XiaoMi-AI文件搜索系统
World File Search Systemepochs
开发基于机器学习的废物
废物管理由于不正确的处置而与可生物降解和不可生物降解废物的隔离斗争，导致污染并降低可回收材料的质量。本研究通过开发基于机器学习的废物分类系统来解决这些挑战。利用图像分类技术，特别是VGG-16卷积神经网络（CNN）模型，该系统使用来自开源网站的数据集将废物分类为可生物降解和非生物降解的系统。该方法包括八个阶段：初步研究，知识和数据获取，数据预处理，模型设计，开发，测试和评估。使用制造商UNO和伺服电动机物理表现出废物分类的原型。尽管有限的高质量组件等挑战，但本研究旨在通过使用不同时期的VGG-16来提高回收效率和可持续性，并显示了原型的有效功能，为改善废物隔离和管理提供了有希望的解决方案。
基于视觉平滑过滤器对精神分裂症分类的影响
摘要 - 在事件相关的电位（ERP）信号分类中，在特定时间范围内识别相关的局部峰对于特征提取和随后的分类任务至关重要，尤其是在有关精神分裂症等精神疾病的研究中。但是，精神分裂症研究中的ERP数据通常包含许多对分类过程贡献的小峰。因此，至关重要的是，仅辨别和保留为改进分类结果传达特定特征的显着峰值。最近，基于高档和降尺度表示（UDR）技术的基于视觉的平滑算法已经证明了其在保留突出峰的特征时的有效性，同时从信号波形中滤除了非平衡峰。在UDR的操作下，输入信号在图像域中可视化。输入形状受到稀疏算法的影响，并将所得骨骼投射回信号域。此过程类似于神经科医生对信号的目视检查，在该信号中标记了突出的峰，而无关的峰被忽略了特征提取。这项研究将UDR应用于两个精神分裂症和匹配对照患者中记录的ERP的数据集，以评估其在信号分类中的有效性。此外，当使用较少的ERP通道时，我们分析了UDR对分类准确性的影响。我们使用多个分类器测试了这些效果。索引项 - 与事件相关电位（ERP），精神分裂症，平滑过滤器，信号处理，UDR，高档和下限表示实验结果表明，当在所有通道上应用UDR时，EEGNET表现出最显着的增强，精度增加了2.55％。此外，当信号时期的数量减半时，UDR在7个模型中有4个促进了增强，浅孔convnet的提高最高2.4％。值得注意的是，在仅FZ，CZ和PZ电极位置的信号形成的子数据集中使用UDR时，可以在更多模型上观察到精度增强。这些发现强调了UDR在增强精神分裂症分类准确性方面的有希望的潜力，尤其是应用于关注关键通道的数据集时。
神经影像学时间序列中的箭头 - 标识脑功能的因果触发器
图4箭头识别运动任务中的时空定位因果效应。（a）在运动任务范式中，因果效应（τ，顶部），活动（中间）和连通性（底部）的度量。范式由运动时期（左右手和脚，舌头）组成，被休息块隔开。（b）左半球大脑区域的因果效应的详细视图，显示了面板（a）（舌运动）突出显示的间隔中最强的AOT波动。正值表明该区域充当因果效应的下水道，而负值表明该区域是因果关系的来源。（c）面板（b）中四个大脑区域的可视化以及当受试者开始移动舌头时招募的假定因果途径。VIS24和PFC13之间的虚线表示，这两个区域之间的直接信息流不能仅从分析的四个区域中推断出来，并且可能涉及中间体。
使用人工神经网络从脑电图中检测ereg中风患者的错误相关电位
摘要：已提出了与错误相关的电位（ERRP）作为改善大脑 - 计算机界面（BCI）性能的一种手段，方法是纠正BCI执行的不正确操作或标记数据以连续适应BCI以改善性能。后一种方法可能在中风康复中相关，在这种康复中，通过使用在整个康复过程中持续个性化的广义分类器，可以将BCI校准时间最小化。如果数据正确标记，则可以实现这一目标。因此，这项研究的目的是：（1）对中风的个体产生的单次试验错误，（2）调查测试 - 重测可靠性，（3）比较不同的分类校准方案与不同的分类方法与人工新神经网络（ANN，ANN，ANN，和LINARINAL ANTIFERINAL，LDA）的不同分类方法（人工Neuratial网络）和LDA的含义。25个中风的人在两天的时间里试图执行运动，然后在记录连续脑电图时收到反馈（错误/正确）。脑电图分为时期：errps和nonerrps。根据时间特征或整个时期，将时期与多层感知器ANN分类。此外，将特征与收缩LDA分类。特征是来自感觉运动皮层的ERR和非ERRPS的波形，以改善分类器输出的解释性和解释。测试了三个校准方案：今天，日间和跨参与者。使用日期校准，将90％的数据与整个时期正确分类为ANN的输入；当使用时间特征作为ANN和LDA的输入时，它降至86％和69％。两天之间的测试可靠性较差，而其他校准方案导致准确性在63-72％的范围内，LDA表现最好。个人的损伤水平与分类精度之间没有关联。结果表明，可以在中风的个体中对错误进行分类，但是使用这种方法最佳解码需要使用用户和会话特定的校准。使用ERRP/NONERRP波形特征使对分类器输出的生理有意义解释成为可能。结果可能对在BCI中连续将数据进行标记以进行中风康复，从而有可能改善BCI性能。
