XiaoMi-AI文件搜索系统
World File Search System分类器
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。
基于机器学习分类器的光伏阵列中的电故障分析和检测
摘要：由于其固有的优势，例如零污染，灵活性，可持续性和高可靠性，太阳能光伏发电引起了重大的兴趣。确保PV功率设施的有效运行在精确的故障检测中取决于。这不仅可以增强其可靠性和安全性，而且还可以优化利润并避免昂贵的维护。但是，使用通用保护设备的PV系统直流电（DC）侧的故障检测和分类带来了重大挑战。这项研究深入研究了对光伏（PV）阵列中复杂断层的探索和分析，尤其是那些表现出类似I-V曲线的阵列，这是PV故障诊断的重大挑战，在先前的研究中未充分解决。本文探讨了支持向量机（SVM）和极端梯度提升（XGBoost）的设计和实施，重点是它们有效地识别小型PV阵列中各种故障状态的能力。这项研究扩大了将优化算法的使用，特别是蜜蜂算法（BA）和粒子群优化（PSO），目的是提高基本SVM和XGBoost分类器的性能。优化过程涉及完善机器学习模型的超参数，以实现故障分类的卓越精度。发现蜜蜂算法的弹性和效率的有说服力的案例。使用用于优化SVM和XGBOOST分类器以检测PV阵列中的复杂故障时，蜜蜂算法显示出显着的精度。相比之下，使用PSO算法进行细调的分类器表现出相对较低的性能。这些发现强调了蜜蜂算法在光伏系统中故障检测中提高分类器准确性的潜力。
通过环境意识的关系分类器进行多对象操作的潜在空间计划
摘要 - 对象很少在日常的人类环境中孤立地坐着。如果我们希望机器人在人类环境中操作和执行任务，他们必须了解他们操纵的对象将如何与最简单的任务相互作用。因此，我们希望我们的机器人推理多个对象和环境元素如何相互关系，以及这些关系在机器人与世界互动时可能会发生变化。我们研究了以前看不见的对象和新颖的环境之间纯粹来自部分视图点云之间预测目标间和对象环境关系的问题。我们的方法使机器人能够计划和执行序列，以完成由逻辑关系定义的多对象操纵任务。这消除了提供明确的，连续的对象作为机器人目标的负担。我们为此任务探索了几种不同的神经网络体系结构。我们发现最佳性能模型是一个基于新颖的变压器神经网络，既可以预测对象环境关系，又可以学习潜在空间动力学功能。我们实现了可靠的SIM转移传输，而无需进行任何微调。我们的实验表明，我们的模型了解观察到的环境几何形状的变化如何与对象之间的语义关系有关。我们在网站上显示更多视频：https：//sites.google.com/view/erelationaldynamics。
量子技术变分量子分类器在农业中的应用，用于小麦品种分类
摘要。本研究提出使用变分量子分类器对小麦品种进行自动分类。在大型数据集上训练的模型将能够识别种子特征和品种成员之间的独特模式和关系。这将使农民和研究人员能够更准确地识别小麦品种，从而可以改善种植和作物管理过程。这种方法不仅符合优化农业生产的需要，而且符合使用先进技术实现农业部门精准和高效的背景。通过这项研究，预计小麦生产的质量和可持续性将得到改善，这对粮食安全和可持续农业发展至关重要。该问题的目标是根据种子特征对小麦品种进行分类。VQC 在训练数据集上进行训练，然后在测试数据集上进行评估。为了评估模型的性能，使用了各种指标，例如准确度、精确度、召回率、F1 分数和混淆矩阵。
在机器学习中使用天真的贝叶斯分类器算法的学生绩效预测
摘要 - 这项研究的重点是对基于机器学习原理的方法论平台的开发和分析，用于评估学习过程并增强学生的成绩。这项研究的目的是开发和测试一种根据天真的贝叶斯分类器评估学生学业表现的方法。此外，这项研究的目的是创建一种有效的工具，能够使用当代机器学习方法和技术来自动化和优化对教育绩效的评估。这项研究采用幼稚的贝叶斯分析技术来预测学生的成就，并在Python实施了算法。尽管强调了软件产品的开发，但该研究主要集中于该方法的开发和分析。我们的发现强调了这种方法的新颖性，该方法可以作为教育机构和教育工作者的宝贵工具。
AutoSourceId分类器 - 使用带有空间信息的卷积神经网络的星形 - 加拉克斯分类
