XiaoMi-AI文件搜索系统
World File Search Systemlstm
文章通过集成上下文门网络提高分类准确性：功能性近红外光谱的深度学习方法
摘要：脑机接口 (BCI) 系统包括信号采集、预处理、特征提取、分类和应用阶段。在 fNIRS-BCI 系统中，深度学习 (DL) 算法在提高准确性方面起着至关重要的作用。与传统的机器学习 (ML) 分类器不同，DL 算法无需手动提取特征。DL 神经网络会自动提取数据集中的隐藏模式/特征来对数据进行分类。在本研究中，从 20 名健康参与者那里获取了手握（闭合和张开）两类运动活动数据集，并将集成上下文门网络 (ICGN) 算法（提出）应用于该数据集以提高分类准确性。所提出的算法从过滤后的数据中提取特征，并根据网络中先前单元的信息生成模式。因此，基于数据集内生成的类似模式进行分类。将所提出的算法的准确性与长短期记忆 (LSTM) 和双向长短期记忆 (Bi-LSTM) 进行了比较。所提出的 ICGN 算法的分类准确率为 91.23 ± 1.60%，显著（p < 0.025）高于 LSTM 和 Bi-LSTM 分别实现的 84.89 ± 3.91 和 88.82 ± 1.96。使用 30 名受试者的开放访问三类（右手和左手手指敲击和优势脚敲击）数据集来验证所提出的算法。结果表明，ICGN 可有效用于基于 fNIRS 的 BCI 应用中二类和三类问题的分类。
使用机器学习技术进行股票市场指数预测：BIST 指数的应用
Özer 等人（2017）使用了 2012 年至 2016 年期间中国（上海）、印度（Nifty 50）、墨西哥（IPC-Mexico）、伊斯坦布尔（BIST 100）、美国（Nasdaq）、英国（FTSE-100）、德国（DAX）和法国（CAC-40）指数的每周收盘数据。在相关研究中，尝试比较模糊逻辑技术和人工神经网络模型，发现成功应用各种人工智能模型可以得到有希望的结果。在另一项研究（Manurung 等人，2018）中，他们使用 2013 年至 2018 年的中亚银行 (BCA) 数据进行股价预测，使用长短期记忆 (LSTM) 进行了预测研究，LSTM 是一种循环人工神经网络，用于数据中的重要参数（开盘价、最高价、最低价、收盘价）。分析结果表明，使用少于 1 年的短期数据而不是 3 年或 5 年的训练数据，LSTM 中的预测最为准确，并且优于传统的自回归移动平均 (ARIMA) 预测方法，对于短期数据的准确率为 56%，而准确率为 94%。
用于预测帕金森氏病的混合模型
帕金森氏病是一种影响个人运动的中枢神经系统疾病。已经观察到帕金森氏病的患者患有手写异常，弯腰姿势，语音或语音疾病等。这项工作旨在实施能够从早期症状中预测PD的通用机器学习模型。在这项研究中，对UCI机器学习存储库和螺旋的语音数据集进行了试验，以研究组合模型的准确性。为了提高预测的准确性，从语音数据集中提取的功能是抖动，Shimmer，NHR，DFA和PPE。此外，从手写数据集提取的功能是压力，握把角，时间戳，径向速度，速度等。在上述数据集中对CNN，LSTM，Resnet等不同的机器学习模型进行了实验。从研究中可以看出，与此工作中使用的其他模型相比，具有适当的超级参数调整的CNN/LSTM模型效果很好。语音数据集上CNN/LSTM的准确性为88％，手工编写数据集为92％。。
时间序列分析的复发性神经网络模型
摘要时间序列分析是各个领域的关键组成部分，例如财务，经济学，气候科学和医疗保健，在该领域中，准确的预测和模式识别至关重要。这项研究探讨了使用Google股票价格作为案例研究，探讨了复发性神经网络（RNN），尤其是长期记忆（LSTM）网络的应用，特别是短期记忆（LSTM）网络。该研究始于全面的文献综述，强调了RNN体系结构，其理论基础以及时间序列预测中的多样应用的发展和进步。从方法论上讲，本研究概述了所采用的数据预处理技术，包括将数据集缩放和将数据集划分为培训和测试集。RNN模型体系结构经过精心设计，具有多个LSTM层和辍学的正则化，以防止过度拟合并增强模型鲁棒性。使用不同的指标（MAE，MSE，RMSE）对模型进行训练和评估。经验结果证明了RNN模型在捕获时间依赖性并产生准确的股票预测方面的功效。
使用面部表情的时空深度学习方法改善疼痛分类
疼痛管理和严重性检测对于有效的治疗至关重要，但是传统的自我报告方法是主观的，并且可能不适合非语言个体（口语有限的人）。为了解决此限制，我们使用面部表情探索自动疼痛检测。我们的研究利用深度学习技术来通过分析来自疼痛情感面孔数据库（PEMF）的面部图像来改善疼痛评估。我们提出了两种新颖的方法1：（1）混合交通模型与长期短期记忆（LSTM）块相结合，以分析视频框架并预测疼痛的存在，以及（2）与LSTM集成的时空图形卷积网络（STGCN），与LSTM集成在一起，以从面部图像中为疼痛图像进行过程地标。我们的工作代表了PEMF数据集进行二进制疼痛分类的首次使用，并通过广泛的实验证明了这些模型的有效性。结果突出了结合空间和时间特征以增强疼痛检测的潜力，从而在客观疼痛评估方法中提供了有希望的进步。
基于脑电图的脑机接口系统控制假肢手指运动
研究 脑信号 手指数量 信号处理链 准确度（％） [11] EEG 4 CWD＆2LCF 43.5 [12] EEG 5 RF＆LDA＆SVM＆KNN 54 [13] EEG 5 LSTM＆CNN＆RCNN 77 [14] EEG 5 PCA＆PSD＆SVM 77 [15] MEG 5 SVM 83 [16] MEG 5 BPF＆频谱图＆SVM 57 [17] ECOG 5 CNN＆RNN＆LSTM 49 [18] ECoG 4 BPF＆Morlet小波字典＆STMC 85 [19] ECoG 5 CSP＆SVM 86.30 [20] fNIRS 2 SVM 62.05 [21] EMG 1小波＆自回归＆SVM 76
使用混合整数线性编程
摘要：本文提出了一个用于网格连接的微电网电池存储系统的能源管理系统（EMS）。考虑到电网关税，可再生发电和负载需求的变化，电池充电/放电功率可以降至最低。该系统被建模为24小时内的经济负载调度优化问题，并使用混合整数线性编程（MILP）解决。此公式需要了解未来24小时内预期的可再生能源产生和负载需求。为此，提出了长期的短期内存（LSTM）网络。建议退化的视野（RH）策略减少预测误差的影响，并实现利用当天使用实际生成和需求数据的EMS实时实施。在每小时，LSTM预测接下来的24小时的生成和负载数据，然后解决调度问题，然后仅实时应用第一个小时的电池充电或排放命令。然后，使用真实数据来更新LSTM输入，并重复该过程。仿真结果表明，所提出的实时策略的表现优于局部优化策略，将运营成本降低了3.3％。