XiaoMi-AI文件搜索系统
World File Search Systemrnn
使用机器的医疗医疗解决方案...
摘要该项目的主要目的是利用卷积神经网络（CNN），经常性神经网络（RNN）和集合学习技术开发全面的医学疾病检测系统。我们的目的是自动检测各种疾病，包括Covid-19，脑肿瘤，阿尔茨海默氏症和肺炎，以准确有效的深度学习模型代替手动诊断方法。该项目涉及设计定制的CNN和RNN架构，预处理医学图像和患者数据，并使用标记的数据集训练模型。如果成功，该项目有可能彻底改变医疗诊断，改善患者的结果并通过先进的机器学习技术来增强医疗保健的可及性。关键字：医学疾病检测，卷积神经网络，经常性神经网络，集合学习，深度学习，绩效评估，医疗保健，患者结果。
使用混合CNN-RNN机器学习方法
钻孔热交换器（BHE）可显着提高地面源热泵（GSHP）系统中的热交换效率。准确预测BHE的出口流体温度对于优化GSHP性能，存储和资源保护至关重要。传统的机器学习方法通过手动特征提取和复杂的非线性关系面临挑战。为了克服这些，这项研究引入了长期出口流体温度预测的混合卷积神经网络（CNN）和复发性神经网络（RNN）模型。该模型使用CNN进行时间特征提取和RNN进行顺序模式学习。对LSTM，CNN和Simpleernn模型进行了评估，提出的模型实现了卓越的性能，RMSE为0.818，MAE为0.642，AARE为0.0305，R²为98.75％，证明了BHE系统效率和可持续性的显着进步。
大脑转文本
脑机接口可以让失去说话能力的人通过从神经活动中解码预期语音来有效地交流。目前最先进的模型利用循环神经网络将神经活动映射到音素序列，利用维特比算法将音素序列映射到文本，先验概率由大型语言模型给出。我假设这些系统可以通过以下方式得到改进：(a) 识别能够很好地描述日常语音中使用的文本分布的预训练语言模型，(b) 使用转换器而不是 RNN 将神经活动映射到音素。令人惊讶的是，我发现在总机语料库上训练的简单三元语言模型在捕捉口语的统计特性方面优于预训练的大型语言模型。不幸的是，用各种转换器架构替换 RNN 并没有提高神经活动到音素系统的性能。总之，这些结果表明，先验语言模型的原则性选择有可能改善通信神经假体。
医疗保健中概括机器学习模型的挑战
摘要：概括问题在机器学习模型中很常见，尤其是在医疗保健应用中。本研究通过分析特定用例来解决现实世界中的概括及其挑战的问题：使用复发性神经网络（RNN）预测患者的再入院。尽管先前开发的RNN模型在重症监护室（MIMIC-III）数据集上获得了强大的结果，但是当应用于当地医院的数据时，它显示出近乎随机的预测精度（Moazemi等，2022）。我们假设这种差异是由于患者人口统计学，临床实践，数据收集方法和基础设施的医疗保健差异所致。通过使用时间序列的统计方法和距离指标，我们确定了模拟物和医院数据之间人口统计学和重要数据中的关键差异。这些发现突出了在医疗保健环境中开发可推广的机器学习模型的可能挑战，不仅需要改善算法解决方案，而且需要改善算法和收集医疗数据的过程。
基于脑电图信号的人类情绪分类使用...
在人际交往中，情绪非常重要。词语、语音语调、面部表情和动作等属性都可用于描绘一个人的感受。然而，脑机接口 (BCI) 设备尚未达到情绪解读所需的水平。随着机器学习算法、干电极技术以及脑机接口在现实世界中对正常人的不同应用的快速发展，从脑电图数据中进行情绪分类最近引起了广泛关注。脑电图 (EEG) 信号是这些系统的关键资源。使用脑电图信号的主要好处是它们反映了真实的情绪，并且很容易被计算机系统解析。在这项工作中，使用通道选择预处理识别了与好情绪、中性和负面情绪相关的脑电图信号。然而，到目前为止，研究人员对各种情绪状态之间联系的具体了解有限。为了识别脑电图信号，我们使用了离散小波变换和机器学习技术，如循环神经网络 (RNN) 和 k-最近邻 (kNN) 算法。最初，使用分类器方法进行通道选择。结果，通过整合来自这些通道的 EEG 片段的特征来创建最终特征向量。使用 RNN 和 kNN 算法，对具有连接的积极、中性和消极情绪的最终特征向量进行独立分类。计算并比较了两种技术的分类性能。使用 RNN 和 kNN，平均总体准确率分别为 94.844 % 和 93.438 %。
使用遗传算法的AI辅助模拟框架焊接的联合可靠性风险估计，以优化AI模型的初始参数
