XiaoMi-AI文件搜索系统
World File Search System学习方法
用于预测的数据提取和深度学习方法...
无论从事哪个行业，工业维护都是任何公司的关键组成部分。它不仅可以限制故障，还可以防止可能的故障。系统维护可提高工厂的生产力和盈利能力。在海事领域，维护受环境因素支配，例如有限的存储空间、长时间没有可靠的补货或系统专家的外部帮助等。因此，轮机长需要依靠最佳的维护组织。预测性维护将是一种有用的工具，可通过预测异常和故障提供有效的帮助。本文介绍了两项贡献：1）子系统的数字孪生，用于生成标称和非标称数据；2）使用基于机器学习的方法来预测故障并为维护人员提供决策支持。
用于预测的机器学习方法... - IRIS
摘要 预测性维护是与工业 4.0 相关的概念，工业 4.0 是第四次工业革命，它监控设备在正常运行期间的性能和状况以降低故障率。本文讨论了一种预测性维护策略，以减少住宅技术设备系统的机械和电气设备故障。所开发的策略可以保证基于机器学习系统的定制维护服务，在最长 3 年的时间内大幅减少故障。所开发的策略根据统计数据评估可接受的组件故障率，并将平均劳动力成本与每次维护操作的持续时间相结合。预测策略详细阐述了实现上述目标所需的最低成本增加。对罗马一个由 16 栋建筑和 911 套公寓组成的现代住宅区进行了为期 3 年的案例研究。特别是，分析考虑了为公寓以外的外部和公共区域供电的机械、电气和照明系统，以避免由于用户行为差异而导致数据扰动。通过大数据分析进行预测性维护管理的总体好处已被证明是住宅系统的机电设备等不同工厂整体运行的实质性改善。关键词：BIM环境，设施管理
使用机器学习方法预测脑卒中
印度马哈拉施特拉邦浦那工程学院摘要 - 中风是一种通过撕裂大脑血管而造成损害的疾病。当大脑中的血液和各种营养物质停止流动时，也可能发生中风。根据世界卫生组织 (WHO) 的说法，中风是世界上导致死亡和残疾的主要原因之一。大多数工作都是关于心脏病发作的预测，但很少有工作显示脑中风的风险。因此，人工智能模型被用来预测脑中风的风险。该项目旨在确定患者中风风险的熟悉程度及其决定因素。该研究考虑了许多因素，并使用逻辑回归、决策树分类、随机森林分类、KNN 和 SVM 等 ML 算法进行准确预测。索引术语 - 机器学习；逻辑回归；决策树分类；随机森林分类；k-最近邻；支持向量机。
中期负载预测的机器学习方法
摘要利比亚的通用电力公司（Gecol）近年来经历了电力需求激增，导致电力短缺，尤其是在夏季高峰期。这些短缺通常会因大生成单位故障或传输线破坏引起的系统中断而加剧，这极大地影响了该国的稳定性。利比亚正在进行的政治不稳定进一步加剧了这一问题，再加上电力供应问题，在该国一些最大的领域对石油和天然气的产生产生了负面影响。本研究通过采用机器学习（ML）技术来解决电力负荷需求预测的挑战，特别关注基于中期负载预测（MTLF）的人工智能算法。该研究比较了不同ML方法与实际消费数据的准确性和收敛性，旨在确定最有效的方法。准确的负载预测对于像Gecol这样的电气公用事业至关重要，可以有效地满足客户需求并优化发电和传输。着眼于班加西，这项研究开创了机器学习技术来预测总能耗和需求的应用。该研究的发现得到了从Gecol的班加西地区控制中心（BRCC）获得的现实世界数据的验证，这证明了ML在利比亚改善电力载荷预测的潜力。该研究得出以下结果：额外的树回收算法作为目标的孕妇产生了最佳结果，精度值为85％。Huber回归算法产生了赤字的最佳结果
机器学习方法预测幼儿的营养状况
摘要：营养不良是各国幼儿遇到的主要健康问题之一。根据2022年印尼营养状况调查结果，印度尼西亚五岁以下儿童的不良营养高于非洲和全球的平均营养不良。因此，需要一种方法来预测早期五岁以下儿童的营养状况，以便政府（通过地区卫生办公室）可以立即提供必要的治疗方法。这项研究旨在使用各种机器学习（ML）方法（即幼稚的贝叶斯，线性判别分析，决策树，K-Nearest邻居，随机森林，随机森林，随机森林和支持载体机器），基于年龄，体重指数（BMI），体重和身体长度来预测或分类幼儿的营养状况。根据准确性，敏感性，特异性，曲线（AUC）和Cohen的Kappa系数（CKC）评估每个ML方法的预测性能。测试结果表明，随机森林方法最建议用于以准确性，灵敏度，特异性，AUC和CKC值预测幼儿的营养状况：0.9737，0.9500，0.9500，0.9881，0.9990和0.9609。该研究的贡献是更容易获得有关幼儿营养状况的信息。
我如何阅读使用机器学习方法的文章
