XiaoMi-AI文件搜索系统
World File Search Systemrnn
已接受文章
摘要 ：大多数抗菌肽 (AMP) 和抗癌肽 (ACP) 折叠成膜破坏性阳离子两亲性 α 螺旋，但其中许多也具有不可预测的溶血性和毒性。在这里，我们利用循环神经网络 (RNN) 区分活性与非活性、非溶血与溶血 AMP 和 ACP 的能力，以发现新的非溶血性 ACP。我们的发现流程包括：1) 使用生成 RNN 或遗传算法生成序列，2) RNN 分类活性和溶血，3) 选择序列新颖性、螺旋性和两亲性，以及 4) 合成和测试。对 33 种肽的实验评估产生了 11 种活性 ACP，其中 4 种不溶血，其特性类似于天然 ACP lasioglossin III。这些实验展示了机器学习直接指导发现非溶血性 ACP 的第一个例子。
输入细胞注意力机制降低循环神经网络的消失显着性
最近，为提高深度神经网络的可解释性，人们使用显著性来表征输入特征对模型预测的重要性。在循环神经网络 (RNN) 上使用基于显著性的方法进行可解释性研究主要针对语言任务，而它们对时间序列数据的适用性尚不明确。在本文中，我们分析了基于显著性的 RNN 方法，包括经典和门控单元架构。我们表明，RNN 显著性会随着时间的推移而消失，导致对显著特征的检测仅偏向于后续时间步骤，因此无法可靠地检测任意时间间隔内的重要特征。为了解决这个显著性消失问题，我们提出了一种新颖的 RNN 单元结构（输入单元注意力†），它可以扩展任何 RNN 单元架构。在每个时间步骤，输入单元注意力使用固定大小的矩阵嵌入，而不是只查看当前输入向量，矩阵的每一行都关注来自当前或之前时间步骤的不同输入。使用合成数据，我们表明，输入单元注意 RNN 生成的显着性图能够忠实地检测重要特征，无论它们在时间上发生如何。我们还将输入单元注意 RNN 应用于神经科学任务，该任务分析执行各种任务的人类受试者的功能性磁共振成像 (fMRI) 数据。在这种情况下，我们使用显着性来表征大脑区域（输入特征），这些区域的活动对于区分任务很重要。我们表明，标准 RNN 架构只能在 fMRI 数据的最后几个时间步骤中检测重要的大脑区域，而输入单元注意模型能够跨时间检测重要的大脑区域活动，而不会在后面的时间步骤中产生偏差。
基于循环神经网络模型的 PMSG 变流器中功率半导体的可靠性评估
为了在可接受的仿真时间内获得准确的寿命评估结果，以满足全生命周期设计标准，本文提出了一种基于循环神经网络 (RNN) 的模型来替代 Simulink 模型。首先建立永磁同步发电机 (PMSG) 的平均开关 (AS) 模型和平均基波 (AF) 模型来计算累积损伤。然后，在相同的任务概况下，计算并比较 AS 和 AF 模型的结温、雨流计数和累积损伤。可以看出，AS 模型可以更准确地计算组件的可靠性，因为该模型既考虑了负载变化引起的大热循环，也考虑了基波交流电流引起的小热循环。然而，与 AF 模型相比，它耗费更多时间。为此，提出使用 RNN 模型来替代系统可靠性评估程序中最耗时的部分。借助所提出的模型，与 Simulink 模型相比，可以大大减少所耗时间。最后，通过一个1小时的案例验证了RNN模型的有效性。测试用例的平均绝对百分比误差（MAPE）为0.51％，RNN模型得出结果的时间小于1秒。此外，还实施了一个年度案例来验证RNN模型，全年平均MAPE为0.78％。
通过 NN 迈向高级智能网络数据平面...
