那大学（UB），c。 MART´I i Franqu'es，1，08028西班牙，西班牙38 de f´ısica d'Als Energies（Ifae），巴塞罗那科学技术研究所，校园UAB，E-08193 Bellaterra（巴塞罗那），西班牙贝尔特拉（Bellaterra），西班牙39 Gran Sasso Science Institute Institute floriany（Gran Saquitute）盖恩斯维尔，佛罗里达州32611，美国41数学，计算机和物理科学系，Udine大学，I-33100，I-33100，意大利Udine，42 INFN，Trieste，I-34127，I-34127，意大利TriesteSavoie Mont Blanc, CNRS, Laboratoire d'Anecy de Physique des Particules-In2p3, F-74000 Annecy, France 29 University of Naples "Federico II", I-80126 Naples, Italy 30 Ligo Laboratory, Massachusetts Institute of Technology, Cambridge, but 02139, USA 31 maastricht University, 6200 MD马斯特里奇，荷兰32 Nikhef，1098 XG阿姆斯特丹，荷兰33 Universit´e Libre de Brussels，布鲁塞尔，布鲁塞尔1050，比利时34 Institut Fresnel，Aix Marseille University E，CNRS，CNR，CNRS，Centrale Marseille，Centrale Marseille，Centrale Marseille，F-13013 Marseille，f-13013 Marseille，France 35 clise 35 cliss-sac-sac iclis in cliss in clis in clis in clis in clis in clis in clis in clise in 23 91405 ORSAY，法国36东京大学，东京，日本113-0033。37巴塞罗那大学（UB），c。 MART´I i Franqu'es，1，08028西班牙，西班牙38 de f´ısica d'Als Energies（Ifae），巴塞罗那科学技术研究所，校园UAB，E-08193 Bellaterra（巴塞罗那），西班牙贝尔特拉（Bellaterra），西班牙39 Gran Sasso Science Institute Institute floriany（Gran Saquitute）盖恩斯维尔，佛罗里达州32611，美国41数学，计算机和物理科学系，Udine大学，I-33100，I-33100，意大利Udine，42 INFN，Trieste，I-34127，I-34127，意大利Trieste
ODL-BCI：通过超参数调整对学生注意力进行分类的脑机接口最佳深度学习模型
摘要 — 脑机接口 (BCI) 研究在教育领域引起了关注，它为监测和提高学生的认知状态提供了潜力，本研究的重点是开发一种最佳深度学习模型 ODL-BCI，用于实时分类学生的注意力水平。该模型结合了超参数调整技术，并利用了公开的“困惑的学生 EEG 脑波数据”数据集。我们提出了一种通过贝叶斯优化优化超参数的深度学习模型。该模型的架构由一个输入层、几个隐藏层和一个输出层构成。隐藏层中的节点数和激活函数是使用贝叶斯优化确定的。每一层的学习率也进行了优化。在 EEG 混淆数据集上，对所提出的模型进行了评估，并与几种标准机器学习分类器进行了比较，包括决策树、AdaBoost、Bagging、MLP、朴素贝叶斯、随机森林、SVM 和 XG Boost。实验结果表明，优化后的深度学习模型优于所有其他分类器，准确率达到 74%。该模型在准确分类学生注意力水平方面的有效性凸显了其作为教育环境中宝贵工具的潜力。这项研究促进了 BCI 技术的进步，为基于 EEG 的认知评估的深度学习模型的优化提供了见解。未来的工作包括探索该模型在更大数据集上的通用性，并将其适用性扩展到其他 BCI 应用程序。
醋氯芬酸结肠靶向给药的配方和体外评价
本研究的目的是开发乙酰氯芬酸的结肠靶向药物递送系统。瓜尔胶 (GG) 和黄原胶 (XG) 在该药物递送系统中用作载体。使用不同比例的瓜尔胶：黄原胶（如（1.25:1.25）、（1.5:1）和（1.75:0.75））制备乙酰氯芬酸的基质和压缩包衣片。对上述瓜尔胶和黄原胶配方进行了压缩后参数评估。在胃和小肠的生理环境中，在 5 小时溶解研究中，14.52-17.04% 的乙酰氯芬酸从乙酰氯芬酸基质片中释放出来，具体取决于配方中使用的瓜尔胶：黄原胶的比例。结果发现乙酰氯芬酸基质片未能在溶解研究的 5 小时内控制药物释放。压缩包衣制剂被开发用于在胃和小肠的生理环境中 5 小时溶解研究中释放少于 4% 的醋氯芬酸。溶解研究继续在大鼠盲肠内容物中进行，溶解研究结束时，醋氯芬酸压缩包衣片在被结肠细菌降解后释放了 63.75-79.90% 的醋氯芬酸。结果表明，用瓜尔胶：黄原胶（1.75:0.75）压缩包衣片 CT3 最适合提供醋氯芬酸在结肠局部作用的靶向性，因为其在前 5 小时内释放的药物极少。醋氯芬酸压缩包衣片在 40º C/75% RH 下储存 3 个月后，其外观、药物含量或药物释放模式均未发生变化。