杰斐逊数字共享将这篇文章带给您免费和开放访问。Jefferson Digital Commons是Thomas Jefferson大学教学中心（CTL）的服务。Commons是杰斐逊书籍和期刊的展示，经过同行评审的学术出版物，大学档案馆的独特历史收藏以及教学工具。Jefferson Digital Commons允许研究人员和感兴趣的读者在世界任何地方学习并与Jefferson奖学金保持最新状态。本文已被杰斐逊数字共享的授权管理人接受了金梅尔癌症中心教师的培训。有关更多信息，请联系：jeffersondigitalcommons@jefferson.edu。
基于脑信号分析的深度学习方法
1 简介 脑信号测量来自人脑的本能生物特征信息，反映了用户的被动或主动心理状态。脑信号模拟由大脑中数百万个神经元以信号形式处理的信息。这些脑信号类似于人的神经活动（包括感觉和运动活动）。通过处理脑信号可以了解人（或用户）的感觉和运动活动。随着新兴技术的发展，可以使用不同的传统（EEG、MEG、MRI、fMRI）和非传统信号处理技术（深度学习算法、决策树等）来分析和处理脑信号。所有传统版本的脑信号分析都包括特征提取步骤，然后在某个时间点进行分类过程。Jahankhani 等人。进行了实验，并使用离散小波变换（DWT）作为特征提取技术，从EEG脑信号中提取特征，多层感知器是分类技术，与径向基函数网络（RBF）一起使用[1]，在训练性能方面，已经实现了准确的EEG信号分类。而Acharya等人已经使用EEG信号以及小波包变换（WPT）作为特征提取方法和支持向量机（SVM）作为分类方法[2]进行了实验。这些方法结合起来可以准确检测出癫痫（一种神经系统疾病）。同样，更多的其他特征
一种联合的深入强化学习方法
摘要：本文提出了使用联合加固学习（FRL）的多个智能建筑物的共享存储系统（SESS）的隐私能源管理（SESS）。为了保留与SESS连接的建筑物的能源计划的隐私，我们使用FRL方法提出了分布式的深入强化学习（DRL）框架，该方法由全球服务器（GS）和本地建筑能源管理系统（LBEMSS）组成。在框架中，LBEMS DRL代理仅与无需消费者的能耗数据的GS共享其训练有素的能源消耗模型的训练有素的神经网络。使用共享模型，GS执行了两个过程：（i）向LBEMS代理的全球能源消耗模型的构建和广播，以培训其本地模型，以及（ii）培训SESS DRL代理商的能源充电和从公用事业和建筑物中释放。模拟研究是使用带有太阳能电动系统的一台SES和三个智能建筑进行的。结果表明，所提出的方法可以安排和排放SESS的充电和排放，并在智能建筑环境下的智能建筑物中供暖，通风和空调系统的最佳能源消耗，同时保留建筑物能源消耗的隐私。
脑网络分类的机器学习方法
-背景。自闭症谱系障碍 (ASD) 在不同程度上影响大脑连接。尽管如此，由于 ASD 的异质性，使用磁共振成像 (MRI) 非侵入性地区分此类影响对于机器学习诊断框架来说仍然非常具有挑战性。到目前为止，现有的网络神经科学工作主要集中在功能性（源自功能性 MRI）和结构性（源自扩散 MRI）大脑连接上，这可能无法捕捉大脑区域之间的相关形态变化。事实上，使用源自传统 T1 加权 MRI 的形态学大脑网络进行 ASD 诊断的机器学习 (ML) 研究非常稀少。-新方法。为了填补这一空白，我们利用众包通过组织 Kaggle 竞赛来构建一个用于神经系统疾病诊断的机器学习管道池，并使用源自 T1 加权 MRI 的皮质形态学网络将其应用于 ASD 诊断。-结果。比赛期间，参赛者将获得一个训练数据集，并且只能在公开测试数据上检查自己的表现。最终评估基于准确度、敏感度和特异性指标，在公开和隐藏测试数据集上进行。团队分别使用每个绩效指标进行排名，最终排名根据所有排名的平均值确定。排名第一的团队
精神病学中的先进机器学习方法
简介 机器学习 (ML) 方法在心理健康和相关研究中得到越来越多地应用。在我们上一篇论文中，我们讨论了两种 ML 方法，即逻辑回归和 k 均值聚类。1 在本报告中，我们重点介绍两种更先进的 ML 方法，即支持向量机 (SVM) 和人工神经网络 (ANN)，以及它们在精神病学中的应用。SVM 是一种用于对标记结果进行分类的监督学习方法。SVM 应用来自每个类别的少量样本（称为“支持向量”）来构建分类器，将样本分成不同的类别。2 SVM 是线性判别函数的扩展，线性判别函数是一种流行的监督学习统计方法，因为它试图适应非线性判别函数以实现更精确的分类。3 SVM 已被广泛应用，包括在精神病学领域。例如，在重度抑郁症 (MDD) 研究中，SVM 被用于通过人口统计学和临床变量（如年龄、性别、教育水平、药物等）从健康对照组中识别出 MDD 患者。4 这也是神经成像中的一种流行技术。5 6 我们将在下一节进一步讨论 SVM。ANN 由许多称为“人工神经元”的简单单元组成。ANN 的主要组成部分是输入层、隐藏层和输出层。计算机科学家已经开发出 ANN 来模仿生物神经网络，通过建立模型来模仿人类大脑从训练数据中学习的过程，而无需任何数据的先验知识。7 例如，在