XiaoMi-AI文件搜索系统
World File Search Systemensemble
HealthFog：基于集合的基于深度学习的智能医疗系统，用于自动诊断集成的物联网和雾计算环境中的心脏病
云计算通过Internet提供资源，并允许部署大量应用程序以为不同行业提供服务。当前在这些云框架中面临的主要瓶颈是它们的可扩展性有限，因此无法满足基于集中的物联网（IoT）的计算环境的要求。这样做的主要原因是，诸如健康监测和监视系统之类的潜伏敏感应用程序现在需要计算大量数据（大数据）转移到集中数据库以及从数据库到云数据中心，从而导致此类系统性能下降。与云域相比，通过使资源更接近用户并为数据处理提供了低潜伏期和节能解决方案，从而提供了雾和边缘计算的新范式提供创新的解决方案。仍然，当前的雾模型从有限的角度上限制了局限性，并且关注结果的准确性或减少响应时间，但并非两者兼而有之。我们提出了一个名为“ HealthFog”的新型框架，用于将整体深度学习整合到边缘计算设备中，并将其部署为自动心脏病分析的现实应用。HealthFog使用物联网设备提供医疗保健作为雾服务，并有效地管理心脏病患者的数据，这是根据用户要求提供的。启用FOG的云框架，Fogbus用于在功耗，网络带宽，潜伏期，抖动，抖动，准确性和执行时间方面部署和测试所提出模型的性能。©2019 Elsevier B.V.保留所有权利。HealthFog可与各种操作模式配置，这些操作模式可根据需要在不同的雾计算方案和不同的用户要求下提供最佳的服务质量或预测准确性。
增强心脏病诊断：在医疗决策中利用分类和集成机器学习技术
心血管疾病是当今世界人口死亡的主要原因之一，无论是发达国家还是发展中国家。它不仅影响城市居民，也影响农村居民。如果我们在早期就了解它，那么就可以通过减少患心脏病的机会来避免它的副作用。因此，正确预测心脏病是一项当务之急，它可以协助医生和医疗专家做出决定并制定有效的治疗政策，以挽救人们的生命。在本文中，我们使用并结合数据挖掘和机器学习的多种分类方法来提高分类器的精度。为此，我们使用了集成机器学习方法，该方法将多个模型组合成一个预测模型，利用多个基础模型（通常称为弱学习器）的优势来弥补每个模型的弱点。我们打算采用迭代集成方法来集成各种低性能分类器，以形成具有高精度的强分类器。我们从 IEEE 数据端口获取了一个数据集用于实现，其中包含约 1190 个具有 11 个心脏病特征的实例。我们根据初始症状检查患者是否患有心脏病。我们探索分类和集成机器学习技术的应用，以增强心脏病的医疗决策。通过弥合数据驱动的洞察力和临床决策之间的差距，这些技术为更积极主动和以患者为中心的心血管健康管理方法铺平了道路。
通过学习将不完善的模型组合起来的多模型集成方法
摘要。在当前的多模型集成方法中，气候模型模拟是后验组合的。在本研究的方法中，集成中的模型在模拟过程中交换信息，并从历史观测中学习，将它们的优势结合起来，形成对观测到的气候的最佳表征。该方法是在小型混沌动力系统（如 Lorenz 63 系统）的背景下开发和测试的。通过扰动标准参数值来创建不完善的模型。通过在模型方程之间引入连接，将三个不完善的模型组合成一个超级模型。连接系数从未受干扰的模型（被视为真实模型）的数据中学习。本研究的主要结果是，经过学习，超级模型非常接近真实值，比每个单独的不完善模型要好得多。这些说明性示例表明，超级建模方法是改善天气和气候模拟的一种有前途的策略。