XiaoMi-AI文件搜索系统
World File Search System分类器
通过在不利天气条件下纳入MDM-WDM和机器学习分类器
光子雷达是微波光子学创新应用中的基石，它是未来智能运输系统（ITS）的关键技术。提供了增强的准确性和可靠性，它位于目标检测和在不同天气条件下识别的最前沿。最近的进步集中在通过高速，宽带信号处理的8月雷达性能，这是现代光子学属性的直接好处，例如EMI免疫，最小传输损失和宽带宽。我们的工作引入了一个尖端的光子雷达系统，该系统采用频率调制连续波（FMCW）信号，与模式划分和波长分层多路复用（MDM-WDM）协同作用。这种融合不仅增强了各种天气情况的目标检测和识别能力，包括各种雾气和太阳闪烁的强度，而且还表现出了针对太阳噪声的实质性弹性。此外，我们拥有集成的机器学习技术，包括决策树，极为随机的树（ERT）和随机的森林分类器，以实质上提高了目标识别精度。结果表明：精度为91.51％，高灵敏度（91.47％），特异性（97.17％），F1得分为91.46％。这些指标强调了我们方法在完善其雷达系统方面的功效，这说明了微波光子学中的进步如何彻底改变传统方法和系统。
使用人工神经网络和六个机器学习分类器
摘要：2型糖尿病（T2DM）的早期诊断将提供早期的治疗干预措施，以控制疾病进展并最大程度地减少过早死亡。本文提出了人工智能和机器学习预测模型，用于更准确地诊断阿曼人口中的T2DM，并且使用特殊创建的数据集进行了更少的处理时间。六种机器学习算法：K-Nearest邻居（K-NN），支持向量机（SVM），幼稚贝叶斯（NB），决策树，随机森林（RF），线性判别分析（LDA）和人工神经网络（ANN）（ANN）。所有使用的数据都是从糖尿病前期寄存器手动收集的临床数据和阿曼南阿尔·巴蒂纳省的Al SHIFA卫生系统。将结果与最广泛使用的PIMA印度糖尿病数据集进行了比较。考虑到预测T2DM的11个临床特征。随机森林和决策树模型的性能要比所有其他算法都更好，而阿曼数据的准确性为98.38％。使用相同的模型和功能数量时，阿曼数据集获得的精度超过了PID 9.1％。分析表明，T2DM诊断效率提高了更多的特征，这在许多缺失值的情况下有助于。
基于控制器区域网络的生成分类器的异常检测系统
摘要 - 作为电子系统在现代车辆中变得越来越复杂且普遍存在，因此在板载网络上保护至关重要，特别是这些系统中的许多都是至关重要的。研究人员表明，现代车辆容易受到各种攻击的影响，从而使攻击者能够控制并损害安全 - 关键的电子系统。因此，文献中已经提出了几种入侵检测系统（IDS）来检测对车辆的这种网络攻击。本文介绍了一个基于新颖的生成分类器的入侵检测系统（IDS），该系统（IDS）专为汽车网络中的异常检测而设计，特别关注控制器区域网络（CAN）。利用变异贝叶斯，我们提出的ID使用深层可变模型来构造有条件概率的因果图。使用自动编码器体系结构来构建分类器以估算条件概率，这有助于通过贝叶斯推断的最终预测概率。对公共汽车挖掘数据集上针对最新IDS的比较评估突出了我们提出的分类器在提高检测准确性和F1分数方面的出色表现。提出的ID通过用有限的培训数据胜过现有模型来证明其功效，从而为汽车系统提供了增强的安全保证。
IFC-BD：一种可解释的模糊分类器，用于提升……
摘要 — 在当前的数据科学应用中，行动的方向是使系统行为适应人类认知，从而产生了可解释人工智能这一新兴领域。在不同的分类范式中，基于模糊规则的分类范式是强调全局系统可解释性的合适解决方案。然而，在处理大数据分析时，它们可能包含过多的规则和/或语言标签，这不仅可能导致系统性能下降，还可能影响系统语义以及系统可解释性。在本文中，我们提出了 IFC-BD，一种用于大数据的可解释模糊分类器，旨在通过学习紧凑而准确的模糊模型来提升可解释性的范围。IFC-BD 是在基于单元的分布式框架中通过初始规则学习、规则泛化和启发式规则选择三个工作阶段开发的。整个过程允许从大量特定规则扩展到更少数量的更通用和更可信的规则。此外，为了解决可能出现的规则冲突，我们专门针对大数据问题提出了一种新的估计规则权重。我们将 IFC-BD 与模糊分类范式的最新方法进行了比较，考虑了可解释性、准确性和运行时间。实验结果表明，所提出的算法能够提高基于模糊规则的分类器的可解释性及其预测性能。