1 Department of Astrophysics/IMAPP, Radboud University, PO Box 9010, 6500 GL Nijmegen, The Netherlands e-mail: f.stoppa@astro.ru.nl 2 Center for Astrophysics and Cosmology, University of Nova Gorica, Vipavska 13, 5000 Nova Gorica, Slovenia 3 High Energy Physics/IMAPP, Radboud University, PO Box 9010，6500 Gl Nijmegen，荷兰4 Nikhef，科学园，105，1098 XG阿姆斯特丹，荷兰5.荷兰太空研究所，索邦纳兰2，3584 Ca Utrecht，荷兰8荷兰8天文学研究所，库伊文氏库文氏库素，Celestijnenlaan 200d，3001比利时卢芬，比利时9号卢文9 Astronomy, University of Cape Town, Private Bag X3, Rondebosch 7701, South Africa 11 South African Astronomical Observatory, PO Box 9, Observatory, Cape Town 7935, South Africa 12 Dipartimento di Fisica, Universitá di Trieste, 34127 Trieste, Italy 13 Istituto Nazionale di Fisica Nucleare, Sezione di Trieste，34127意大利Trieste，14 Erlangen Astroparpicle Physics中心，Nikolaus-Fiebiger-STR。2，Erlangen 91058，德国
心脏病预测基于生理参数，使用集合分类器和参数优化Agung Muliawan 1，Achmad Rizal 2，
使用集合分类器和参数优化基于生理参数的心脏病预测Agung Muliawan 1，Achmad Rizal 2，Sugondo Hadiyoso 3* Institut Teknologi Dan Sainsia Mandala，Indonesia，Indonesia 1 Telekom University 1 Telekom University，Indonesia 23 sugondo@telkomuniversity.actistia in Indonesia telkomuniversity.ace.ac.act.ace.ace.act.act act：20 3 333 333 303 303接受：2023年11月7日 *通讯作者摘要本研究描述了使用具有参数优化的集合分类器对心脏病的预测。作为输入，从UCI机器学习存储库中获取了一个公共数据集，该数据集是指UCI机器学习中的数据集。数据集由13个变量组成，这些变量被认为会影响心脏病。粒子群优化（PSO）用于特征选择和主成分分析（PCA），以降低特征的尺寸。在几种机器学习方法上的应用优化应用，例如SVM（径向基础功能），深度学习和集合分类器（装袋和增强），以获得最高的精度比较。与PCA相比，该研究使用PSO维度降低的结果降低导致精确度。相反，通过优化深度学习参数的精度为84.47％，并优化SVM RBF参数，精度为83.56％，获得了最高精度。使用SVM上的袋子在83.51％的装袋中的最高精度，与SVM相差0.5％，而无需使用袋装。关键字：心脏病，机器学习，降低维度，参数优化，合奏分类器1。简介
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）。
脑电图中与性别相关的模式及其在机器学习分类器中的相关性
图1用迷你尖端卷积神经网络和相关归因方法进行性检测。首先，xðÞ节X段是交叉相关的吗？ðÞ，有16个学识渊博的时空内核（K I）的维度与脑电图的短窗口相似（图2中描述的实际核）。由于内核具有与数据相同数量的通道，因此它们仅沿时间轴而不是跨通道滑动。16个相关曲线被整流（Relu激活），并分为40个重叠的窗口。接下来，平均将窗户的最大值（M ij）进行。在最后一层中，从这16个平均值中预测了性别yðÞ。事后，网络参数用于归因于每个eeg通道和录音中的时间点的相关性r（紫色中指示的路径）。最终分类器层的重量（W I）的符号表示与第一层（ /emale /Red and + / + /男性 /蓝色）的每个内核相对应的性别。