XiaoMi-AI文件搜索系统
World File Search Systemmse
通过卷积神经网络混合模型对脑电信号进行抑郁症连续评分
摘要 — 传统上，抑郁评分是通过贝克抑郁量表 (BDI) 测试来确定的，这是一种定性问卷。通过分析和分类预先记录的脑电图 (EEG) 信号，也可以实现抑郁症的定量评分。在这里，我们更进一步，将原始 EEG 信号应用于提出的混合卷积和时间卷积神经网络 (CNN-TCN)，以连续估计 BDI 分数。在本研究中，119 名受试者的 EEG 信号通过连续的闭眼和睁眼间隔被 64 个头皮电极捕获。此外，所有受试者都参加 BDI 测试并确定他们的分数。所提出的 CNN-TCN 在睁眼状态下提供 5.64 ± 1.6 的均方误差 (MSE) 和 1.73 ± 0.27 的平均绝对误差 (MAE)，在闭眼状态下提供 9.53 ± 2.94 的 MSE 和 2.32 ± 0.35 的 MAE，这显著超过了最先进的深度网络方法。在另一种方法中，从连续帧的 EEG 信号中提取常规 EEG 特征，并将它们与已知的统计回归方法结合应用于所提出的 CNN-TCN。我们的方法提供了 10.81 ± 5.14 的 MSE 和 2.41 ± 0.59 的 MAE，在统计上优于统计回归方法。此外，使用原始 EEG 的结果明显优于使用 EEG 特征的结果。
基于GPS/ ... div>的基于预测的机器学习的错误校正
摘要。精确的定位对于自动驾驶汽车的安全至关重要因素和有效导航至关重要。这项应用研究研究了机器学习模型的使用，用于估计，预测和纠正全球定位系统（GPS）/惯性测量单元（IMU）在室内和室外应用程序中的本地化。这种正在进行的开发旨在通过利用探索性数据分析（EDA）和实施诸如线性回归，随机森林回归和决策树回归器等模型来提高本地化准确性。评估是用平方误差（MSE）度量进行的，对于决策树，线性回归和随机森林模型，得出1.7069427028104143𝑒-05的值。结果表明，具有最高性能的模型是通过评估平均平方误差（MSE）值来确定的。
用于预测股票市场趋势的机器学习模型的比较分析
研究学者，印度萨加尔萨加尔的计算机科学与工程学院助理教授阿迪纳科学技术学院摘要：准确预测股票市场趋势是财务预测的重要组成部分，需要使用强大的方法来导航动态市场行为中固有的复杂性。这项研究对各种机器学习模型进行了比较分析，包括支持向量回归（SVR），线性回归，随机森林，K-Nearest邻居（KNN），决策树和弹性网，旨在预测三种nifty Indices的股票市场趋势：金融服务，信息技术和金属。评估将平方误差（MSE）用作度量标准，以及预测开放库存值的精确度。调查结果表明，决策树模型始终在所有检查指标中产生最低的MSE，这表示其出色的预测能力。随机森林模型还展示了竞争性能，尤其是在漂亮的金融服务和漂亮的金属指数中，提供了以低MSE为特征的可靠预测。相反，SVR模型显示出升高的MSE值，表明其在此特定分析中的功效有限。这项研究强调了模型选择在财务预测中的重要性，并强调了基于树的方法在有效捕获股票市场数据中存在的非线性关系方面的潜力。这项研究通过确定有效的机器学习模型来预测股票趋势，从而增强了金融市场中预测分析的领域。未来的调查可能集中于实时数据的整合，超参数的优化以及分析以涵盖全球市场的扩展，从而提高了这些预测模型的鲁棒性和适用性。
工程学士学位（材料科学与工程）
在本科层面，材料科学与工程系提供了四年的工程课程，为材料科学与工程学学士学位（MSE）提供了工程学士学位。这是一项专业工程计划，它为学生在不同行业的材料工程师的工作和研究生学位的进一步学习做好准备。该计划包括许多组成部分 - 大学级别的要求，不受限制的选修课，教师要求和主要要求，以提供广泛的教育。教师和主要要求在科学，通用工程以及材料科学与工程学方面都具有良好的平衡。MSE毕业生将拥有扎实的科学基础，基本的工程背景和材料科学和工程学的合理知识。有三个途径，重点是专业实践，研究和设计。该部提供了两种认证的聚合物和生物医学材料和纳米结构材料/纳米技术的专业。学位要求
Jurnal Mantik
