XiaoMi-AI文件搜索系统
World File Search System参数优化
使用主动学习和超参数优化的图像切解分解
图像切解分析检测数字图像中隐藏的数据，对于增强数字安全性至关重要。传统的切解方法通常依赖于大型预先标记的图像数据集，这些数据集很困难且昂贵。为了解决这个问题，本文介绍了一种创新的方法，该方法结合了积极的学习和非政策深度强化学习（DRL），以使用最小标记的数据来改善图像ste缩。主动学习允许模型智能选择应注释哪些未标记的图像，从而减少有效培训所需的标记数据量。传统的主动学习策略通常使用限制灵活性且不能很好地适应动态环境的静态选择方法。为了克服这一点，我们的方法结合了用于战略数据选择的非政策DRL。DRL中的非政策可以提高样本效率，并显着提高学习成果。我们还使用差分进化（DE）算法来微调模型的超参数，从而降低了其对不同设置的敏感性并确保更稳定的结果。我们对广泛的BossBase 1.01和BOWS-2数据集进行了测试，证明了该方法区分未更改和隐形图像的强大能力，在BossBase 1.01和BOSS-2数据集对BossBase 1.01和91.834％的平均F量表达到93.152％。总而言之，这项研究通过采用先进的图像切解分析来检测隐藏数据，从而增强了数字安全性，从而通过最小的标记数据显着提高了检测准确性。
3D打印参数优化超声扫描仪的ABS探针持有器
近年来，3D打印技术引起了很多关注。由于其低生产成本以及制造复合和几何形状的能力，在许多行业中使用3D打印技术被广泛接受。本文通过将3D打印技术用于超声扫描仪应用程序，介绍了探针持有人的制造。3D打印探针持有人的制造始于Taguchi技术设计（DOE）。确定了三个主要影响：打印温度，层厚度和填充密度。SolidWorks软件用于构建探针持有人的计算机辅助设计（CAD）模型。随后，将CAD模型文件转换为3D打印过程的标准Tessellation语言（STL）文件。使用3D打印机成功制造了探针持有人，在3D印刷产品的外表面上没有任何缺陷。基于弯曲测试结果，可以得出结论，探针持有人的强度是由层厚度归因于层的。
使用CNN模型和超参数优化算法提高分类的精度
卷积神经网络（CNN）是一种广泛使用的深度学习模型，对于图像识别和分类任务特别有效。CNN的性能不仅受其建筑的影响，而且受到其超参数的严重影响。因此，优化超参数对于改善CNN模型性能至关重要。在这项研究中，作者提出了利用优化算法，例如随机搜索，使用高斯工艺的贝叶斯优化以及使用树状结构化parzen估计器进行贝叶斯优化，以微调CNN模型的超标仪。将优化的CNN的性能与传统的机器学习模型进行了比较，包括随机森林（RF），支持向量分类（SVC）和K-Nearest Neighbors（KNN）。在这项研究中使用了MNIST和Olivetti Faces数据集。在MNIST数据集的训练过程中，CNN模型的最低准确度达到97.85％，超过了传统模型，在所有优化技术中，最大准确度为97.50％。同样，在Olivetti Faces数据集上，CNN的最低准确度为94.96％，而传统模型的最高准确度为94.00％。在训练测试程序中，CNN表现出令人印象深刻的结果，在MNIST数据集上达到了超过99.31％的准确率，而Olivetti Face face Dataset的准确率超过98.63％，其最大值分别为98.69％和97.50％。此外，该研究还将CNN模型的性能与三种优化算法进行了比较。结果表明，与传统模型相比，将CNN与这些优化技术集成可显着提高预测准确性。
机器和深度学习方法中解码想象语音脑电图的超参数优化评估
