XiaoMi-AI文件搜索系统
World File Search Systemprediction
3D蛋白结构预测系统
AMC工程学院，印度班加罗尔摘要：该项目通过简化框架引入了一种创新的三维蛋白质预测方法。通过合并机器学习技术和交互式可视化功能，我们开发了一个用户友好的平台，可实现准确有效的蛋白质结构建模。我们的结果展示了这种方法在增强可访问性并促进结构生物学和药物发现中的数据驱动决策方面的有效性。简化的结合提供了一种无缝且互动的体验，使其成为计算生物学领域研究人员和从业者的宝贵工具。我们的系统深入研究了一种创新的方法，该方法利用了简化框架的能力来彻底改变蛋白质结构的预测。
cctr：校准不确定性的轨迹预测 -
自主驾驶系统依靠精确的轨迹前词进行安全有效的运动计划。尽管努力提高预测准确性，但由于数据噪声和不完整的观察，固有的不确定性仍然存在。许多策略需要将预测结果形式化为分布，并利用差异代表不明显。然而，我们的实验研究表明，现有的轨迹预测模型产生了不可靠的不可估计的估计，需要进行其他定制的核心过程。另一方面，直接将电流校准技术应用于预测输出可能会产生亚最佳结果，因为对所有预分解使用了通用缩放器并忽略了信息性的数据提示。在本文中，我们提出了使用调节器（CCTR）的定制校准温度，这是一个通用框架，可以校准外部分布。具体来说，CCTR 1）采用基于校准的正规器将输出差异与预测与地面真相之间的差异相一致，并且2）使用上下文和历史信息为每个预测提供了每个预测的量身定制的温度缩放器。涉及多种谓词和计划方法的广泛评估表明，CCTR比现有的校准算法和不确定性意识方法的优越性，校准质量的11％ - 22％的显着提高，运动计划的17％-46％。
与...
摘要 - 在本文中，提出了一种通用优化方法，用于改进使用遗传和差异进化算法的Okumura-Hata，Cost-231，ECC-33和EGLI预测经验模型。使用来自巴西Uberlândia的地理因素信号样本进行测试，用于在569.142857 MHz的电视渠道上进行测试。使用算法优化的变量调整了模型公式的每个参数。重要的创新是由优化系数加权的高度参数包含，这特别提高了预测准确性。这项工作的主要贡献是开发从提出的方法学得出的一组分析方程，从而消除了计算能力以估计所讨论区域中评估模型的路径损失的需求。使用均衡误差（MSE）度量评估这些方程的性能，这表明比标准模型的改善高达92.03％，这取决于经验模型和应用的优化算法。
基于眼部跟踪信号的眼睛疲劳检测特征和算法的探索“ 2279糖尿病预测的深度学习技术
糖尿病是我们社会中的一种常见疾病。每个第三人都会受到这种严重疾病的影响。这是由不规则的生活方式，不良的饮食习惯以及缺乏运动以及怀孕期间引起的。在人体中，血糖水平受胰腺释放的胰岛素激素控制。由于胰岛素激素的任何原因，由于任何原因，血糖水平也会影响。这样，一个人可能会受到糖尿病的影响。可以通过定期运动和采用健康的生活方式来治愈受影响的患者。要控制血糖水平，可以给予某些药物或可以明确给予胰岛素。要知道一个人是否受到糖尿病的影响，需要进行一些诊断。如果我们在早期了解这种疾病，我们可能会防止这种有害疾病。用于早期预测机学习技术已被使用（Kerner＆Bruckel，2014）。机器学习技术从数据集中学习以预测结果。Some data is used as a training data which is used to train and then we can perform prediction using test data (Bottou,2014).For early stage diabetes prediction the various researchers have been used Support Vector Machine(Vishwanathan et al.,2002),Naive Bayes (Rish,2001), Artificial Neural Network (Wang,2003), Decision tree (Safavian et al.,1991)(Pal,2005),K nearest Neighbour （Liao＆Vemuri，2002），LSTM（长期记忆）（Sherstinsky，2020）。
