XiaoMi-AI文件搜索系统
World File Search Systemlstm
欺诈预测和智能信用卡的验证...
摘要本研究揭示了一种智能信用卡欺诈检测和验证的有力方法。此系统使用混合模型集成了数据预处理，功能工程和实时预测，该模型结合了监督的机器学习算法，编码器和LSTM网络。有监督的LSTM网络分类交易，而无监督的自动编码器会发现异常值。评估标准在召回和准确性之间取得了平衡。警报是在检测欺诈时由系统发送的，并实时运行。合规性，可伸缩性和恒定监视是关键点。为了缩小当代货币交易中的易于安全性和安全性之间的差距，该项目提供了一种最先进的方法来增强智能信用卡的安全性。关键字：LSTM，自动编码器，异常I.引入智能信用卡的介绍，一个新的无摩擦和快速货币交易的时代已经开始。这些高度发展的支付系统的使用简化了消费者和企业的日常财务交易。但是，随着智能信用卡的扩散，一种新的且存在的危险是一种新的危险：信用卡盗窃。犯罪分子用来利用系统中漏洞的不断发展的方法使打击信用卡盗窃成为巨大的问题。成功应对这种威胁需要开发新颖而灵活的解决方案。这项研究通过引入彻底的方法是智能信用卡欺诈预测和使用混合机器学习验证来解决这一紧急要求。首先收集和预处理包括各种智能信用卡交易的广泛数据集，作为该项目多面方法的一部分。数据集包含有效和欺诈性交易，使其成为建筑模型的宝贵资源。无监督的自动编码器神经网络是本研究的关键组成部分，因为它检测到交易数据中的异常值的程度。使用自动编码器的编码器组件来学习潜在特征，即使不是立即明显，此方法也可以识别欺诈。在研究中使用了包括LSTM网络（适合序列数据的LSTM网络）的监督机器学习方法，以提高预测准确性。为了提高模型区分实际和欺诈交易的能力，使用
重建3轴地震心动图的 -
摘要 - 该试验研究旨在开发一个深度学习模型，用于从SCG信号从左侧和左侧和头到英尺的方向（SCG X和SCG Y）从SCG信号沿背层方向预测地震心动图（SCG）。从15位健康的成人受试者中获得了用于培训和验证模型的数据集。使用放置在每个受试者胸部上的三轴加速度计记录SCG信号。然后使用心电图R波分割信号，并将片段降采样，归一化和焦点左右。所得数据集用于训练和验证具有两个层和一个辍学层的长期短期内存（LSTM）网络，以防止过度拟合。该网络作为SCG X和SCG Y的输入100个步骤，代表一个心脏周期，并输出了一个映射到预测目标变量的向量。结果表明，LSTM模型在背腹方向的预测和实际SCG段之间的均方根误差为0.09。该研究证明了使用从双轴加速度计获得的数据重建3轴SCG信号的潜力。索引术语 - 观察心动图，心脏振动，信号重建，深度学习，LSTM网络。
AI自动驾驶：机遇，挑战和...韩国戏剧对心理井的影响使用深度学习算法的图像字幕生成
文章信息abs tract本研究研究了使用VGG16和LSTM架构在FlickR8K数据集上使用图像字幕模型的有效性。通过细致的实验和评估，获得了对模型能力的有价值的见解，并获得了为图像生成描述性字幕的局限性。这些发现有助于对图像字幕技术的更广泛理解，并为该领域的未来进步提供指导。VGG16和LSTM架构的探索涉及数据预处理，模型培训和评估。FlickR8K数据集，包括8,000张与文本描述配对的图像，作为基础。进行了数据预处理，使用VGG16的特征提取和LSTM训练。进行了模型参数和超参数的优化，以实现最佳性能。评估指标（包括BLEU得分，语义相似性评分和胭脂分数）。虽然根据BLEU评分观察到带有参考标题的中等重叠，但该模型表现出高度的语义相似性。然而，通过分析胭脂分数，揭示了维持连贯性和捕获高阶语言结构的挑战。这项研究的含义扩展到诸如计算机视觉，自然语言处理和人类计算机互动之类的领域。通过弥合视觉内容和文本描述之间的语义差距，图像字幕模型可以增强可访问性，改善图像理解并促进人类机器通信。尽管有希望捕获语义内容的表现，但存在改进的机会，包括精炼模型体系结构，集成注意力机制以及利用较大的数据集。图像字幕中的持续创新承诺在行业和学科中广泛应用的高级系统。关键字：图像字幕，深度学习，VGG16，LSTM，FlickR8K数据集，评估指标，语义差距，人类计算机交互。