使用非线性动态特征方法以及常规分类器
世界卫生组织（WHO）报告说，心血管疾病（CVD）和相关疾病在2015年在全球范围内造成1770万人死亡，占全球所有死亡率的31％[1]。几种技术可以诊断心脏病患者。可以使用许多复杂的治疗方法，但它们非常昂贵且笨拙，因此大多数人都无法使用它们。另一种CVD诊断方法是心脏听觉。通常使用听诊器检查患者，如果检测到异常，则可以将患者转介给心脏病专家。早期诊断出异常的心脏声音使医生可以采取纠正措施，以防止心血管干扰并治疗根本原因。Phoncardiogram（PCG）以图形方式表示声音。PCG信号可以诊断为心脏病和心血管系统的性能评估[2，3]。每个PCG都包含多个心脏周期，每个心脏循环均具有4个心脏声状态：S1，收缩，S2和舒张。这些声音是由每个心脏时期瓣膜关闭引起的，二尖瓣和三尖瓣在收缩前关闭，而舒张前的主动脉和肺瓣关闭。尽管它们的重要性，但心脏通常是
高斯混合模型分类器模拟集成低...
如今，数据的空前可用性和计算硬件的进步已推动机器学习 (ML) 和深度学习 (DL) 领域取得重大进展。[1] 通过利用大量开放获取数据，ML 技术可实现自动化决策，适用于医疗预测 [2]、财务预测 [3]、工业故障管理 [1] 等广泛应用。ML 技术在生产中的部署涉及数据收集和计算要求高的算法推理过程。在大多数情况下，此过程发生在昂贵的硬件系统中，例如数据中心。上述许多 ML 应用都需要实时计算，这就需要在数据采集系统和数据中心之间进行不切实际的数据传输。解决这个问题的方法是边缘计算，将采集和计算系统集成在同一设备中，从而消除了通信开销 [4]。这催生了智能工业的一个新领域，物联网 (IoT) 应用可从使用 ML 模型中获益 [5]。物联网系统的一个重要方面是功耗 [6]；设备必须依靠电池自主执行高计算任务。这反过来又导致对前所未有的低功耗和低面积利用率的需求。因此，在过去的几十年里，出现了一种新趋势，即在物联网和 ML 应用中使用低面积和低功耗硬件加速器，直接连接到智能传感器或系统 [7]。
基于余弦相似度的量子二元分类器 - IRIS
控制门 RY (0 . 49 π ) 所需的辅助量子位，q 5 是用于对数据进行幅度编码的 1 量子位寄存器，q 6 是编码标签的量子位。在 IBM 量子处理器 ibmq 16 melbourne 上运行该算法可提供 1024 次采样来对量子位 q 0 进行采样。获得的 P (1) 估计为 ˆ P = 490 / 1024 ≃ 0 . 48，则分配给 x = (0 . 884 , 0 . 468) 的标签为 y = − 1，正如预期的那样。尽管在此测试中分类正确，但与模拟器 ibm qasm simulator 的结果进行比较表明，所考虑的量子机过于嘈杂，无法通过算法 1 进行良好的分类。模拟器的输出统计数据提供 ˆ P = 273 / 1024 ≃ 0 . 27 。此结果与未分类数据向量 x 接近训练向量之间的中间点的事实一致。使用相同的训练点和新的未标记实例 x = (0 . 951 , 0 . 309)（其正确分类为 y = 1）重复实验，量子机失败。事实上 ibmq 16 melbourne 返回相对频率 ˆ P = 338 / 1024 ≃ 0 . 38 ，因此它将 x 归类为 y = − 1 。在同一个测试中，模拟器 ibm qasm simulator 返回 ˆ P = 244 / 1024 ≃ 0 . 24 正确分类。观察到的分类准确性不足取决于所考虑的量子处理器的低量子体积 1（QV = 8）。未来工作的内容可能是在更大、更可靠的硬件上进行测试（例如，具有 27 个量子比特和 QV=128 的 IBM 量子机器 ibmq montreal）。所提出的量子分类器的指数加速归因于在对数时间内有效准备量子态以及在恒定时间内执行分类本身（这取决于所需的准确性）。事实上，选择 QRAM 是出于对总体时间复杂度的明确估计，但允许使用其他有效的初始化来运行此量子分类器。
EEG 中 CNN 分类器的通用对抗扰动......
