XiaoMi-AI文件搜索系统
World File Search System向量
支持向量机（SVM）用于肿瘤医学图像分类
nfadel@fbsu.edu.sa 摘要——癌症已成为全球死亡的主要原因。为了处理医学图像以发现肿瘤及其类型，作者需要具有理解医学图像的独特经验。作者需要机器学习技术来达到高精度和快速分析这些图像，以避免缺乏经验或错误。在本文中，作者将研究用于对脑图像进行分类的机器学习技术（SVM）。本文将使用 SVM 分析脑图像并使用 Matlab 软件发现良性肿瘤和恶性肿瘤。进行的实验结果表明，该系统对医学脑图像中发现的肿瘤类型（良性、恶性）的分类具有准确性。作者将在本研究中坚持认为，要分类的图像仅限于仅存在两种类型的肿瘤。将来，在分类过程之前，将在脑部的医学图像中添加一些预处理程序。关键词——肿瘤、医学图像、机器学习、支持向量机。
基于多维结构特征的硬件木马检测技术
具体来说， Oya 等人 [ 3 ] 总结了 9 种木马特征并对 每种特征赋予特定的分值，通过分值的高低来确定 是否存在硬件木马。但该文并未阐述这些特征的性 质及与硬件木马触发机制的联系。 Yao 等人 [ 4 ] 基于 数据流图提出 4 种硬件木马特征，利用硬件木马特 征匹配算法来检测硬件木马，并形成了检测工具 FASTrust 。然而基于数据流图的木马特征构建方 法是从寄存器层面进行的，大量的组合逻辑被忽略， 误识别率较高。 Hasegawa 等人 [ 5 ] 提出了 LGFi, FFi, FFo, PI, PO 等 5 种硬件木马特征，并利用支持向量 机算法来训练并识别木马节点，然而在训练集中， 硬件木马特征集较少，训练集分布并不平衡，即便 是采用动态加权的支持向量机依然存在较大的误识 别情况。 Chen 等人 [ 6 ] 计算待测电路中两级 AONN 门 的分数，认为分数较高的门是硬件木马。该方法对 单触发型硬件木马有效，然而对于多触发条件的硬 件木马无能为力，且未考虑有效载荷电路及其功能。
使用支持向量机进行飞机飞行控制执行器故障检测
摘要：未来几代飞行控制系统，例如无人驾驶飞行器 (UAV) 的飞行控制系统，可能会更具适应性和智能性，以应对无人驾驶带来的额外安全性和可靠性要求。高效的故障检测和隔离 (FDI) 系统至关重要，应该能够监控飞机的健康状况。从历史上看，硬件冗余技术已用于检测故障。然而，由于成本高且附加组件质量大，在无人机中复制执行器并不理想。幸运的是，也可以使用分析冗余技术检测飞机执行器故障。在本研究中，设计了一种使用支持向量机 (SVM) 的数据驱动算法。所研究的飞机执行器故障是效率损失 (LOE) 故障。故障检测算法的目的是根据执行器的健康状况将特征向量数据分类为正常或故障类。结果表明，SVM 算法几乎可以立即检测到 LOE 故障，平均准确率为 99%。
神经形态计算机上的稀疏二进制矩阵向量乘法
摘要 — 神经形态计算机提供了低功耗、高效计算的机会。虽然它们主要应用于神经网络任务，但也有机会利用神经形态计算机的固有特性（低功耗、大规模并行、共置处理和内存）来执行非神经网络任务。在这里，我们演示了一种在神经形态计算机上执行稀疏二进制矩阵向量乘法的方法。我们描述了这种方法，它依赖于二进制矩阵向量乘法和广度优先搜索之间的联系，并介绍了以神经形态方式执行此计算的算法。我们在模拟中验证了该方法。最后，我们讨论了该算法的运行时间，并讨论了未来神经形态计算机在执行此计算时可能具有计算优势的地方。索引术语 — 神经形态计算、图算法、矩阵向量乘法、脉冲神经网络
支持向量机，用于估算隧道爆破中的特定电荷
1引言钻孔和爆破，D＆B是一种传统的地下和表面发掘中岩石发掘的方法。隧道大量用于采矿以及土木工程，例如，运输隧道，水转移隧道，地下动力行星等。伊朗的大型山脉需要许多以不同形状和尺寸的隧道建筑，用于各种应用。d＆b方法更适合大多数情况，与机械化的挖掘相比，由于其明显的灵活性，低投资成本以及不需要高科技。任何爆破操作的效率都受爆炸材料与岩体之间的相互作用的影响[1-6]。因此，岩石参数的知识可以导致爆炸结果和特定电荷的优化。影响爆炸结果的参数如下[7]：•爆炸性规格•岩石质量规格•钻孔模式的几何形状
支持向量机和人工神经网络期权价格预测的比较研究
选择定价已成为金融市场中非常重要的部分之一。由于市场总是动态的，因此很难准确预测期权价格。因此，已经设计和开发了各种机器学习技术，以解决预测期权价格未来趋势的问题。在本文中，我们比较了支持向量机（SVM）和人工神经网络（ANN）模型的有效性，以预测期权价格。两种模型均使用公共可用数据集的基准测试，即在测试和培训阶段间谍期权价格2015。在两种模型中都使用了通过主成分肛门（PCA）转换的数据，以实现更好的预测准确性。另一方面，整个数据集分为两组培训（70％）和测试集（30％），以避免过度拟合问题。将SVM模型的结果与基于均方根误差（RMSE）的ANN模型的结果进行了比较。实验结果证明了ANN模型的性能优于SVM模型，并且预测的期权价格与相应的实际期权价格非常吻合。
AXV-101，一种新的密码子优化的BBS1 AAV9向量，停止...