可再生能源预测：...的比较研究
摘要。随着深度学习 (DL) 的进步，人们对可再生能源产量预测的关注度日益增加。可再生能源固有的多变性和预测方法的复杂性要求可再生能源领域采用稳健的方法，例如 DL 模型。与传统机器学习 (ML) 相比，DL 模型更受欢迎，因为它们可以捕捉可再生能源数据集中复杂的非线性关系。本研究通过比较 DL 框架内的各种方法和训练/测试比率，研究了影响 DL 技术准确性的关键因素，包括采样和超参数优化。使用结合了来自 12 个地点的天气和光伏电力输出数据的数据集，评估了七种机器学习方法——LSTM、Stacked LSTM、CNN、CNN-LSTM、DNN、时间分布式 MLP (TD-MLP) 和自动编码器 (AE)。应用早期停止、神经元丢失和 L1/L2 正则化等正则化技术来解决过度拟合问题。结果表明，早期停止、dropout 和 L1 正则化的组合对于减少具有较大训练集的 CNN 和 TD-MLP 模型中的过度拟合效果最佳，而早期停止、dropout 和 L2 正则化的组合对于减少具有较小训练集的 CNN-LSTM 和 AE 模型中的过度拟合效果最有效。
目的声明 - 人| MIT CSAIL
与纳吉姆·德哈克（Najim Dehak）教授和JHU的Jes'us Villalba博士一起制定了用于语音活动检测的机器学习模型（VAD）时，我对语音研究的兴趣首次发展。vad均在所有语音系统中使用，但是标准的阈值方法仅在高信号与噪声比下才有效。为了创建强大的VAD模型，我在各种噪声条件下训练了一个长期的短期存储网络（LSTM）。我发现上下文信息对于语音身份检测至关重要，并在2017 JHU本科研究研讨会上介绍了这项工作。为了进一步改善我的VAD模型，我在HLTCOE的2017年应用语言探索（Scale）的夏令营中进行了参与。我观察到，LSTM的输出在相邻框架之间有很大不同，这与语音的平滑性属性相矛盾。为了解决这个问题，我研究并实施了几种机器学习模型，与HLTCOE的研究人员进行对话为我提供了有关工作的新见解。在规模结束时，我使用了一个两国隐藏的马尔可夫模型扩展了LSTM，该模型具有Google Audioset的噪声条件更多样化的，并且该模型在美国国家标准与技术研究所OpenSat上进行了评估。
自适应在线收费估计电动汽车锂...
摘要：电荷状态（SOC）估计是安全性能和锂离子（锂离子）电池寿命的重要问题。在本文中，提出了一种强大的自适应在线长期记忆（ROLSTM）方法，以提取电动汽车（EV）中锂离子电池的SOC估计。顾名思义的实时方法是基于一个复发性神经网络（RNN），该神经网络（RNN）包含长期记忆（LSTM）单元，并使用强大和适应性的在线梯度学习方法（ROADAM）进行优化。在拟议的体系结构中，为三个输入中的每一个定义了一个顺序模型：电池的电压，电流和温度。因此，这三个网络并联起作用。使用这种方法，LSTM单元的数量减少。使用此建议的方法，一种不依赖精确的电池模型，并且可以避免复杂的数学方法。此外，与传统的递归神经网络不同，该网络随时重写内容，LSTM网络可以决定通过所提出的网关保留当前的内存。在这种情况下，它可以轻松地将此信息转移到较长的路径上，以接收和维持长期依赖性。使用真实数据库，实验结果说明了与迄今为止使用的神经网络建模和无流感的KalmanFulter方法相比，ROLSTM应用于SOC估算的ROLSTM的性能更好。
脑电图的深度学习方法（...