新兴的可编程网络引发了对智能网络数据平面 (INDP) 的大量研究，该平面实现了基于学习的线速流量分析。INDP 中的现有技术专注于在数据平面上部署树/森林模型。我们观察到基于树的 INDP 方法的一个基本限制：尽管可以在数据平面上表示更大的树/森林表，但数据平面上可计算的流特征从根本上受到硬件约束的限制。在本文中，我们提出 BoS，通过以线速实现神经网络 (NN) 驱动的流量分析来突破 INDP 的界限。许多类型的 NN（例如循环神经网络 (RNN) 和转换器）旨在与顺序数据一起工作，它们比基于树的模型具有优势，因为它们可以将原始网络数据作为输入，而无需进行复杂的特征计算。然而，挑战是巨大的：RNN 推理中使用的循环计算方案与网络数据平面上使用的匹配动作范式有着根本的不同。BoS 通过以下方式应对这一挑战：（i）设计一种新颖的数据平面友好型 RNN 架构，该架构可以在有限的数据平面阶段执行无限的 RNN 时间步骤，从而有效实现线速 RNN 推理；（ii）用基于非开关变压器的流量分析模块补充开关上 RNN 模型，以进一步提高整体性能。我们使用 P4 可编程交换机作为数据平面实现了 BoS 的原型，并在多个流量分析任务中对其进行了广泛的评估。结果表明，BoS 在分析准确性和可扩展性方面均优于最先进的技术。
MuBiNN：用于脑电信号分类的多层二值化循环神经网络
监测人脑活动对于了解大脑功能、预防精神疾病和改善生活质量具有巨大潜力。为此，EEG 系统必须从当今临床实践中经常使用的有线、固定和笨重的系统转变为提供高信号质量的智能可穿戴、无线和舒适的生活方式解决方案。可穿戴设备上的连续监测要求自动 EEG 分类算法既准确又轻量。这是我们在本文中的主要关注点。请注意，可穿戴设备的处理器很小且有限，与台式机和服务器处理器相比要慢得多。许多以前的算法都是基于经典信号处理技术 [1][2]。由于 EEG 信号特征在不同情况下和不同人之间存在显著差异，因此此类算法中使用的固定特征不足以准确区分所有人的不同类型的疾病。为了自动提取特征并提高脑信号分类准确性，最近提出了基于深度学习的算法，包括深度卷积神经网络 (CNN) 和循环神经网络 (RNN) [3][4]。用于序列学习的最流行和最有效的 RNN 模型之一是长短期记忆 (LSTM) [5]。LSTM 旨在对长程依赖关系进行建模，而 RNN 的记忆备份起着重要作用，因此它们比传统的 RNN 更准确、更有效。本文重点介绍基于 LSTM 循环神经网络的 EEG 分类算法。所提出的方法采用 RNN，因为 EEG 波形自然适合用这种类型的神经网络进行处理。与其他类型的神经网络相比，RNN 可以更有效地捕获序列数据中的时间依赖关系。然而，高分类准确率的代价是
优化云资源分配：将复发性神经网络与模糊逻辑系统
收到的纸张日期：2024年11月15日纸张接受日期：2024年12月16日纸张出版日期：2024年12月22日摘要该研究重点是通过将经过的神经网络（RNN）与模糊逻辑相结合。该研究的主要目标是通过整合两种方法的最佳云资源预测模型的准确性和解释性。通过将RNN序列预测能力与模糊逻辑的多功能性相结合以更好地分类不确定性管理和持续输出的多功能性来实现目标。模糊成员资格功能，并将其分类为模糊集（低，中和高）。使用指标RMSE，MSE，MAE和R-Squared（R²）对经典RNN和LSTM模型进行了基准与经典的RNN和LSTM模型进行了基准测试。从获得的结果中可以清楚地看出，RNN模糊性能比其他两个模型RNN和LSTM更好，就预测的准确性。RNN模型模型的RMSE = 0.003377，MSE = 1.141，MAE = 0.0023，R²= 0.5308，而RNN模型的RMSE = 0.013437，MSE = 0.013437，MMSE = 1.941，MAE = 0.0123，和R²= 0.39908。RMSE为0.023897，MSE为2.843，MAE为0.0223，R²为0.4308，对于LSTM模型而言，所有这些相对较差。这表明使用RNN模型模型时，资源分配预测可显着改善，在减少误差指标并提高可解释性的同时更适合数据。这为云资源优化的模糊逻辑与RNN的集成增加了价值。这是可以得出结论，RNN中的模糊逻辑增强了其减轻歧义的能力，以获得更容易解释的输出，因此是在动态上下文中优化云资源的更好替代方法。关键字：复发性神经网络（RNN），模糊逻辑系统，RMSE，MAE，MSE。简介云计算技术已成为现代数字时代企业和组织的重要工具，以追求可扩展性，效率和灵活性（Khan等，2022）。随着云计算的日益增长，虚拟机的安装和维护在云环境中变得越来越困难。今天，云计算区域复杂环境中的主要问题包括虚拟机迁移优化和有效的资源提供。传统上，资源分配和VM迁移技术始终产生了资源浪费和性能降解的问题，因为它们主要使用静态规则或手动设置，而这些规则或手动设置实际上是根据云环境中不断变化的趋势（Lin等，2024）进行修改的。因此，涉及云计算的最具挑战性的问题之一是利用新颖的技术工具，因为机器学习优化了虚拟机器迁移和动态资源分配。虚拟机迁移是云计算中最重要的技术之一，遵循该领域的任何人都可以看到它的重要性。简而言之，虚拟机迁移促进了资源的动态变化，实现负载平衡并增强了云环境的一般使用和效率（Yousefi＆Babamir，2024）。虚拟机迁移的第二个优点是它可以在云环境中的缺陷中维护，成长或恢复而不会破坏用户服务。（Ghobaei -Arani等，2018）。这会改善系统的可用性。然而，虚拟机迁移并非没有挑战，包括在迁移过程中的绩效丧失，增加的迁移时间以及在迁移过程中引起的潜在数据一致性问题（Ruan等，2019）。传统的虚拟机迁移和资源分配优化通常取决于人类的设置或静态规则，这些规则和限制了许多缺点和限制。首先，静态规则通常无法对云环境中发生的动态变化做出反应。这意味着分配的资源要么不足或过多，影响