人类计算机相互作用的演变
人类计算机的互动（HCI）自成立以来就经历了显着的转变，反映了人类与技术之间不断发展的关系。本文探讨了HCI的丰富历史和演变，追踪其从早期命令行界面到图形用户界面（GUIS）的时代以及当今的沉浸式体验，并由增强现实（AR）和虚拟现实（VR）技术实现。我们深入研究了关键的里程碑，新兴趋势以及HCI对社会的影响，强调技术与数字时代的人类经验的融合。人类计算机相互作用是人们如何与计算机相互作用以及计算机在多大程度上与人类与人类的互动开发的程度。随着技术的发展，HCI从基于文本的界面演变为复杂的图形和沉浸式环境，反映了人们对人类与机器之间更直观，高效和引人入胜的相互作用的追求。本文浏览了HCI的重要时期，突出了塑造数字景观的关键时刻[1]。
用于脑机接口单次运动意图检测的 EEG 耳机评估
摘要：脑机接口 (BCI) 可用于神经康复；然而，关于将该技术转移到康复诊所的文献有限。BCI 的一个关键组件是耳机，有几种可选的耳机。本研究的目的是测试四种市售耳机记录和分类运动意图（运动相关皮质电位 - MRCP）的能力。12 名健康参与者进行了 100 次运动，同时在两天内通过耳机记录了连续的脑电图，以确定测量的可靠性：单次试验的分类准确度、拒绝的时期数和信噪比。MRCP 可以用覆盖运动皮层的耳机记录，并且它们获得了最好的分类准确度（73% - 77%）。最好的耳机（覆盖运动皮层的凝胶基耳机）的可靠性为中等到良好。结果表明，在评估的耳机中，可靠地记录 MRCP 需要位于靠近运动皮层位置的通道，并且可能需要基于凝胶的耳机。
使用深卷积神经网络
摘要 - 如今，深度学习方法在复杂的任务中起着关键作用，例如提取图像的有用特征，分割和语义分类。这些方法对近年来花类型分类具有重大影响。在本文中，我们正在尝试使用强大的深度学习方法对102种花种类进行分类。为此，我们使用了使用Densenet121体系结构的转移学习方法来对牛津102花数据集进行分类。在这方面，我们试图微调我们的模型，以实现对其他方法的更高准确性。，我们通过标准化图像和调整图像进行了预处理，然后将其喂入我们的微调预审计模型。我们将数据集划分为三组火车，验证和测试。我们可以达到50个时期的98.6％的准确性，这比研究中同一数据集的其他基于深度学习的方法更好。
基于 非参数 感应 电机 转子 磁链 估计 器 的 研究 .
基于电流模型和电压模型的传统感应电机转子磁通观测器对参数不确定性很敏感。本文提出了一种基于前馈神经网络的非参数感应电机转子磁通估计器。该估计器无需电机参数即可运行，因此不受参数不确定性的影响。该模型采用 Levenberg-Marquardt 算法离线训练。所有数据收集、训练和测试过程均在 MATLAB/Simulink 环境中完成。训练过程中强制迭代 1,000 个时期。此建模过程总共使用了 603,968 个数据集。该四输入两输出神经网络模型能够为磁场定向控制系统提供转子磁通估计，其误差为 3.41e-9 mse，训练时间为 28 分 49 秒。该模型在参考速度阶跃响应和参数不确定性下进行了测试。结果表明，所提出的估计器改进了电压模型和电流模型转子磁通观测器的参数不确定性。
基于非参数感应电机转子磁链估计器...
基于电流模型和电压模型的传统感应电机转子磁通观测器对参数不确定性很敏感。本文提出了一种基于前馈神经网络的非参数感应电机转子磁通估计器。该估计器无需电机参数即可运行，因此不受参数不确定性的影响。该模型采用 Levenberg-Marquardt 算法离线训练。所有数据收集、训练和测试过程均在 MATLAB/Simulink 环境中完成。训练过程中强制迭代 1,000 个时期。此建模过程总共使用了 603,968 个数据集。该四输入两输出神经网络模型能够为磁场定向控制系统提供转子磁通估计，其误差为 3.41e-9 mse，训练时间为 28 分 49 秒。该模型在参考速度阶跃响应和参数不确定性下进行了测试。结果表明，所提出的估计器改进了电压模型和电流模型转子磁通观测器的参数不确定性。