摘要：对与想象语音产生相对应的脑电图 (EEG) 信号进行分类对于直接语音脑机接口 (DS-BCI) 的开发非常重要。深度学习 (DL) 已在多个领域取得了巨大成功。然而，DL 方法是否比传统的机器学习 (ML) 方法在想象语音分类方面取得了重大进展仍是一个悬而未决的问题。此外，超参数 (HP) 优化在 DL-EEG 研究中被忽视，导致其影响的重要性仍然不确定。在本研究中，我们旨在通过使用 DL 方法来改进想象语音 EEG 的分类，同时还统计评估 HP 优化对分类器性能的影响。我们使用嵌套交叉验证方法对 HP 优化，在想象语音 EEG 上训练了三个不同的卷积神经网络 (CNN)。评估的每个 CNN 都是专门为 EEG 解码而设计的。由单词和元音组成的想象语音 EEG 数据集可独立地在两个集合上进行训练。将 CNN 结果与三种基准 ML 方法进行了比较：支持向量机、随机森林和正则化线性判别分析。测试了受试者内和受试者间的 HP 优化方法，并统计分析了 HP 的影响。在两个数据集上进行训练时，CNN 获得的准确率明显高于基准方法（单词：24.97%，p < 1 × 10 –7，机会：16.67%；元音：30.00%，p < 1 × 10 –7，机会：20%）。不同 HP 值的影响以及 HP 与 CNN 之间的相互作用均具有统计学意义。HP 优化的结果证明了训练 CNN 对解码想象语音的重要性。
用于锂离子电池健康估算状态的基于装袋的ELM算法中的超参数优化
daniel-ioan Stroe能源系Aalborg University Aalborg，丹麦des@energy.aau.dk摘要 - 广泛研究了人工神经网络的健康状况（SOH）估计锂离子电池的估计，因为它们可以从原始数据中识别全球功能，并能够与多二维数据相处。，但模型的性能在一定程度上取决于选择超参数的选择，而超参数在模型训练期间保持恒定。为了提高概括性能和准确性，为电池SOH估算提供了一个集合学习框架，其中将多个极端学习机与装袋技术结合在一起。然后，基本模型的袋子和神经元的数量通过五种常用的高参数优化方法调节。此外，选择具有最大概率密度的SOH值作为输出估计，以进一步提高估计精度。最后，对NMC和LPF电池的实验结果表明，具有超参数优化的提出的方法可以实现稳定而准确的电池SOH估计。无论使用哪种优化方法，NMC和LFP电池的SOH估计的平均百分比误差分别可以保持在1％和1.2％以下。
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
使用模糊推理的几何特征和过程参数优化激光沉积AISI 316钢
1生产工程毕业后计划，巴西圣保罗卫理公会大学。2工程学校，麦肯齐长老会大学，圣保罗，巴西。3古巴圣地亚哥de Cuba的Oriente University机械与工业工程学院。 4巴拉那帕拉纳帕拉纳联邦技术大学的客座教授。 5 Insper-巴西圣保罗教育与研究所。 *通讯作者：dtasev88@gmail.com摘要激光金属沉积（LMD）工艺是一种增材制造技术，由于其能力具有复杂的几何形状和不同类型的金属材料，因此吸引了汽车和航空工业的兴趣。 但是，沉积层的结构和制成部分的几何特性受沉积过程参数之间的相互作用的影响。 在本文中，使用模糊推理（FIS）技术来开发两个模型，以预测几何特性，并使用AISI 316不锈钢粉末和底物优化LMD工艺参数。 基于阶乘分析的实验设计用于将所选沉积过程参数，激光功率（LP），粉末流量（PF）和焦距（FL）与过程的几何特征珠高（BH），珠宽度（BW），渗透深度（DP），渗透（DP）和湿度（DP）和湿度（WA）相关联。 因子LP和FL使用三个操作水平：LP = 225 W，250 W，275 W，FL = 4.8 mm，5.0 mm，5.2 mm。 使用两个级别的因子PF，9.40 g/s和13.35 g/s。3古巴圣地亚哥de Cuba的Oriente University机械与工业工程学院。4巴拉那帕拉纳帕拉纳联邦技术大学的客座教授。5 Insper-巴西圣保罗教育与研究所。 *通讯作者：dtasev88@gmail.com摘要激光金属沉积（LMD）工艺是一种增材制造技术，由于其能力具有复杂的几何形状和不同类型的金属材料，因此吸引了汽车和航空工业的兴趣。 但是，沉积层的结构和制成部分的几何特性受沉积过程参数之间的相互作用的影响。 在本文中，使用模糊推理（FIS）技术来开发两个模型，以预测几何特性，并使用AISI 316不锈钢粉末和底物优化LMD工艺参数。 