摘要：在深度学习中，由于时间序列数据的随机性和非线性特性，寻找最佳算法可能具有挑战性。本研究致力于解决采用深度学习算法的 10 类分类和二元分类问题所带来的挑战。我们收集了参与 Corsi Block Tapping 任务的参与者的脑电图 (EEG) 数据，利用多层卷积神经网络 (CNN)、长短期记忆 (LSTM) 和双向 LSTM (BiLSTM) 模型的各种组合，以在不同频带（即 beta 波段 (14-30 Hz)、alpha 波段 (8-13 Hz)、theta 波段 (4-8 Hz) 和 delta 波段 (0.5-4.35 Hz)）上实现最高精度。我们在 10 类分类问题中的研究结果突出了 1 CNN + 4 线性层模型的卓越性能，准确率高达 64.47%。在二元分类领域，1 LSTM + 4 线性层模型表现最佳，准确率高达 93.30%。值得注意的是，β 波表现出增强的预测能力。这些结果对脑机接口实验的设计具有重要意义，特定大脑区域可以以更高的准确率预测反应。此外，未来的应用可能包括认知系统的开发，其中时间和准确性都起着关键作用。
预测加密货币市场：使用统计
3美国加利福尼亚州圣何塞州立大学摘要：加密货币市场的迅速发展的景观提出了独特的挑战和机遇。 加密货币汇率的每日重大变化导致与加密资产的投资相关的重大风险。 本研究旨在使用高级机器学习模型来预测加密货币的价格。 在经过测试的预测和验证效率测试的七个模型中，中性网络的表现最佳，最小误差。 因此，使用长期记忆（LSTM）神经网络用于预测未来趋势。 LSTM模型非常适合分析财务数据中的复杂依赖性。 从历史数据收集，数据预处理，功能工程，归一化和综合套筒开始，对50个加密货币进行了全面的探索数据分析（EDA）。 基于诸如交易量，市值和价格趋势等标准确定了最佳性能者。 使用Python实施了LSTM模型，以预测90天的价格移动数据，以检查复杂的模式和关系。 模型性能通过MAE和RMSE等性能指标验证。 的发现与自适应市场假设（AMH）保持一致，该假设表明，加密货币市场表现出受不断发展的市场状况和投资者行为影响的动态效率。 该研究显示了机器学习模型在金融经济学中的潜力及其在增强风险管理策略和投资决策过程中的作用。3美国加利福尼亚州圣何塞州立大学摘要：加密货币市场的迅速发展的景观提出了独特的挑战和机遇。加密货币汇率的每日重大变化导致与加密资产的投资相关的重大风险。本研究旨在使用高级机器学习模型来预测加密货币的价格。在经过测试的预测和验证效率测试的七个模型中，中性网络的表现最佳，最小误差。因此，使用长期记忆（LSTM）神经网络用于预测未来趋势。LSTM模型非常适合分析财务数据中的复杂依赖性。从历史数据收集，数据预处理，功能工程，归一化和综合套筒开始，对50个加密货币进行了全面的探索数据分析（EDA）。基于诸如交易量，市值和价格趋势等标准确定了最佳性能者。使用Python实施了LSTM模型，以预测90天的价格移动数据，以检查复杂的模式和关系。模型性能通过MAE和RMSE等性能指标验证。的发现与自适应市场假设（AMH）保持一致，该假设表明，加密货币市场表现出受不断发展的市场状况和投资者行为影响的动态效率。该研究显示了机器学习模型在金融经济学中的潜力及其在增强风险管理策略和投资决策过程中的作用。关键字：货币预测，金融经济学，LSTM神经网络，机器学习，模型预测。引言加密货币作为一个名为Satoshi Nakamoto的匿名实体（2020年1月）成为了革命性的金融创新。比特币于2009年推出，并标志着新的数字货币时代的开始（Malik，2016年）。中村的白皮书将比特币描述为一种分散的电子现金系统，可促进安全的直接交易而不依赖中间人（Nakamoto＆Bitcoin，2008）。在比特币的成功之后，开发了许多替代的加密货币，例如以太坊，波纹和莱特币。今天，加密货币景观包括成千上万的数字资产，其中包含金融，游戏，供应链和其他地区的应用（Chlioumi，2022年）。加密货币市场的快速发展给贸易商和投资者带来了机会和挑战。与传统金融市场不同，加密货币在分散的环境中运作，其特征是流动性高和价格频繁波动。这些独特的市场动态需要先进的预测建模技术才能准确预测未来的价格变动（Lubogo，2022）。预测加密货币的行为可以增强交易策略并支持风险管理决策。预测可以为监管框架提供信息，并增强市场信心。但是，这些线性模型在捕获财务时间序列中非线性和复杂依赖性方面的局限性导致了机器学习技术的探索。随着加密货币市场的不断发展，预期价格变动和市场行为的能力对于预测可持续增长并融入更广泛的金融景观至关重要（Nabila等，2021）。机器学习模型由于从历史数据中学习复杂模式的能力而获得了时间序列预测（Elsayed等，2021）。LSTM模型，一种复发性神经网络（RNN），被广泛用于预测长期变化和顺序关系。LSTM模型特别适合建模加密货币价格的非线性和时间性质（Liu等，2020）。研究表明，LSTM模型在预测股票价格，汇率和现在的加密货币价格方面的功效。例如，Ghosh和Neufeld（2022）将LSTMS应用于标准普尔500指数，发现LSTMS胜过
vision-lstm：XLSTM作为通用视觉骨干
变压器最初用于自然语言处理，但仍被广泛用作计算机视觉中的通用骨架。最近，长期短期内存（LSTM）已扩展到可扩展的性能架构 - XLSTM，该架构通过凸起的门控和可行的矩阵存储器结构克服了长期存在的LSTM限制。在本报告中，我们会引入Vision-LSTM（VIL），XLSTM构建块的改编对计算机视觉。vil包括一堆XLSTM块，其中奇数块处理了从上到下的贴片令牌的序列，而甚至块也从底部到顶部。实验表明，VIL有望进一步部署为计算机视觉体系结构的新通用骨干。项目页面：https：//nx-ai.github.io/vision-lstm/