探测潜在线性动力学系统与低级别复发神经网络模型之间的关系
大量工作表明，在行为过程中，神经种群表现出低维动力学。但是，有多种对低维神经种群活动进行建模的不同方法。一种方法涉及潜在的线性动力学系统（LDS）模型，其中通过具有线性动力学的低维潜在变量的投影来描述种群活动。第二种方法涉及低级别的复发性神经网络（RNN），其中人口活动直接来自过去活动的低维投影。尽管这两种建模方法具有很强的相似性，但它们在不同的情况下出现，并且倾向于具有不同的应用领域。在这里，我们检查了潜在LDS模型与线性低级别RNN之间的精确关系。什么时候可以将一种模型类转换为另一个模型类，反之亦然？我们表明，由于潜在LDS模型的非马尔可夫特性，潜在的LDS模型只能在特定限制情况下转换为RNN。相反，我们表明可以将lnns映射到LDS模型上，而潜在维度最多是RNN等级的两倍。我们结果的一个令人惊讶的结果是，部分观察到的RNN比仅由仅观察到的单位组成的RNN更好地代表了LDS模型。
使用基于变压器的神经网络
摘要：在这项研究中，我们引入了一种新型的基于变压器的神经网络（DTNN）模型，用于预测锂离子电池的剩余使用寿命（RUL）。所提出的DTNN模型在准确性和可靠性方面显着优于传统的机器学习模型和其他深度学习档案。特别是，DTNN达到0.991的R 2值，平均百分比误差（MAPE）为0.632％，绝对RUL误差为3.2，比其他模型（例如随机森林（RF），决策树（DT），多层perceptron（MLP），REN NERTEN（RN），REN NERTIAL NERTIST（RN NERTIRER NERTIAL（RN））（RN）（rn）（RF）（RF）（RN）（RNN）（RNN）（RNN）（RNN NEFT）（RN NORN NERTER），RNN NOVERRENT NERTER，长期（RN）复发单元（GRU），Dual-LSTM和Decransformer。这些结果突出了DTNN模型在为电池RUL提供精确可靠的预测方面的效率，这使其成为各种应用中电池管理系统的有前途的工具。
心脏杂音和异常PCG检测通过小波散射变换和1D-CNN
摘要 - 这项工作是从Phonocartiogram（PCG）录音中自动且准确的心脏模拟检测。Two public PCG datasets (CirCor Digiscope 2022 dataset and PCG 2016 dataset) from Physionet online database are utilized to train and test three custom neural networks (NN): a 1D convolutional neural network (CNN), a long short-term memory (LSTM) recurrent neural network (RNN), and a convolutional RNN (C- RNN).我们首先进行预处理，其中包括以下关键步骤：使用小波散射变换对PCG段的DeNoising，分割，仅噪声段重新标记，数据归一化以及PCG段的时间频率分析。然后，我们使用PCG 2022数据集进行了四个实验，前三个（E1-E3），使用PCG 2016数据集进行了第四个实验。事实证明，我们的自定义1D-CNN优于其他两个NN（LSTMRNN和C-RNN）。此外，对于实验E3，我们的1D-CNN模型就准确性，加权准确性，F1得分和AUROC而优于相关工作（使用清洁和重新标记的PCG 2022数据集）。对于实验E1（使用原始PCG 2022数据集），我们的模型在加权准确性和F1分数方面非常接近相关工作。
使用... -Ijarcce
I.心血管疾病，包括影响心脏或血管的一系列疾病，通常被称为心脏病。它包括影响心血管系统的各种疾病，冠状动脉疾病是最常见的形式，导致心脏病发作。该机器学习项目的重点是使用视网膜图像分析通过经常性神经网络（RNN）检测心脏问题。视网膜特征与心血管健康之间的潜在联系引发了人们对使用视网膜成像作为诊断工具的兴趣。由于视网膜是具有类似于循环系统的血管结构的神经组织，因此视网膜血管中的异常可能表明心脏问题潜在的心脏问题。视网膜血管结构与心血管系统具有相似性，视网膜血管的微血管变化可以表明全身循环系统问题，包括与心脏有关的情况。复发性神经网络（RNN）是一种人工神经网络，旨在处理顺序数据并随着时间的推移识别模式。与传统的神经网络不同，RNN具有在网络中形成周期的连接，从而使它们可以保留以前输入的记忆。本研究旨在通过利用RNN来提高心脏病检测的准确性和效率，RNN特别擅长处理顺序数据。这项研究很重要，因为它提出了一种非侵入性且可能具有成本效益的方法来早期发现心脏病。如果成功，将视网膜图像作为诊断工具可以提供主动评估心血管健康的方法。