XiaoMi-AI文件搜索系统
World File Search Systemclassifying
文章 - 农业、农业综合企业和生物技术 利用人工智能技术成功实现大米分类和品质检测
摘要：大米是世界上消费量最大、贸易量最大的食品，因此根据其品质对其进行正确分类非常重要。本研究旨在利用信息技术系统对大米进行品质分类。在本研究中，通过对从两种不同水稻品种的图像中获得的特征进行统计分析，应用了特征选择过程。分类过程采用五种不同的人工智能 (AI) 算法，使用 6 种不同的形态特征。检查结果和性能值时，发现支持向量机 (SVM) 算法的分类准确率最高，为 93.53%。获得的曲线下面积 (AUC) 值表明，分类结果非常高，达到 99.18%。发现形态特征是使用 AI 算法对水稻品种进行分类的非常重要的参数。人们普遍认为，这项研究对于加速产品分类过程（这是农业营销的主要组成部分之一）和正确分类农作物具有重要意义。
面向量子计算专家的机器学习
摘要 量子机器学习 (QML) 是量子计算一个很有前途的早期用例。在过去的五年里，从理论研究和数值模拟到概念验证，QML 取得了进展。在现代量子设备上演示的用例包括对医学图像 [ 1 ] 和 Iris 数据集中的项目进行分类 [ 2 ]、对手写图像进行分类 [ 3 ] 和生成 [ 4 ]、毒性筛查 [ 5 ] 以及学习概率分布 [ 6 ]。QML 的潜在优势包括更快的训练 [ 2 ] 和识别经典算法中找不到的特征图 [ 7 ]。尽管这些示例缺乏商业开发的规模，并且 QML 算法可能还需要几年时间才能取代经典解决方案，但 QML 是一个令人兴奋的领域。本文面向那些已经具备量子计算知识，现在希望获得经典机器学习术语和一些应用的基本概述，准备学习量子机器学习的人士。读者已经了解相关的线性代数，包括希尔伯特空间、具有内积的向量空间。
CCCPublications 基于深度学习的语义...
首先，从 BRATS 2013 数据集获取输入图像并进行预处理，使用基于卷积神经网络 (CNN) 的语义分割进行分割，并使用改进的多路径 GoogLeNetCNN 分类器方法进行分类。预处理阶段使用偏差校正滤波进行。提出了一种基于深度学习的 MRI 图像脑肿瘤语义分割方案，以有效地对脑肿瘤进行分类。在这种方法中，采用语义分割进行分割。改进的多路径 GoogLeNetCNN 用于对脑肿瘤进行分类，以对脑 MRI 图像进行分类并将脑肿瘤分为三类（脑膜瘤、垂体瘤和神经胶质瘤）。输入数据集中共有 3064 张 T1 加权对比增强图片，代表 233 名患者。在 MATLAB 中计算了所提出方法的准确度、灵敏度、特异性和精确度估计值。得到的结果表明，预计方法的分类器总体性能达到 99.7% 准确度、100% 灵敏度、99.717% 特异性和 99.06% 精度。结果表明，所建议的系统优于最先进的方法。
使用...进行 3D 脑切片分类和特征提取
脑肿瘤是最常见的、最严重的癌症类型，大多数晚期患者的预期寿命只有几个月。因此，制定最佳治疗方案对于提高患者的抗癌能力和生活质量至关重要。各种成像方式，如计算机断层扫描 (CT)、磁共振成像 (MRI) 和超声成像，通常用于评估脑肿瘤。这项研究提出了一种提取和分类 3D 脑切片图像中肿瘤特征的新技术。对输入图像进行去噪、调整大小和平滑处理后，使用感兴趣体积 (VOI) 提取脑肿瘤的特征。然后使用基于表面、曲线和几何图案的可变形分层启发式模型-深度反卷积残差网络 (DHHM-DDRN) 对提取的特征进行分类。实验结果表明，所提出的方法对脑癌特征的分类准确率为 95%，DSC 为 83%，精确率为 80%，召回率为 85%，F1 得分为 55%。
使用自我出版的
Priya Vij 1*，Patil Manisha Prashant 1摘要背景：卵巢癌（OC）是女性生殖系统的高致命性恶性肿瘤，其特征是由于疾病的复杂性和晚期诊断，其死亡率高以及与临床研究相关的挑战。技术的进步，例如医学事物（IOMT），为改善OC检测和诊断提供了新的机会。目的：本研究旨在使用IOMT数据开发和评估一种新型的OC检测方法，利用自组织图（SOM）和改进的复发性神经网络（IRNN），并通过扩展的和谐搜索优化（EHSO）算法增强了重复的神经网络（IRNN），以提高功能选择和分类准确性。方法：该研究利用IOMT的OC数据并应用了SOM进行功能选择，这有助于管理和分类大数据集。SOM被用来改善数据表示形式，并解决标签和分类数据中的挑战。使用EHSO算法进行了优化的IRNN模型，以增强分类性能。
无人机敏捷主动目标感知的强化学习