基于阶乘分析的实验设计用于将所选沉积过程参数，激光功率（LP），粉末流量（PF）和焦距（FL）与过程的几何特征珠高（BH），珠宽度（BW），渗透深度（DP），渗透（DP）和湿度（DP）和湿度（WA）相关联。 因子LP和FL使用三个操作水平：LP = 225 W，250 W，275 W，FL = 4.8 mm，5.0 mm，5.2 mm。 使用两个级别的因子PF，9.40 g/s和13.35 g/s。5 Insper-巴西圣保罗教育与研究所。*通讯作者：dtasev88@gmail.com摘要激光金属沉积（LMD）工艺是一种增材制造技术，由于其能力具有复杂的几何形状和不同类型的金属材料，因此吸引了汽车和航空工业的兴趣。但是，沉积层的结构和制成部分的几何特性受沉积过程参数之间的相互作用的影响。在本文中，使用模糊推理（FIS）技术来开发两个模型，以预测几何特性，并使用AISI 316不锈钢粉末和底物优化LMD工艺参数。基于阶乘分析的实验设计用于将所选沉积过程参数，激光功率（LP），粉末流量（PF）和焦距（FL）与过程的几何特征珠高（BH），珠宽度（BW），渗透深度（DP），渗透（DP）和湿度（DP）和湿度（WA）相关联。因子LP和FL使用三个操作水平：LP = 225 W，250 W，275 W，FL = 4.8 mm，5.0 mm，5.2 mm。使用两个级别的因子PF，9.40 g/s和13.35 g/s。差异分析允许识别PF影响BH，BH/BW比率，D和WA。激光功率（LP）的增加导致几何特征BW和DP的增加。第一个FI，用于预测珠的几何特性，具有高足够的（相对误差高达8.43％），用于评估EX的体验条件。考虑到所研究的工作条件和评估的变量，第二FI表示最佳相互作用。使用沉积过程参数LP = 250 W，FL = 5 mm，PF = 9.40 g/s，获得了最大输出解体指数（ODI = 0.845）。关键字：激光金属沉积，模糊推理，珠几何预测，沉积过程参数，AISI 316不锈钢1.简介
ITU-T Y.3800系列建议量子键... 量子密钥分布网络的用例 itu-t y.qkdnf_fr量子密钥分布的框架...
基于ML的QKD系统参数优化解决方案是在密钥生成之前先预先优化算法。图7.2显示了基于ML的QKD系统参数优化的图。首先，对输入数据进行采样以选择无法由用户控制的物理参数的随机组合，并使用本地搜索算法来计算其相应的优化参数值，该值可以由用户调整。使用选定的ML模型将获得的物理参数值输入到ML模型培训师中。训练后，输出的n组预测参数值。通过将经典算法获得的关键率与基于预测参数值的密钥速率进行比较，比较结果回到了ML模型培训师。其次，当QKD系统需要参数优化时，将输入实时数据，并在应用ML函数后输出最佳参数值。最后，配置参数将输入到QKD系统中以完成参数优化。
以相对密度和表面特征为质量约束的 WAAM 工作范围扩展和参数优化：以主动冷却的 Al5Mg 薄壁为例
摘要：通过线材+电弧增材制造 (WAAM) 成功高效地生产具有特定特征的零件，在很大程度上取决于选择正确且通常相互关联的沉积参数。这项任务在制造薄壁时可能特别具有挑战性，因为薄壁可能会受到加工条件和热积累的严重影响。在此背景下，本研究旨在扩大工作范围并优化 WAAM 中的参数条件，以预制件的相对密度和表面方面作为质量约束。实验方法基于通过 CMT 工艺在其标准焊接设置上沉积薄 Al5Mg 壁，并采用主动冷却技术来增强沉积稳健性。通过阿基米德方法估算内部空隙。通过视觉外观评估壁的表面质量，通过横截面分析评估表面波纹度。所有条件均表现出高于 98% 的相对密度。通过在焊枪上添加辅助保护气喷嘴和部件散热强度，将标准焊接硬件升级为 WAAM 用途，大大扩展了工艺工作范围，并通过多目标优化成功证明了其适用性。总之，提出了一种实现预期预制件质量的决策程序。
校正：氧化石墨烯增强光热疗法：HELA癌细胞死亡率的激光参数优化和温度建模
farzaneh Zare Mehrabadi 1·Mohammad Ali Haddad 1,2·Najmeh sadat hosseini motlagh 3 Hagheralsadat 6 div>