使用机器学习对结构进行数据驱动的地震分析
摘要：钢筋混凝土剪切壁是支撑侧载荷的最重要的建筑结构组件之一。尽管具有重要意义，但剪切壁的安全边缘不足，通过地球后侦察和当前的实验研究已经揭示了剪切壁的安全边缘。当前的剪力壁不能以基于力学和经验数据的模型而迅速确定其故障模式。为了确定剪切墙如何根据几何配置，材料质量和增强细节而失败，本研究使用机器学习（ML），该机器学习（ML）最近取得了一些进步。由395个实验带来了不同几何配置的剪切壁，构成了研究的详尽数据库。在这项研究中，最佳预测方法是通过评估八种机器学习方法来确定的，其中包括K最近的邻居（KNN），幼稚的贝叶斯，随机森林，XG增强，决策树，Ada Boost，Cat Boost和LightGBM。详尽的检查导致了这项研究中随机基于森林的ML方法的提议。在确定剪切壁如何破裂时，建议的方法准确87％。根据研究，纵横比，边界元素加固指数以及厚度厚度的壁比是剪切壁故障的关键因素。最后，这项研究提供了一种由数据驱动的分类方法，该方法是开源的，可以被全球设计公司使用。提供新见解的其他实验数据可能很容易包含在建议的方法中。
设备使用机器学习的设备健康监测...
现代文明中科学技术的快速增长导致机械和设备的规模，复杂性和自动化的增加。现代工业生产的两个最重要方面是问题识别和机械状况监测。通过有效的状况监测使早期问题检测成为可能，这在考虑到生产效率，操作可靠性，维护成本和停机时间等变量时至关重要。研究问题的识别和机械的健康监测具有实际意义。为了进行设备监控和故障诊断的目的，记录了有关设备的温度，振动，噪声水平和润滑状态的信息。之后，该信息被用来确定该问题的主要来源，并采取补救措施。条件监视系统的核心元素是故障预测，功能提取和问题诊断。特征提取和故障诊断对于正常检测，问题定位和失败严重性预测至关重要。本文包括故障诊断和计算智能在状态监控和故障检测中的应用，本文还介绍了一种使用机器学习（ML）技术进行设备状态监测的方法。流行的机器学习（ML）分类方法，例如随机森林（RF），随机树（RT），天真贝叶斯（NB），XG Boost（XGB）和Logistic Recression（LR），用于组装。紧迫需要提高机器的可靠性并减少由于机器故障而导致的生产损失的可能性，这是对机器状况监测的越来越重视的原因。关键字：故障预测，机器学习，天真的贝叶斯，生产，随机森林，随机树，意外的停机时间。
COVID-19 患者的 SARS-CoV-2 特异性抗体反应
1. 周平，杨晓玲，王晓刚，胡斌，张玲，张伟等。一种可能源自蝙蝠的新型冠状病毒引起的肺炎疫情。自然。2020 年 3 月；579(7798)：270-3。 2. 严重急性呼吸综合征相关冠状病毒种：对 2019-nCoV 进行分类并将其命名为 SARS-CoV-2。自然微生物学。2020 年 3 月 2 日。 3. 世界卫生组织。冠状病毒病 (COVID-2019) 情况报告。[引用日期：2020 年 3 月 14 日]；可从以下网址获取：https://www.who.int/emergencies/diseases/novel-coronavirus-2019/situation-reports 4. Corman VM、Landt O、Kaiser M、Molenkamp R、Meijer A、Chu DKW 等。通过实时 RT-PCR 检测 2019 年新型冠状病毒 (2019-nCoV)。欧洲监测：欧洲传染病公报。2020 年 1 月；25(3):2000045。5. Meyer B、Drosten C、Muller MA。新发冠状病毒血清学检测：挑战和陷阱。病毒研究。2014 年 12 月 19 日；194:175-83。6. Okba NMA、Raj VS、Widjaja I、GeurtsvanKessel CH、de Bruin E、Chandler FD 等人。轻度中东呼吸综合征冠状病毒感染中低水平抗体反应的灵敏和特异性检测。新发传染病。2019 年 10 月；25(10):1868-77。 7. Kuiken T、Fouchier RA、Schutten M、Rimmelzwaan GF、van Amerongen G、van Riel D 等人。新发现的冠状病毒是严重急性呼吸道综合症的主要原因。柳叶刀（英国伦敦）。 2003 年 7 月 26 日；362(9380):263-70。