XiaoMi-AI文件搜索系统
World File Search System分类器
深度学习的自动化脑肿瘤分类器
CSUSB Scholarworks研究生办公室将该项目带给您免费和公开访问。已被CSUSB Scholarworks的授权管理人所接受，将其纳入电子论文，项目和论文。有关更多信息，请联系Scholarworks@csusb.edu。
跨数据集的基于深度学习的分类器...
4卫生与康复系，瑞典哥德堡大学Sahlgrenska Academy神经科学与生理学研究所物理治疗部门。 哥德堡大学以人为中心的护理中心（GPCC），Sahlgrenska Academy，哥德堡大学，哥德堡大学，瑞典4卫生与康复系，瑞典哥德堡大学Sahlgrenska Academy神经科学与生理学研究所物理治疗部门。哥德堡大学以人为中心的护理中心（GPCC），Sahlgrenska Academy，哥德堡大学，哥德堡大学，瑞典
探索神经网络：分类器和生成模型
为了培训分类器，我们首先查找了一些成功的分类器实现，例如Alexnet（旧），Inception-V1，V2，V2，V3，V4，V4（Google Net），残留网络，Inception-Resnet v1，v2，v2。试图实现这些模型，我们很快意识到它们对于我们的情况来说太复杂了，因为它们大多数是为Imagenet数据集设计的，该数据集的像素维度比我们的32x32图像大得多。因此，这个想法是遵循这些方法的结构，但将其优化到CIFAR数据集。首先，我们没有设法按照状态方法来制定有效和准确的模型，因为它们的精度非常缓慢，几乎没有达到40％。实际上，我们仅使用几个卷积层，合并层，批归归式化和恢复就可以更快，更准确。也就是说，使用这种简单的方法（类似于Alexnet），我们仅在几分钟内就达到了40％左右（时期= 10）。另一方面，为了避免消失的梯度问题，并能够进一步扩展我们的网络（更深入地），我们选择实施与所研究论文中的网络型模型相比，它的不同。这个想法是在块和块残差块中施加2-2卷积层，并重复每个块3次，以将它们求和以前的结果。块后，我们应用了一个还原模块，以使用步幅= 2降低图像的大小，并增加（翻倍）特征图的数量，然后再次将其添加到块的序列中。有关视觉表示，请参见图1。请注意，由于图像的大小已经相对较小（32x32），因此在模型的茎部分进行任何形式的还原/池很难，因为它很容易导致边缘损失。因此，在茎部分（在残留块之前），我们仅在原始图像上应用1 x 1卷积以生成相同大小的特征图。在第二个残留块的末尾应用一个最大池层层，以进一步降低图像的空间尺寸，然后再应用最终完全连接的层。
基于脑电图的想象语音词语分类器...
1. 简介。脑机接口是一种利用从大脑记录的信号为功能受损的个体提供通信和控制应用的系统。这项技术已经发展到现在正被能够从中受益的个人所使用。BCI 系统是一种快速发展的技术，涉及通过大脑活动控制外部设备的硬件和软件通信系统。BCI 技术的一个重要应用是帮助瘫痪患者等残疾人。BCI 为大脑提供了新的输出通道，这些通道依赖于大脑活动而不是周围神经和肌肉。BCI 已被研究了 20 多年。许多 BCI 使用非侵入性脑电图作为测量技术，并使用 P300 事件相关电位作为输入信号 (P300 BCI)。自 1988 年 Farwell 和 Donchin 首次使用 P300 BCI 系统进行实验以来，不仅数据处理得到了改进，而且刺激呈现也多种多样，并且开发和改进了大量应用程序 [1,2]。
用于检测物理的机器学习分类器...
