XiaoMi-AI文件搜索系统
World File Search System均方误差
Contramae：癌症生存预测的对比度对齐掩盖自动编码器框架
摘要 - 随着多模式融合技术的快速发展，病理图像与基因组学数据的整合已在癌症生存预测中取得了令人鼓舞的结果。但是，大多数现有的多模型模型不是通过结合病理学和基因组学模态来预训练的，而忽略了不同模态之间固有的任务无关联的关联。尽管某些自我监督的方法通过预训练的目标（例如相关性和均方误差）来对齐多模式信息，但它们缺乏深入的多模式相互作用。为了解决这些问题，我们提出了Contramae，这是一种对比度对齐的掩盖自动编码器框架，以融合病理学图像和基因组学数据，以进行癌症存活预测。具体而言，我们引入了一个对比目标，以使多形态保持一致并构建其内在的一致性。此外，我们设计了两个重建目标，以通过互补偿双方所缺乏的信息来捕获多模式之间的复杂关系。在生存预测中，将Contramae编码器的病理和基因组学编码串联为产生生存风险评分的最终表示。实验结果表明，在五个癌症基因组图集（TCGA）中，CONTORAMA的表现优于五个癌症数据集的现有最新方法。该代码可从https://github.com/suixuewang/contramae获得。
通过 CNN U 优化脑肿瘤分割
摘要。准确分割医学图像中的脑肿瘤对于精确诊断和治疗计划至关重要。在本研究中，我们介绍了一种稳健的脑肿瘤分割方法，该方法采用卷积神经网络 (CNN) 和对比度限制自适应直方图均衡 (CLAHE) 和直方图均衡 (HE) 预处理技术。我们利用 CNN U-Net 架构，并通过 CLAHE-HE 预处理增强，以实现脑肿瘤分割的高精度。我们的评估证明了这种方法的有效性，表明在训练、验证和测试阶段，准确度（达到 0.9982）、损失（降低到 0.0054）、均方误差 (MSE，降低到 0.0015）、交并比 (IoU，增加到 0.9953）和 Dice 分数（增加到 0.9977）均有显着改善。值得注意的是，我们的模型具有有效的泛化能力，这一点可以通过验证性能与训练结果的紧密结合看出。这些发现强调了预处理技术在增强医学图像分析方面的潜力，所提出的方法展示了彻底改变脑肿瘤分割的前景，从而有助于在临床环境中做出更准确、更可靠的诊断。未来的研究可能会探索创新的预处理方法以及所提出的方法在其他医学图像分割任务中的应用，这将进一步提高其能力和可能的应用领域。
使用 Xilinx FPGA 实现基于 LMS 和 RMS 的自适应噪声消除
印度喀拉拉邦卡达曼尼塔 Mount Zion 工程学院应用电子与仪器工程系助理教授 摘要：自适应滤波是一个重要的信号处理领域，广泛应用于通信、控制和生物医学工程领域。自适应噪声消除、数据传输信道的自适应均衡和自适应天线阵列就是此类应用的一些示例。自适应滤波由一个数字滤波器组成，该滤波器的权重由自适应算法控制，从而最小化滤波器输出与符合某些标准的参考信号之间的差异。参考信号的特性取决于所考虑的应用。评估自适应滤波器性能的主要指标有两个：收敛速度和稳态均方误差。在实际应用中，希望最大化收敛速度并最小化稳态均方误差。这些要求之间存在冲突。已经开发了几种自适应算法，以便在这些要求之间取得良好的折衷。重要的自适应算法是样本矩阵求逆 (SMI)、最小二乘 (LS) 和递归最小二乘 (RLS) 算法。本项目的主要目标是使用 Xilinx 系统生成器实现 LMS 和 RLS（递归最小二乘）自适应滤波器算法。将在 Matlab 和 Simulink 中对模型进行仿真，以有效验证算法。核心 RLS 和 LMS 自适应滤波器及其基本组件块将在 Xilinx 系统生成器中开发，并在 Xilinx FPGA 中实现。关键词：最小均方算法 (LMS)、递归最小二乘算法 (RLS)、Xilinx 系统生成器 (XSG)、simulink、Spartan -3 1. 简介自适应滤波器是 DSP 应用中的重要组成部分，其中输入信号的统计数据未知或正在变化。自适应滤波器依靠递归算法进行操作，这使得滤波器在无法完全了解相关信号特性的环境中也能令人满意地执行。已经开发出多种自适应算法来操作自适应滤波器。自适应算法用于人类活动的许多领域。在过去的 50 年里，已经设计、描述和实施了许多自适应算法。它们在硬件设备或软件程序中实现，以在应用或其环境中的未知或随时间变化的条件下调整系统行为参数。更具体地说，在控制和数字信号处理 (DSP) 系统中，它们用于根据传入信号和系统环境改变控制器或滤波器的行为。自适应算法在这些领域中最常见的应用是系统识别、噪声和回声消除以及信号增强。其中有一些用于调整权重的算法，包括 LMS（最小均方）和 RLS（递归最小二乘）。标准或改进的 LMS 算法通常用于 DSP 应用中，其中最多可调整数百个参数。LMS 算法的主要优点是其简单性，因此它们的实现在计算上很简单，计算复杂度为 O(n)（换句话说，它们很快）。另一方面，它们的主要缺点是速度慢
