XiaoMi-AI文件搜索系统
World File Search Systemclassi
西方网络攻击的分类与分析...
摘要。快速的技术发展也影响了巴尔干国家，因此许多黑客和其他攻击者也试图攻击这些国家的计算机系统和数据。最初将您引导到这些地方的攻击是“网络钓鱼”攻击，试图暂停在线系统的工作，尤其是公共机构。但随着时间的推移，特别是在过去 3 年里，最大的攻击属于 DDoS 攻击，这导致这些国家出现许多问题并导致系统不稳定。网络攻击在我们现在生活的时代很正常，但这些攻击的原因仍然多种多样，例如：政治勒索、其他类型的勒索甚至金钱利益勒索。我们的研究考虑了巴尔干半岛的 7 个国家：科索沃、北马其顿、阿尔巴尼亚、塞尔维亚、黑山、波斯尼亚和黑塞哥维那和克罗地亚。主要分析重点是这些国家为防止上一时期大规模网络攻击而制定的政策和战略。所有数据均实时收集，并根据风险暴露程度对各国进行排名。本研究的目的是了解巴尔干半岛的现状，确定针对这些国家的攻击类型，并对当前战略进行一些调查
基于...
内部语音是一种自我指导的对话形式，它在认知发展，语音监测，执行功能和心理病理学中起着重要作用。尽管对其现象学，发展和功能的知识越来越多，但对内部语音的科学研究的方法仍然存在差异，并且在很大程度上是不整合的。脑电图（EEG），它是一种非侵入性脑部计算机界面（BCI）的方法，为内部语音研究带来了新的选择。由于脑电图的优势，越来越多的研究与内部语音有关。在此贡献中，内部语音中表达的不同单词通过应用EEG信号和支持向量机（SVM）来区分。使用向公众开放的“大声思考”数据集的脑电图数据。在实验中，从位于头顶上的128个传感器中获取了许多脑电图数据。因此，在第一个步骤中填写数据。之后，选定的数据通过经验模式分解（EMD）分解为各种固有模式函数（IMFS）。此外，使用希尔伯特变换来转换IMF，以检查适合区分内部语音的脑波带。最后，IMF的单个或组合由支持向量机（SVM）与各种内核进行分类。使用最合适的IMF和内核时，每个主题方案的平均结果为：F-评分：99.24％，准确性：99.24％和标准偏差（SD）：0.95。所有主题方案的最佳结果是：F-评分：99.67％，准确性：99.66％和标准偏差（SD）：0.27。获得的结果表明，所提出的方法可以很好地与内部语音差异。
基于...
内部语音是一种自我指导的对话形式，它在认知发展，语音监测，执行功能和心理病理学中起着重要作用。尽管对其现象学，发展和功能的知识越来越多，但对内部语音的科学研究的方法仍然存在差异，并且在很大程度上是不整合的。脑电图（EEG），它是一种非侵入性脑部计算机界面（BCI）的方法，为内部语音研究带来了新的选择。由于脑电图的优势，越来越多的研究与内部语音有关。在此贡献中，内部语音中表达的不同单词通过应用EEG信号和支持向量机（SVM）来区分。使用向公众开放的“大声思考”数据集的脑电图数据。在实验中，从位于头顶上的128个传感器中获取了许多脑电图数据。因此，在第一个步骤中填写数据。之后，选定的数据通过经验模式分解（EMD）分解为各种固有模式函数（IMFS）。此外，使用希尔伯特变换来转换IMF，以检查适合区分内部语音的脑波带。最后，IMF的单个或组合由支持向量机（SVM）与各种内核进行分类。使用最合适的IMF和内核时，每个主题方案的平均结果为：F-评分：99.24％，准确性：99.24％和标准偏差（SD）：0.95。所有主题方案的最佳结果是：F-评分：99.67％，准确性：99.66％和标准偏差（SD）：0.27。获得的结果表明，所提出的方法可以很好地与内部语音差异。
使用机器学习优化糖尿病分类...
方差和 Fisher 判别比。研究人员随后结合了十种不同的分类器，包括线性判别分析、二次判别分析、普通贝叶斯、高斯过程分类、支持向量机、人工神经网络、AdaBoost、逻辑回归、决策树、
通过...对阿尔茨海默病进行诊断和分类
使用卷积神经网络对阿尔茨海默病进行诊断和分类 1 算法 2 3 4 Mosleh Hmoud Al-Adhaileh 5 沙特阿拉伯费萨尔国王大学电子学习和远程教育院长，邮政信箱 4000 Al-Ahsa，6 沙特阿拉伯 7 * 通讯：madaileh@kfu.edu.sa 8 9 10 摘要 11 12 阿尔茨海默病 (AD) 是一种高风险和萎缩性神经疾病，它会缓慢而逐渐地破坏脑细胞（即神经元）。作为最常见的智力低下类型，AD 影响了 60-65% 的智力低下患者 14 ，对中老年人的健康构成重大威胁。为了在早期对 15 AD 进行分类，已经开发了分类系统和计算机辅助诊断技术 16 。以前，机器学习方法通过从神经图像中提取特征来开发诊断系统。目前，深度学习方法已用于许多实时医学成像应用。在本研究中，两种深度神经网络技术 AlexNet 和 Restnet50 被用于 AD 的分类和识别。本研究中用于评估和测试所提模型的数据包括从 Kaggle 网站收集的脑磁共振成像 (MRI) 图像。卷积神经网络 (CNN) 算法被应用于有效地对 AD 进行分类。使用 AlexNet 和 Restnet50 传输学习模型对 CNN 进行预训练。该实验的结果表明，所提出的方法在检测精度方面优于现有系统。AlexNet 模型根据脑 MRI 数据集的五个评估指标 (准确度、F1 分数、精确度、灵敏度和特异性) 取得了出色的性能。 AlexNet 的准确率为 94.53%，特异性为 98.21%，F1 得分为 27 94.12%，灵敏度为 100%，优于 Restnet50。所提出的方法有助于改进医学研究中 AD 的 CAD 28 方法。29 30 31 关键词：计算机辅助、卷积神经网络、人工智能、阿尔茨海默病。32 33 34 1. 简介 35
用于神经图像分类的可解释领域感知学习
本论文中引用的其他人作品中的所有句子或段落均已明确注明作者、作品和页码。任何非本论文作者作品的插图均已获得原作者的明确许可，并已明确注明。我理解，不这样做就等同于剽窃，将被视为整个学位考试不及格的理由。
一种可访问的深度学习工具，用于体素分类......