简介：基于加速度计的体育活动类型的测量通常用于替代自我报告。为了推进领域，希望这样的测量可以准确检测关键的日常体育活动类型。这项研究旨在评估机器学习分类器的性能，用于根据双重与单个加速度计的设置在自由生活中检测坐，站立，撒谎，步行，跑步和骑自行车。方法：22名成年人（平均年龄[SD，范围] 38.7 [14.4，25 - 68年）穿着两个轴性AXTIVITY AXTIVE AXTIVE AXTIVE AX3加速度仪位于低背部和大腿上，以及位于胸部上的GOPRO相机，在自由生活中记录下身体运动。使用标记的视频用作地面真理，用于训练使用1、3和5 s的窗口长度训练极端梯度的分类器。使用剩余的交叉验证评估分类器的性能。结果：总记录时间约为38小时。基于5-S窗口，双加速度计设置的总体精度分别为96％，单个大腿和后加速度计的设置分别为93％和84％。单个加速度计设置的精度降低是由于基于大腿加速度计记录（77％）的检测精度较差，并且基于后加速度计记录（64％）。结论：使用极端梯度提升分类器，可以根据双加速度计记录在自由生活中准确检测到关键的每日体育活动类型。当预测基于单个大腿加速度计的记录时，总体准确性会略有下降，但检测说谎很差。
用棉花糖和微小分类器的机器学习
该项目来自Google（https://adafru.it/icg），使用笔记本电脑的内置相机来识别各种谷物和棉花糖。然后根据您训练的模型对计算机进行分类。电路游乐场快车（http://adafru.it/3333）与计算机进行通信，以决定何时通过微伺服器对哪种棉花糖/谷物进行分类。
新的物理风格的判别分类器
摘要：物理学的概念和定律一直是工程师克服人类挑战和问题的宝贵灵感来源。分类是此类问题在工程科学各个领域中起主要作用的重要例子。表明，歧视性分类器倾向于优于其生成性对应物，尤其是在有足够标记的训练数据的情况下。在本文中，我们使用最小潜在线提出了一种新的物理启发性分类方法。为此，我们首先考虑两组固定点电荷（作为两类数据）和它们之间的可移动分类器线。然后，由于两组点电荷，我们通过最小化分类器线上的总电位积分来找到分类器线的稳定位置。令人惊讶的是，将显示获得的分类器实际上是基于不确定性的分类器，可最大程度地减少分类器线的总不确定性。实验结果显示了所提出的方法的有效性。
wytigger：使用基于机器学习的分类器
染色体是生物体的遗传信息的载体，可以分为两种主要类型：同种异体体和常染色体。同种体，也称为性染色体，在性别决定和调节与性别相关的特征中起着至关重要的作用。尽管多样性相当多，但它们具有标准特征和基因含量和配对系统的差异。了解性染色体对于农业和疾病控制工作至关重要，在这种工作中，利用性别特异性特征的遗传方法表现出希望。但是，识别同种异体，尤其是在非模型生物中，带来了挑战。在这里，我们探索了监督的机器学习模型的使用，包括逻辑回归，随机森林，支持向量机和K-Nearest邻居，将基于全基因组测序数据基于全基因组测序数据的常染色体或同体分类。评估了覆盖，杂合性和GC含量等特征的预测能力。结果强调了特征组合和模型选择以进行准确分类的重要性。
社会保护（支持）措施分类器
1 2015 年 12 月 29 日第 388-FZ 号联邦法“关于俄罗斯联邦某些立法法案的修正案，这些立法法案涉及核算和改进基于遵守目标和原则的义务的社会支持措施的提供”需求标准的应用”
面向量子启发式二元分类器
抽象机器学习分类模型学习输入作为特征和输出作为类的关系，以预测新给定输入的类。几项研究工作证明了机器学习算法的有效性，但最新的算法基于概率和逻辑的经典理论。量子力学（QM）已经在许多领域显示其有效性，研究人员提出了几个有趣的结果，这些结果无法通过经典理论获得。近年来，研究人员一直在尝试调查QM是否可以帮助改善经典的机器学习算法。认为，如果正确实施QM理论也可能会激发有效的算法。从这种灵感中，我们提出了量子启发的二进制分类器，该分类基于量子检测理论。我们使用文本语料库和图像库来探索我们提出的模型的效果。我们提出的模型在20个新闻组文本语料库中的几个主题（类别）方面优于最先进的模型。当使用MNIST手写图像数据集时，我们所提出的模型在召回方面优于所有基准。对于大多数类别而言，F量也更高，对于某些类别，精度也更高。我们提出的模型表明，使用量子检测理论可以实现二元分类效果。特别是，我们发现我们的量子启发的二进制分类器可以增加分类的精度，回忆和f量表，而最先进的方法不能。