一种基于线性反馈寄存器和混沌量子映射的多级加密新方案
随着通过不安全通信渠道传输的数据量不断增加，大数据安全已成为网络安全领域的重要问题之一。为了解决这些问题并确保数据安全，需要一个强大的隐私保护密码系统。这种解决方案依赖于混沌加密算法，而不是标准加密方法，这些算法具有多级加密级别，包括高速、高安全性、低计算开销和程序能力等特点。在本文中，提出了一种使用线性反馈移位寄存器 (LFSR) 和基于混沌的量子混沌映射的安全图像加密方案。该方案的重点主要取决于来自算法输入的密钥。威胁形势、统计测试分析以及与其他方案的关键比较表明，所提出的算法非常安全，并且可以抵抗各种不同的攻击，例如差分攻击和统计攻击。与现有加密算法相比，所提出的方法具有足够高的灵敏度和安全性。几个安全参数验证了所提工作的安全性，例如相邻像素之间的相关系数分析、熵、像素变化率 (NPCR)、统一平均变化强度 (UACI)、均方误差 (MSE)、强力、密钥敏感度和峰值信噪比 (PSNR) 分析。所提技术生成的密码的随机性也通过了 NIST-800-22。NIST 的结果表明，密码具有高度随机性，不会产生任何类型的周期性或模式。
上下文意识到脑肿瘤细分的深度学习...
脑肿瘤是大脑中癌细胞的不受控制的生长。肿瘤的准确分割和分类对于随后的预后和治疗计划至关重要。这项工作提出了有关使用结构多模式磁共振图像（MMRI）的脑肿瘤分割，亚型分类和总生存预测的深入学习的上下文学习。我们首先提出了3D上下文意识深度学习，该学习认为放射学MMRI图像子区域中肿瘤位置的不确定性以获得肿瘤分割。然后，我们将常规的3D卷积神经网络（CNN）应用于肿瘤段，以实现肿瘤亚型分类。最后，我们使用深度学习和机器学习的混合方法进行生存预测。为了评估性能，我们将提出的方法应用于2019年多模式脑肿瘤分割挑战（BRATS 2019）数据集，以进行肿瘤分割和整体生存预测，以及计算精度医学放射学-Pathology（CPM- rad Path）对脑肿瘤分类2019年对Tumor Classification for Tumor Classification的数据集。我们还基于流行的评估指标，例如骰子得分系数，Hausdorff距离（HD95）（HD95），分类准确性和均方误差，进行广泛的绩效评估。结果表明，所提出的方法分别提供了稳健的肿瘤分割和存活预测。此外，在2019年CPM-Radpath全球挑战的测试阶段，肿瘤分类导致这项工作排名第二。
分位数回归征：一种深度学习算法，用于缩小极端降水
全球气候模型（GCMS）模拟了全球范围内的低分辨率投影。GCM的本地分辨率通常对于社会级别的决策而言太低。为了增强空间分辨率，通常将降尺度应用于GCM输出。尤其是统计缩减技术，是一种具有成本效益的方法。与基于物理的动力学缩放相比，它们所需的计算时间要少得多。近年来，与传统统计方法相比，统计降尺度的深度学习越来越重要，证明错误率明显较低。但是，基于回归的深度学习技术的缺点是它们过度适合平均样本强度的趋势。极值通常被低估。问题上，极端事件具有最大的社会影响。我们提出了分位数回归征（QRE），这是一种受增强方法启发的创新深度学习al-gorithm。它的主要目标是通过训练分区数据集上的独立模型来避免拟合样品平均值和特殊值之间的权衡。我们的QRE对冗余模型具有鲁棒性，并且不容易受到爆炸性集成权重的影响，从而确保了可靠的训练过程。QRE达到了较低的均方误差（MSE）。尤其是，对于新西兰的高强度沉淀事件，我们的算法误差较低，突出了能够准确代表极端事件的能力。
优化废弃鳄梨油的生物柴油产量和燃料特性：ANFIS 和 RSM 机器学习模型的比较研究
化石燃料带来的挑战推动了人们对替代能源的追求，从而推动了生物燃料的发展。本研究重点是通过酯交换反应从废弃的鳄梨油中生产生物柴油。首先，使用萃取技术从鳄梨的果皮和种子中提取油。然后用甲醇和硫酸 (H₂SO₄) 对提取的油进行预处理，以将其游离脂肪酸含量降低至 1.0 wt% 以下。本研究比较了两种专家系统，即自适应神经模糊推理系统 (ANFIS) 和响应面法 (RSM)，用于建模和优化鳄梨油的生物柴油生产。使用统计指标评估了这些优化工具的性能。结果表明，ANFIS 优于 RSM，误差值较低，预测标准误差 (SEP)=0.7653、平均绝对误差 (MAE)=0.1413、均方根误差 (RMSE)=0.4103、平均绝对偏差 (AAD)=0.2955%、均方误差 (MSE)=0.1683，判定系数高 (R² = 0.9976)。两种模型都预测生物柴油产量较高 (>85%)，ANFIS 的产量 (88.21%) 略高于 RSM (86.20%)。将优化条件下生产的生物柴油的特性与美国材料与试验协会 (ASTM) D6751 和欧洲标准 (EN) 14214 标准进行了比较，结果发现其在可接受的范围内，表明该燃料是适用的。
能源报告人工智能支持的元启发式优化......
