XiaoMi-AI文件搜索系统
World File Search Systemlstm
混合变压器LSTM模型适用于葡萄糖预测
糖尿病的全球患病率正在升级，估计表明，到2021年，超过5.366亿个人遭受了折磨，约占全球人口的10.5％。由于与不准确性的严重健康风险（例如低血糖和高血糖）相关的严重健康风险，糖尿病的有效管理，特别是对血糖水平的监测和预测，仍然是一个重大挑战。本研究通过采用混合变压器LSTM（长期短期内存）模型来解决这一关键问题，旨在根据连续葡萄糖监测（CGM）系统的数据增强未来葡萄糖水平预测的准确性。这种创新的方法旨在减少糖尿病并发症的风险并改善患者预后。我们使用了一个数据集，该数据集包含32000多个数据点，其中包括来自中国江苏省苏州市医院收集的八名患者的CGM数据。此数据集包括历史葡萄糖读数和设备校准值，因此由于其丰富性和实时适用性，它非常适合开发预测模型。我们的发现表明，混合变压器LSTM模型显着胜过标准LSTM模型，在预测间隔分别达到1.18、1.70和2.00的均方根误差（MSE）值分别为15、30和45分钟。这项研究强调了先进的机器学习技术在主动管理中的潜力，这是减轻其影响的关键一步。
大规模数据中心中的基于LSTM的资源和工作量的改进的预测方法
摘要 - 准确的工作量和资源预测是为了实现积极，动态和自适应资源分配，用于构建具有成本效益，能源良好和绿色云数据中心（CDC），为用户提供令人满意的优质服务，并为云提供者提供高收入。这很具有挑战性，因为CDC中急剧增加和大规模的工作量和资源使用的模式随时间而变化显着。当前的预测方法通常无法处理隐式噪声数据，并在工作量和资源时间序列中捕获非线性，长期和短期和空间特征，从而导致预测准确性有限。为解决这些问题，这项工作设计了一种名为VSBG的新型预测方法，该方法无缝且创新地结合了变分模式分解（VMD），Savitzky Golay（SG）滤波器（SG）滤波器，双向长期短期内存（LSTM）和GRID LSTM和GRID LSTM和GRID LSTM，以预测工作量和资源在CDC中的工作量和资源使用。vsbg在执行其预测之前，以四步骤的方式以四步方式整合VMD和SGFURTER。VSBG利用VMD将非机构工作负载和资源时间序列分为多种模式函数。然后，在VSBG中，这项工作设计了二次惩罚，用拉格朗日乘数将其最小化，并采用对数操作和SG滤波器来平滑第一个模式功能，以消除噪声干扰。最后，VSBG首次系统地捕获了具有两个Bilstm层的流量和复杂时间序列数据的深度和时间特征，在此之间，GridLSTM层在其中，从而准确地预测了CDC中的工作量和资源。具有不同现实世界数据集的广泛实验证明，VSBG在预测准确性和收敛速度上的整体最新算法都优于整体。
使用 LSTM 对站立、行走和跑步数据集上的 EEG 信号进行分类
伦敦 V.Gandhi@mdx.ac.uk 摘要 - 毫无疑问，脑机接口 (BCI) 方法最重要的分支之一是通过脑信号进行替代通信的方法。BCI 利用软件和硬件将来自大脑活动感知的脑电图 (EEG) 信号转换为用户动作。BCI 引起了广泛学科研究人员的兴趣，例如认知科学、深度学习、模式匹配、药物治疗医学等。患有神经和认知障碍的患者可以通过 BCI 得到帮助，有可能通过手势或仅仅是心理想象实现交流。在本文中，采用了一种新颖的离散小波变换 (DWT) 组合来提取最佳特征，并采用了基于长短期记忆 (LSTM) 的循环神经网络 (RNN) 对站立、行走和在跑步机上跑步时获取的 EEG 信号进行分类。使用的数据集可从开放科学框架存储库免费下载。所提出的 DWT-LSTMRNN 方法在对四种不同信号进行分类时可实现 96.7% 的准确率，因此有可能在 BCI 竞赛数据集上进行进一步研究，为实时应用铺平道路。
基于人工智能的可再生交流微电网与双向 LSTM 风力发电的优化调度
摘要——在微电网运行方面，优化调度是一个必须考虑的重要问题。在这方面，本文提出了一个有效的可再生微电网优化调度框架，考虑了储能设备、风力涡轮机、微型涡轮机。由于微电网运行问题的非线性和复杂性，使用准确而鲁棒的优化技术来有效地解决这个问题至关重要。为此，在所提出的框架中，利用基于教师学习的优化来有效地解决系统中的调度问题。此外，提出了一种基于双向长短期记忆的深度学习模型来解决短期风电预测问题。使用 IEEE 33 总线测试系统检查了所提框架的可行性和性能以及风电预测对运行效率的影响。此外，澳大利亚羊毛北风场数据被用作真实数据集来评估预测模型的性能。结果表明，所提出的框架在微电网优化调度中具有有效和高效的性能。
使用基于LSTM的模型从脑电图中提取不同级别的语音信息