上行用于 PCNSL 与非 PCNSL，下行用于 GBM 与转移分化）。总体而言，TIC 的信号变化越剧烈，即造影剂到达和冲刷期间的陡峭斜率，贡献分数就越高。对于 GBM 尤其如此，因为这些时间点与其他两种肿瘤类型的差异更大（图 3B 中黑色显示的平均 TIC）。对于 PCNSL 和转移，信号的最后部分也被认为很重要，这是可以预料的，因为这些情况下信号幅度总体较高。重要的是，在 TIC 信号上应用 1D CNN 可以分析信号随时间变化的局部变化。在这方面，仅考虑特定时间点的信号幅度（例如 PSR）或派生测量值（如 rCBV）的方法可能会忽略
独立于受试者的运动想象脑电图分类...
背景：脑机接口（BCI）系统帮助运动功能障碍患者与外界环境进行交互。随着技术的进步，BCI系统已在实践中得到应用，但其实用性和可用性仍然受到很大挑战。使用BCI系统前往往需要大量的校准时间，这会消耗患者的精力和耐心，并容易导致焦虑。针对这一问题，我们提出了一种与受试者无关的零校准方法。方法：提出一种双分支多尺度自编码网络（MSAENet）实现与受试者无关的运动想象分类，旨在实现BCI的即插即用。首先，该网络由一个多尺度分支和一个自动编码器（AE）组成，用于从不同角度进行特征学习。其次，以EEG信号与8-30 Hz频段内常见空间模式之间的协方差作为空谱特征，并将特征预提取信息作为MSAENet的输入。最后，网络引入中心损失函数提升分类能力。在三个公开数据集BCIV2a，SMR-BCI，OpenBMI上测试网络泛化能力。结果：结果表明，所提网络在三个数据集上均表现出良好的效果，在受试者独立的情况下，MSAENet在BCIV2a和SMR-BCI数据集上优于其他四种比较方法，而在OpenBMI数据集上F1得分值高达69.34%；分类性能最好的受试者相关结果明显优于其他四种先进的比较方法。我们的方法在保证较少的参数量和较短的预测时间的同时，能够保持较好的分类精度。结论：MSAENet验证了以下三点：（1）空间频域特征可以从原始EEG信号中提取有效信息。（2）双分支多尺度特征融合可以更全面地提取特征。 (3)中心损失函数的引入弥补了Softmax分类器只考虑类间距而忽略类内距离的缺陷，实现了零校准，有效解决了BCI应用中需要大量校准时间的问题。
脑肿瘤放射基因组分类和...
2022年6月的机器学习（ML）型号。使用所有MRI序列（T1WI，T2WI，对比度增强（CE），Flair，DWI_B_HIGH，DWI_B_LOW和ADC）建立了第一种类型，而第二种类型是使用单个MRI序列建立的。结果使用最大相关性和最小冗余技术来基于所有序列找到ML模型的七个放射线特征。在训练和验证集中，预测精度分别为0.993和0.750，曲线下的面积（AUC）的面积分别为1.000和0.754。对于基于单个序列的ML模型，所选特征的数量为T1WI，T2WI，CE，CE，FLAIR，DWI_B_HIGH，DWI_B_LOW和ADC的8、10、10、13,9、7和6，分别为0.797〜1.000 〜1.000和0.583 〜0.583〜0.694
用于文本分类的混合经典-量子迁移学习
量子机器学习 (QML) 是一个将量子计算与机器学习相结合的有前途的领域。变分量子电路（其中电路参数是通过经典方式学习的）已广泛应用于 QML 的许多近期应用中。这是一个混合量子-经典框架的实例，其中同时存在经典和量子组件。然而，将这些技术应用于涉及海量数据的应用是一项具有挑战性的任务。克服这一问题的一种方法是使用最近引入的修饰量子电路的经典量子迁移学习概念，其中底层神经架构是经过经典预训练的，但在最后一步（决策层），使用量子电路，然后进行量子测量和后处理以高精度对图像进行分类。在本文中，我们将混合经典量子迁移学习应用于另一项海量数据处理任务，即自然语言处理 (NLP)。我们展示了如何使用经典量子迁移学习对短文本（例如 SMS）进行（二进制）分类，该学习最初仅应用于图像处理。我们的量子网络由 Transformers (BERT) 模型中的双向编码器表示预先训练，其变分量子电路经过微调以用于文本处理。我们使用接收者操作特性 (ROC) 曲线评估了我们的混合神经架构的性能，该曲线通常用于评估分类问题。结果表明精度高，损失函数低。据我们所知，我们的工作是量子迁移学习在 NLP 领域的首次应用。最后，与使用学习但方式不同于迁移学习的工具进行了比较