将可再生能源整合到智能电网中为构建可持续和可靠的能源系统提供了一种有希望的解决方案。然而，优化混合可再生能源系统仍然是一个关键的研究领域。这项研究提出了一种综合方法，将人工智能算法技术与元启发式优化算法相结合，用于预测和管理智能电网环境中的可再生能源。提出的混合 LSTM-RL 模型的精确度、召回率和准确度分别为 0.92、0.93 和 0.92，在正确预测能源需求模式方面优于当前算法。RL-SA 算法对各种负载平衡措施的准确率为 0.91，可有效衡量负载平衡。 CNN-PSO 算法的均方误差 (MSE)、平均绝对误差 (MAE)、R 平方得分、均方根误差 (RMSE) 和平均绝对百分比误差 (MAPE) 分别为 345.12、15.07、0.78、18.57 和 7.83，在预测可再生能源发电方面也最为成功。这些发现有助于智能电网环境中的混合可再生能源系统的发展，实现有效、可靠和经济的能源生产和分配。建议的解决方案还有可能用于农村和离网环境。总体而言，这项研究提供了一种最大限度地提高可再生能源产量的有用方法，并为进一步研究能源管理系统提供了灵感。© 2023 作者。由 Elsevier Ltd. 出版。这是一篇根据 CC BY 许可 (http://creativecommons.org/licenses/by/4.0/) 开放获取的文章。
使用循环神经网络对人类事件相关电位进行建模的指导教程
摘要：在认知神经科学研究中，事件相关电位 (ERP) 的计算模型可以提供一种为观察到的波形开发解释性假设的方法。然而，接受过认知神经科学培训的研究人员在实施这些模型时可能会面临技术挑战。本文提供了有关开发 ERP 波形的循环神经网络 (RNN) 模型的教程，以促进计算模型在 ERP 研究中更广泛地使用。为了举例说明 RNN 模型的使用，检查了在通道 Pz 处测量的目标和非目标视觉事件引起的 P3 成分。实验事件的输入表示和相应的 ERP 标签用于在监督学习范式中优化 RNN。将一个输入表示与多个 ERP 波形标签链接起来，然后优化 RNN 以最小化均方误差损失，会导致 RNN 输出近似于总平均 ERP 波形。然后可以将 RNN 的行为评估为 ERP 生成背后的计算原理的模型。除了拟合这样的模型之外，本教程还将演示如何根据 RNN 的隐藏单元的时间响应对其进行分类，并使用主成分分析对其进行表征。统计假设检验也可以应用于这些数据。本文重点介绍建模方法以及随后使用公开数据和共享代码以操作指南的形式对模型输出进行分析。虽然对 P3 响应生成的具体解释的关注相对较少，但结果引发了一些有趣的讨论点。
亚洲遥感会议（ACRS 2024）
摘要：尽管高速公路在该国的经济中起着重要作用，但使用量的增加通常会导致事故增加。关于斯里兰卡高速公路事故的研究受到限制，强调了调查其原因并积极确定易于识别事故的地区的必要性。这项研究旨在利用地理信息系统（GIS）和机器学习（ML）技术来建模高速公路事故，并特别关注斯里兰卡的南方高速公路。使用的数据集是从Southern Expressway操作维护和管理部（EOMMD）中收集的，并进行了预处理，包括编码，过采样和功能选择。机器学习算法 - 兰多森林（RF），支持向量分类器（SVC）和决策树（DT） - 用于识别容易发事故的位置并评估事故的严重性。使用诸如接收器操作特征（ROC）曲线，ROC曲线（AUC），平均绝对误差（MAE）和均方误差（MSE）等指标进行评估三个模型的性能。RF的精度表现为81.19％，其精度得分为81.19％，其次是SVC，为79.8％，DT为69.7％。rf也具有最低的MAE和MSE值，令人印象深刻的AUC值为0.86，表明卓越的预测准确性和强大的歧视能力。地图以可视化结果，并开发了操作仪表板，以促进数据分析并改善高速公路上的安全管理。这项研究为使用GIS和机器学习技术对高速公路事故进行建模提供了宝贵的见解，该技术可用于增强安全管理实践并防止事故。