Bardet-Biedl综合征（BBS）是一种与原发性纤毛功能障碍相关的常染色体隐性疾病，表现出视网膜营养不良和进行性视觉丧失，以及其他临床特征。bbs1是在BBS中发现的最常见的突变基因，而错义BBS1 M390R突变是最常见的等位基因。我们先前已经证明，在调节的Remodopsin激酶（AAV8-RK-BBS1）和巨细胞病毒（AAV8-CMV-BBS1）下表达野生型BBS1 cDNA的不同AAV8载体是安全且能够停止BBS1 Missense Youse BBBS Mode bbs1鼠标BBS1 MISSONSE BBS1 MORTENS MISSENSE MOLTENS MISTENS MORTANE DENINALION的促进剂（AAV8-CMV-BBS1）的启动子（M390R）（Freitas等人）。我们还介绍了BBS1的密码子优化版本的开发如何增加蛋白BBS1表达（De Castro等人）。在这项研究中，我们通过AXV-101（在CAG启动子（AAV9-CAG-HCOBB1）调节下表达人类密码子优化的BBS1 cDNA序列（HCOBBS1）（AAV9-CAGBB1），我们提高了AXV-101的视网膜下递送的功效和安全概况。在这里，我们单方面用单一的泡沫给了新生儿P7-9 M390R和野生型（WT）动物的5种不同的队列（n = 5-12）；用AXV-101配方缓冲液和磷酸盐缓冲盐水（PBS）和3个队列的两个对照组，以及增加剂量的AXV-101（1x10 9，5x10 9和1x10 10 10总病毒基因组（VG））。对侧眼被用作内部对照。我们使用光学相干断层扫描（OCT）和用电子图（ERG）的功能救援测量了6个月内的安全性和功效。
基于机器学习算法的冠状动脉疾病的诊断支持向量机，人工神经
已经对数据挖掘在包括CAD在内的疾病诊断中的应用进行了各种研究； [9,10]将建议的模型与基于PSO的自适应神经融化推理系统（PSO -ANFIS）进行了比较。结果表明，建议的模型优于PSO -ANFIS模型。建议的模型还具有2个重要好处：（1）它很快学习，（2）响应迅速。对于大型准确的数据集，快速学习和快速响应能力的重要性很重要。[11] Jackins等。进行了一项研究，以找到可用数据集中诊断糖尿病，冠心病和癌症的模型。他们使用幼稚的贝叶斯分类和随机森林（RF）分类算法进行数据集的分类。结果表明，三种疾病的RF模型的准确性高于幼稚贝叶斯分类器的精度值。[12] Das等。使用统计分析系统，引入了一种诊断心脏病的方法。神经网络集合方法位于提议系统的中心。从从克利夫兰心脏病数据库中获得的数据中获得的分类准确性为89.01％。另外，在心脏病的诊断中分别获得了80.95％和95.91％的敏感性和特异性。[14] Dutta等。[13] Olaniyi和Oyedotun提出了一个基于人工神经网络（ANN）的三步模型来诊断心绞痛，其精度为88.89％。提出了具有卷积层的有效神经网络。他们提出的模型在预测冠心病方面的准确性达到了77％。该模型还能够比传统方法（例如支持向量机（SVM）和RFS）更准确地预测负面案例。[15]