在当今的数字时代，确保消息和信息的安全至关重要。本研究提出了一种使用RSA算法进行密码学的组合方法，而对隐肌的低钻头编码（LBE）算法则提高了安全措施。安全过程涉及将明文消息加密到密文中，然后将其嵌入MP3音频文件中作为封面对象。评估是通过测量Stego音频的均方根误差（MSE）和峰信号比（PSNR）进行的。研究结果表明，MSE值约为0.6，PSNR为62.2 dB，表明高质量的音频文件。这些算法的集成提供了强大的安全级别，从而确保了有效的消息机密性。这项研究有助于更深入地了解密码学和隐身技术，以保护数字通信期间敏感信息。
MAE手册2023-2024草稿 - 普林斯顿MAE
对于MSE/PhD学生，选择论文/论文顾问应该是早期的优先事项，并鼓励学生就他们选择研究主题的选择与任何教职员工咨询。该部门在秋季学期初举行了研究日和教师研究午餐研讨会，在此期间，学生和教职员工在其中进行了简短的谈判。希望这种接触能够帮助学生选择教师论文/论文顾问，并允许他们在第一学期或第二学期参与研究计划。博士学位学生还可以选择与教师一起参加指导研究课程，以协助确定其博士学位顾问。MSE和PhD学生将获得顾问选择表格，并需要在3月/4月的重新收录期结束之前确定论文/论文顾问。
![[2]高棉的文本图像重建和赔偿...](/simg/1\1436b766064e02f32511275e22f481abc7f51e52.webp)
[2]高棉的文本图像重建和赔偿...
摘要：本研究的重点是使用先进的计算机视觉和深度学习技术提出文本图像重建和赔偿框架来保存柬埔寨的历史高棉棕榈叶手稿。为了解决保存，使用卷积神经网络（CNN）和生成对抗网络（GAN）来填充受损图像中字符缺失的模式。该研究利用Sulukrith集[1]，该集合由91,600张图像组成，分为两个部分：90,600个训练图像和1,000张测试图像。每个图像包含高棉棕榈叶脚本的单个字符。训练图像故意降解为三种不同的变体，每个变体均遭受三个级别的降解（1级，第2级和第3级）。评估性能并比较卷积神经网络（CNN）和生成对抗网络（GAN）模型的有效性，并采用了各种评估指标。这些指标包括均方根误差（MSE），峰值信噪比（PSNR）和结构相似性指数（SSIM）。通过根据这些指标评估两个模型的结果，可以观察到，GAN模型在MSE，PSNR和SSIM方面始终优于CNN模型。与CNN模型相比，GAN模型达到了较低的MSE值，较高的PSNR值和更高的SSIM值，这表明其在图像重建和保留原始文本方面具有出色的性能。
利用交叉注意力网络发现成对相互作用来预测药物-靶标亲和力 S. Falahati a、F. Zamani* a、MA Khodamoradi b
在药物发现中，药物-靶标亲和力 (DTA) 被视为至关重要的一步，因为它有助于在开发过程中识别最有前途的候选药物。由于必须考虑药物和靶分子的结构和功能，以及它们复杂而非线性的相互作用，DTA 预测是一项具有挑战性的任务。本研究的目的是提出一种新颖的 DTA 预测框架，该框架利用图神经网络 (GNN) 的交叉注意网络 (CAN) 的优势。然而，使用 GNN 表示图会保留其 3D 结构信息。现有的基于注意力的方法并未充分利用它们。我们的框架使用 CAN 通过分析药物分子的不同部分如何与蛋白质的特定区域相互作用来捕获药物-靶标对的更准确表示。我们在顺序架构中使用 GIN 和 GAT 来捕获药物图分子的局部和全局结构信息。我们在两个基准数据集 Davis 和 KIBA 上评估了所提出方法的性能。其性能令人鼓舞，在均方误差 (MSE) 和一致性指数 (CI) 方面优于许多最先进的方法。具体来说，对于 Davis 数据集，我们实现了 0.222 的 MSE 和 0.901 的 CI，而对于 KIBA，我们获得了 0.144 的 MSE 和 0.883 的 CI。我们的方法提高了相互作用分析的可解释性和特异性，为药物发现过程提供了更深入的见解，并为预测的 DTA 提供了有价值的解释。我们的研究代码可在以下网址获取：https://github.com/fsonya88/CAN-DTA。