摘要 — 主动目标感知是在环境中发现和分类未知数量目标的任务，在搜索和救援任务中至关重要。本文开发了一种深度强化学习方法来规划信息轨迹，从而增加无人驾驶飞行器 (UAV) 发现失踪目标的可能性。我们的方法有效地 (1) 探索环境以发现新目标，(2) 利用其当前对目标状态的信念并结合不准确的传感器模型进行高保真分类，以及 (3) 通过使用运动原语库为敏捷无人机生成动态可行轨迹。在随机生成的环境中进行的大量模拟表明，我们的方法在发现和分类目标方面比其他几种基线更有效。与启发式信息路径规划方法相比，我们的方法的一个独特特点是，它对先验信念与真实目标分布的不同偏差具有鲁棒性，从而减轻了针对应用条件设计启发式方法的挑战。
基于 LSTM&CNN 的混合深度学习模型的开发，用于对运动想象任务进行分类
本文提出了一种将一维卷积神经网络 (1D CNN) 与长短期记忆 (LSTM) 相融合的混合方法来对四种不同的 MI 任务（即左手、右手、舌头和脚部运动）进行分类。在基于主成分分析 (PCA) 的伪影去除过程之后，通过混合深度学习模型训练提取 MI 任务的时间表征。估计了 BCI 竞赛 IV 数据集 A 中给出的性能标准。10 倍交叉验证 (CV) 结果表明，与最新方法相比，所提出的方法在对脑电图 (EEG)-眼电图 (EOG) 组合运动想象任务进行分类方面表现优异，并且对数据变化具有鲁棒性。对于使用 10 倍 CV 验证的基于四个 MI 类别的数据集，CNN-LSTM 分类模型的准确率达到 95.62% (±1.2290742)，kappa 值达到 0.9462 (±0.01216265)。此外，还评估了接收者操作特性 (ROC) 曲线、ROC 曲线下面积 (AUC) 分数和混淆矩阵，以便进行进一步解释。
面向量子计算专家的机器学习
摘要 量子机器学习 (QML) 是量子计算一个很有前途的早期用例。在过去的五年里，从理论研究和数值模拟到概念验证，QML 取得了进展。在现代量子设备上演示的用例包括对医学图像 [ 1 ] 和 Iris 数据集中的项目进行分类 [ 2 ]、对手写图像进行分类 [ 3 ] 和生成 [ 4 ]、毒性筛查 [ 5 ] 以及学习概率分布 [ 6 ]。QML 的潜在优势包括更快的训练 [ 2 ] 和识别经典算法中找不到的特征图 [ 7 ]。尽管这些示例缺乏商业开发的规模，并且 QML 算法可能还需要几年时间才能取代经典解决方案，但 QML 是一个令人兴奋的领域。本文面向那些已经具备量子计算知识，现在希望获得经典机器学习术语和一些应用的基本概述，准备学习量子机器学习的人士。读者已经了解相关的线性代数，包括希尔伯特空间、具有内积的向量空间。
基于EEG的步态识别分类CNN用于脑机接口...
脑机接口（BCI）是一种通过分析脑电信号识别个体意图或状态，进而控制计算机或机器的技术，广泛应用于各个领域。然而，脑机接口的研究多集中在运动想象方面，而对主动运动的研究多集中在上肢运动方面，而对下肢运动的研究多集中在静态或单一动作方面。因此，本研究基于动态环境下的脑电信号开发了对步行行为（1：步行，2：上楼，3：下楼）进行分类的深度学习模型，以验证对动态状态下的脑电信号进行分类的可能性。我们开发了一种结合卷积神经网络（CNN）和双向长短期记忆（BiLSTM）的模型。该模型获得了82.01%的平均识别性能，其中步行的平均准确率为93.77%，上楼的平均准确率为76.52%，下楼的平均准确率为75.75%。预计未来可以设计出各种旨在帮助残疾人和老年人的机器人设备，它们具有多种功能，例如人机交互、物体操纵和利用 BCI 进行控制的路径规划。
成年哺乳动物中的神经干细胞不是星形胶质细胞
在21世纪的研究结束时摘要属于成年哺乳动物亚脑室内区（SVZ）的细胞，将神经干细胞（NSC）定为星形胶质细胞的亚型。在随后的几年中，许多研究进一步构成了这些NSC的特性，并将其与实质星形胶质细胞进行了比较。在这里，我们已经评估了迄今为止收集的证据，以确定将NSC分类为星形胶质细胞是否适当且有用。我们还使用了4个先前发布的数据集进行了元分析，这些数据集使用细胞分类和无偏的单细胞RNASEQ突出显示成年鼠NSC和小裂星形胶质细胞的独特基因表达蛋白。根据我们对星形胶质细胞与NSC的性质和功能的特性和功能的理解，从我们的比较转录组分析中，我们得出的结论是，将成年哺乳动物NSC作为星形胶质细胞分类为潜在的误导。从我们的角度来看，提到成年哺乳动物SVZ中的细胞，该细胞保留了生产新神经元和麦克罗利亚作为NSC的能力而不连接“星形胶质细胞样”一词的能力。”