解码一个人通过脑电图（EEG）从人脑聆听的语音信号可以帮助我们忽略听觉系统的工作原理。线性模型已用于从语音中重建脑电图，反之亦然。最近，人工神经网络（ANN），例如，综合神经网络（CNN）和基于长期的短期记忆（LSTM）架构在建模脑电图与语音之间的关系方面的线性模型优于线性模型。在诱惑将这些模型在实际应用中使用这些模型之前，例如听力测试或（第二）语言理解评估，我们需要知道这些模型正在介绍哪种语音信息。在这项研究中，我们旨在使用不同级别的语音特征分析基于LSTM的模型的性能。该模型的任务是确定两个给定的语音段中的哪个与记录的脑电图匹配。我们使用了低级和高级语音特征，包括：信封，MEL频谱，语音活动，音素标识和词嵌入。我们的结果表明，该模型可阐述有关脑电图中有关沉默，强度和广泛语音类别的信息。此外，包含所有这些信息的MEL频谱图在所有特征中都具有最高的精度（84％）。索引术语：LSTM，CNN，语音解码，听觉系统，EEG
基于能量的特征和双 LSTM 神经网络用于基于 EEG 的音乐和语音分类
摘要 人类大脑通过多种方式接收刺激；其中，音频是大脑在交流、娱乐、警告等方面的重要相关刺激来源。在此背景下，本文的目的是推进对大脑对不同类型的音乐和不同性质的声音（语音和音乐）的反应的分类。为此，设计了两个不同的实验，从听不同音乐类型的歌曲和不同语言的句子的受试者那里获取脑电图信号。据此，提出了一种新的方案来表征脑信号以进行分类；该方案基于构建一个特征矩阵，该特征矩阵建立在不同脑电图通道测量的能量之间的关系和使用双长短期记忆神经网络的基础上。利用获得的数据，对基于脑电图的语音和音乐、不同音乐类型以及受试者是否喜欢所听歌曲进行分类进行评估。实验表明，所提出的方案性能令人满意。二元音频类型分类的结果成功率达到 98.66%。在四种音乐流派的多类分类中，准确率达到61.59%，音乐品味的二分类结果上升至96.96%。
使用深度学习技术进行价格行动分析 div>
在本文中，学生将学习技术用于学习的主要目的。黄金价格图的价格行为模式是分析师在黄金交易价格行为分析中使用的方法，是通过查看变化并影响价格变化的模式（模式）来预测未来黄金价格的分析和预测。学生建议的方法是能够与特殊的圆形神经网络相结合的学习计划的介绍。发现通过提出的方法进行交易测试的结果，它可以比传统的黄金交易方法创造更好的回报。由于 - 深度学习结构，连接网络和LSTM人造神经网络的连接具有学习能力。并记住与现在相比，与现在相比，过去的行为计划的格式更改与未来相比。 div>
通过人工智能社会创新解决无家可归问题：采用 ARIMA 和 LSTM 等预测分析和机器学习模型，对洛杉矶无家可归人群的犯罪受害情况进行新颖且具有突破性的评估
无家可归是一个世界性的问题，近年来洛杉矶 (LA) 的无家可归者数量急剧增加。尽管已经开展了多项研究来调查无家可归的各个方面及其与犯罪受害的交集，但没有一项研究使用机器学习技术来分析无家可归与无家可归者受害之间的关系。为了更好地了解无家可归者受害的影响，我们整合了从联邦、州和市政府机构获得的三个数据集，创建了一个统一的数据集，得出了重要的发现。特征工程用于引出无家可归不同维度之间的关系。基于提取的特征，机器学习技术用于模拟无家可归者的受害情况。我们的研究结果表明，洛杉矶无家可归者受害与种族、性别、年龄和社区划分密切相关。鉴于本研究的主要目标是帮助社会服务机构实施社会创新，我们应用了两种复杂的机器学习方法来预测无家可归者的未来：自回归综合移动平均线 (ARIMA) 和长短记忆网络 (LSTM)。这两个模型都从不同角度进行了训练，以预测未来两年内犯罪热点地区以及弱势群体的性别、种族和年龄组。最后，向各部门和政府机构提出了一些社会改进建议，以改善针对无家可归犯罪受害者的服务和项目。
加密货币价格预测指标-IJRPR
此方法提供了[1]有见地的信息，可促进在极其不可预测的比特币市场中改善风险管理和决策。实验结果[2]表明，SVR模型对于加密货币价格预测的准确性可以通过综合学习模型有效地改进。这是通过考虑[3]长期任期内存（LSTM）和变形金刚神经网络来完成的，这些术语（LSTM）和使用历史差异以及使用历史差异以及这些型号的技术指示器以及这些模型（ELNCO）（ELNCO）（ELNCO）（ELNCO）（BITCO）（BITCO）（BITCO）（BITCO）（BITCO）（BITCO）（BIT）（BITCO）（BT） Litecoin（LTC）。我们的实验表明，[4]脊回归模型优于更复杂的预测模型，例如RNN和LSTM，在预测确切的关闭价格时。另一方面，LSTM可以比其他人更好地预期加密货币价格的方向。
使用具有长短期记忆的循环神经网络估计锂离子电池的充电状态
摘要 —本文提出了一种针对实际条件下运行的锂离子电池 (LIB) 使用长短期记忆循环神经网络 (LSTM) 的精确充电状态 (SOC) 估计算法。凭借其自学习能力，这种数据驱动的方法能够模拟整个电池寿命期间由于环境和工作条件变化而导致的 LIB 高度非线性行为。结果表明，在准确性和稳定性方面，LSTM 方法优于使用扩展卡尔曼滤波器 (EKF) 的常见物理模型。为了证明这一优势在实际应用中的优势，使用从储能领域的商业行业应用收集的数据对所提供的网络进行训练和测试。在不同工作条件下使用 EKF 对 LSTM 进行评估并将其与等效电路模型 (ECM) 进行比较。对于动态负载曲线，ECM-EKF 的误差 (RMSE) 为 9.5%，而 LSTM 的误差 (RMSE) 为 5.0%。