摘要：焊接关节疲劳是球网阵列包装中的关键故障模式之一。由于可靠性测试是耗时的，并且需要物理驱动模型的几何/材料非线性，因此开发了AI辅助模拟框架以建立针对设计和过程参数的风险估计能力。由于焊接关节疲劳失败的时间依赖性和非线性特征，该研究遵循AI辅助模拟框架，并构建了非序列的人工神经网络（ANN）和顺序的经常性神经网络（RNN）体系结构。都研究了两者，以了解他们从数据集中提取时间相关的焊料关节疲劳知识的能力。此外，本研究应用了遗传算法（GA）优化，以减少最初猜测的影响，包括神经网络体系结构的权重和偏差。在这项研究中，开发了两个GA优化器，包括“背对派”和“进展”。此外，我们将主成分分析（PCA）应用于GA优化结果以获得PCA基因。在GA优化的PCA基因下，所有神经网络模型的预测误差均在0.15％以内。没有明确的统计证据表明，当应用GA优化器用于最大程度地降低初始AI模型的影响时，RNN在晶圆级芯片式包装（WLCSP）中的芯片式包装（WLCSP）焊接可靠性风险估计均优于ANN。因此，即使焊接疲劳是时间依赖于时间依赖的机械行为，但具有更快的训练速度的ANN模型可以实现具有广泛设计域的稳定优化。
基于人工智能的广域监测系统分布式信念传播和循环神经网络算法 /作者=Bhamidipati, Sriramya；Kim, Kyeong Jin；Sun, Hongbo；Orlik, Philip V. /创建日期=2020 年 5 月 14 日 /主题=人工智能、通信、多物理建模、信号处理
摘要 为了对广域电网进行监控，人们开发了广域监控系统 (WAMS)。每个变电站都设有全球定位系统 (GPS) 接收系统以提供可信的授时。因此，对于 WAMS 来说，在广域范围内维持真实的 GPS 授时至关重要。然而，由于未加密的信号结构和低信号功率，GPS 授时容易受到欺骗。因此，为了从欺骗中获得可信的 GPS 授时，人们在人工智能 (AI) 框架下开发了一种新的广域监控算法，该算法由分布式信念传播 (BP) 和双向循环神经网络 (RNN) 组成。这种联合 BP-RNN 算法通过利用其分布式处理能力评估估计的 GPS 授时误差来验证每个变电站的身份。特别是，双向 RNN 在人工智能框架下提供了一种快速的授时误差估计方法。仿真结果验证了该方法比基于 Kullback-Leibler 散度的方法具有更快的检测时间，并且定时误差估计精度超过了 IEEE C37.118.1-2011 标准规定的限制。
NETANTICIPATE：终极网络 AI 平台
支持的 ML 算法包括：1. 监督/分类 - AdaBoost、卷积神经网络 (CNN)、决策树、广义线性模型 (GLM)、K-最近邻 (KNN)、逻辑回归、多层感知器 (MLP)、朴素贝叶斯、随机森林、循环神经网络 (RNN)、支持向量回归 (SVM)、XGBoost。2. 监督/回归 - AdaBoost、卷积神经网络 (CNN)、决策树、广义线性模型 (GLM)、K-最近邻 (KNN)、线性回归、多层感知器 (MLP)、朴素贝叶斯、随机森林、循环神经网络 (RNN)、支持向量回归 (SVM)、XGBoost。 3. 时间序列/预测 - 自回归综合移动平均线 (ARIMA)、长短期记忆 (LSTM)、Prophet、Seq2Seq、时间卷积网络 (TCN)、NBeats、Autoformer、TCMF。4. 时间序列/异常 - 自动编码器、DBSCAN、椭圆包络、孤立森林、K-Means、一类 SVM。
基于黎曼对称正定流形的循环神经网络建模
摘要 — 使用卡尔曼滤波器 (KF) 进行状态估计经常会遇到未知或经验确定的协方差矩阵，从而导致性能不佳。消除这些不确定性的解决方案正在向基于 KF 与深度学习方法混合的估计技术开放。事实上，从神经网络推断协方差矩阵会导致强制对称正定输出。在本文中，我们探索了一种新的循环神经网络 (RNN) 模型，该模型基于黎曼对称正定 (SPD) 流形的几何特性。为此，我们基于黎曼指数图定义了一个神经元函数，该函数取决于流形切线空间上的未知权重。这样，就推导出了一个黎曼成本函数，从而能够使用传统的高斯-牛顿算法将权重作为欧几里得参数进行学习。它涉及计算闭式雅可比矩阵。通过对模拟协方差数据集进行优化，我们展示了这种新方法对于 RNN 的可能性。
使用混合深度学习模型预测伪随机和量子随机数序列
随机数生成是许多应用程序的关键组成部分，包括加密，安全通信系统，模拟和概率算法。伪随机数生成器（PRNGS）和量子随机数生成器（QRNG）是两种主要类型的随机数生成器，QRNG由于其固有的不可预测性提供了更好的安全性[1]。但是，预测PRNG和QRNG序列仍然是评估其安全性和可靠性的重要任务。深度学习技术，例如卷积神经网络（CNN），长期记忆（LSTM）网络和RNN，已在各种时间序列预测任务中广泛使用[2]。在本文中提出了一个混合深度学习模型，该模型结合了CNN，LSTMS和RNN来预测PRNG和QRNG序列。该模型在包含PRNG和QRNG序列的数据集上进行了训练和评估。