摘要 目的。已提出了用于基于脑电图 (EEG) 的脑机接口 (BCI) 的多个卷积神经网络 (CNN) 分类器。然而，研究发现，CNN 模型容易受到通用对抗性扰动 (UAP) 的攻击，这些扰动很小且与示例无关，但当添加到良性示例中时，其威力足以降低 CNN 模型的性能。方法。本文提出了一种新颖的总损失最小化 (TLM) 方法来生成基于 EEG 的 BCI 的 UAP。主要结果。实验结果证明了 TLM 对三种流行的 CNN 分类器针对目标攻击和非目标攻击的有效性。我们还验证了 UAP 在基于 EEG 的 BCI 系统中的可迁移性。意义。据我们所知，这是首次对基于 EEG 的 BCI 中 CNN 分类器的 UAP 进行研究。UAP 易于构建，并且可以实时攻击 BCI，从而暴露出 BCI 的一个潜在的关键安全问题。
重新考虑无分类器扩散指导中的空间不一致
无分类器指导（CFG）已广泛用于文本到图像扩散模型中，其中引入了CFG量表以控制整个图像空间的文本指导强度。但是，我们认为全球CFG量表会导致空间不一致，这是不同的脱节优势和次优的图像质量。为了解决这个问题，我们提出了一种新颖的方法，即语义意识的无分类器指导（S-CFG），以自定义文本到图像扩散模型中不同语义单元的指导学位。具体来说，我们首先设计了一种训练 - 免费的语义分割方法，将潜在图像分配到每个Denoising步骤中相对独立的语义区域。尤其是，将U-NET主链中的跨意义图被重新归一化，以将每个贴片分配给相应的令牌，而自我注意力图则用于完成语义区域。然后，为了平衡各种语义单元的扩增，我们会自适应地调整各个不同区域的CFG尺度，以将文本指导学度重新确定为统一水平。最后，广泛的实验证明了S-CFG优于原始CFG策略在各种文本到图像扩散模型上的优越性，而无需任何额外的培训成本。我们的代码可在https://github.com/smilesdzgk/s-cfg上找到。
使用混合特征提取技术和集成的堆叠分类器
大脑计算界面（BCI）是一项导致神经疾病应用程序发展的技术。BCI建立了大脑与计算机系统之间的联系，主要集中于协助，增强或恢复人类的认知和感觉 - 运动功能。BCI技术使从人脑中获得脑电图（EEG）信号。这项研究集中于分析包括Wernicke和Broca领域在内的发音方面，以进行无声的语音识别。无声的语音界面（SSI）为依赖声信号的传统语音界面提供了一种替代方案。无声的语音是指在没有听觉和可理解的声学信号的情况下传达语音的过程。本研究的主要目的是提出用于音素分类的分类器模型。输入信号经过预处理，并使用传统方法（例如MEL频率CEPSTRUM系数（MFCC），MEL频率光谱系数（MFSC）和线性预测编码（LPC）进行特征提取。最佳功能的选择是基于对主题的分类精度，并使用集成堆栈分类器实现。集成的堆叠分类器优于其他传统分类器，在Karaone数据集中的思维和说话状态达到75％的平均准确性，在14个通道EEG EEG上的思维和说话状态的平均精度为84.2％和84.09％，用于IMIVENIDECENTECTIOM EEG（FEIS）。