使用机器学习的糖尿病预测
学生，计算机科学与工程学，NIE，迈索尔，印度3-6摘要：体内过多的糖是糖尿病的症状，这种疾病是一种非常危险的疾病，如果不受控制。糖尿病并发症：它可以以多种形式发生，包括心脏问题，肾衰竭，高血压，视觉障碍和器官损伤。早期诊断糖尿病对于有效管理很重要；因此，该项目将专注于使用机器学习（ML）技术进行准确的预测。使用各种ML分类和集成方法，例如支持向量机（SVM），K最近的邻居（KNN），决策树（DT），逻辑回归（LR），随机森林（RF）和梯度提升（GB）。我们旨在提高患者数据集中事实的准确性。每种方法都显示出不同的精度，并且随机森林成为我们研究中的最佳模型。对最准确的模型的分析表明了其准确预测血糖水平的能力，从而导致医疗保健预测的重大进展。
和低葡萄糖预测
摘要：夜间葡萄糖管理是1型糖尿病患者（T1D）的主要挑战，尤其是对于那些每天进行多次注射（MDI）的人来说。在这项研究中，我们开发了机器学习（ML）和深度学习模型（DL）模型，以预测目标范围内（3.9–10 mmol/L），高于目标范围的夜间葡萄糖，并且在使用MDIS管理T1D的受试者的目标范围以下。对模型进行了训练和测试，并在380名具有T1D受试者获得的连续葡萄糖监测数据上进行了测试。使用了两种DL算法 - 多层感知器（MLP）和一个卷积神经网络（CNN），以及两种经典的ML算法，随机森林（RF）和梯度增强树（GBTS）。基于DL和ML算法的所得模型在预测目标葡萄糖（F1度量：96–98％）和靶标葡萄糖（F1：93-97％）中表现出很高和相似的精度。预测低葡萄糖（F1：80–86％）时模型性能较差。MLP在低葡萄糖预测中提供了最高精度。结果表明，操作CGM数据的DL（MLP，CNN）和ML（RF，GBTS）算法都可以用于同时预测目标，T1D患者的目标高于目标和低于目标的目标范围内的夜间葡萄糖值。
通过先进技术和正在进行的专业人士培训来促进医疗保健创新文化
诊断和预测心血管疾病的结果是医学的重要任务，可帮助确保患者获得心脏病学家的准确分类和治疗。由于能够识别数据模式，因此医疗保健领域中机器学习的使用不断增长。通过应用机器学习技术来对心血管疾病的存在进行分类，可以降低误诊率。本研究旨在创建一个模型，能够准确预测心血管疾病，以最大程度地减少与这些疾病相关的死亡。在本文中，使用了两种类型的SVM模型，例如线性SVM和多项式SVM。精确度，精度，召回和F1得分已被评估，以比较线性SVM和多项式SVM。多项式SVM比线性SVM提供了更好的精度。
基于元学习的药物-靶标结合亲和力预测
在药物研发的早期阶段，准确预测靶蛋白与药物的结合行为对于发现具有良好效力和选择性的候选分子至关重要 (Hughes et al., 2011)。药物-靶标结合亲和力 (DTA) 预测是一个回归问题，旨在预测实验测量的结合亲和力值，这有助于对化合物进行排序和优化。尽管它通常比药物-靶标相互作用 (DTI) 预测问题更困难，后者是对活性/非活性化合物的二元分类，但 DTA 预测已根据深度学习的最新进展得到积极解决 (Ragoza 等人，2017 年；Stepniewska-Dziubinska 等人，2018 年；Jim´enez 等人，2018 年；Zhang 等人，2019 年；Jones 等人，2021 年；Abbasi 等人，2020 年；¨ Ozt¨urk 等人，2018 年；Abbasi 等人，2020 年；Nguyen 等人，2020b；2021)。