XiaoMi-AI文件搜索系统
World File Search System学习方法
机器学习方法是在火星上识别和分类的Rampart陨石坑。 J.M. Williams 1（Jwilliams4@unm.edu），A.C。Buie 1，D.P。梅森1，
简介：冲击壁是火星和许多其他行星体的无处不在地质过程，对于整个太阳系中岩石和冰冷体的表面相对年龄至关重要；在过去的数十亿年中，包括古代和现代火星都发生了这样的火山口事件[1]。这些陨石坑可以根据其形态和形成过程进行分类，包括作为斜坡型特征。在火星上对这些火山口形态的分类历史上已经证明了困难和耗时，这主要是由于1）缺乏质量，高分辨率图像和2）图像的巨大图像。我们的新方法试图通过使用基于机器学习的方法（ML）方法在MARS（32°N至32°S）中的较低纬度（32°N至32°S）内的准确分类的Rampart火山口数据库来纠正此问题。
医疗保险欺诈检测的深度学习方法
医疗保健欺诈是一项全球财务挑战，影响了经济稳定和对服务的信任，传统的机器学习模型努力准确地捕捉其复杂性和适应性。这项研究研究了三种深度学习（DL）模型的应用，即人工神经网络（ANN），卷积神经网络（CNN）和长期记忆网络（LSTM）在医疗保健欺诈检测中的应用。本研究使用医疗保健索赔数据，包括患者人口统计数据，索赔金额，诊断代码和程序类型，以分析医疗保健服务的使用并确定欺诈活动。为了增强这些模型的可解释性，使用了局部解释的模型不足的解释（LIME）。评估结果表明，ANN是最佳性能，精度为0.94，精度为0.78，召回0.45，F1得分为0.57。尽管CNN在准确性上表现出色，但LSTM在减少虚假负面方面具有更大的影响。ANN的石灰显示了声称非伪造性的预测，高概率为0.96，而不是用“潜在抛弃”作为欺诈行为的0.03概率，作为驾驶指标，评估指标表明，它在正确识别欺诈性的情况下很好地表明，它很好。这项研究强调了将深度学习模型与可解释的AI（XAI）整合在一起的效果，这为医疗保健保险欺诈检测中不断增长的研究机构做出了贡献。
天然纤维复合材料的机器学习方法
近年来，通过应用机器学习 (ML) 重新定义了具有独特特性的天然纤维复合材料 (NFC) 中天然纤维增强材料的优化设计过程。这项工作阐明了 ML 算法和进化计算技术的类型和应用的功能，特别关注它们在 NFC 领域的适用性。此外，解决方案方法和相关数据库被用于产品开发过程的各个阶段，从原材料选择到 NFC 的最终用途应用。详细介绍了 ML 在 NFC 行业的优势和局限性，以及材料科学中的相关挑战，例如 ML 模型的可解释性。最后，讨论了 ML 的未来方向和新兴趋势。DOI：10.15376/biores.20.1.Palanisamy 关键词：机器学习；天然纤维复合材料；深度学习；堆叠序列联系信息：a：机械工程系，PTR 工程与技术学院，Austinpatti，马杜赖，625008，泰米尔纳德邦，印度；b：木材力学与技术系，伊斯坦布尔大学林业学院，Cerrahpasa，Bahcekoy，Sariyer，34473，伊斯坦布尔，土耳其；c：电子与通信工程系 Koneru Lakshmaiah 教育基金会，Vaddeswaram，贡土尔区 - 522 302 安得拉邦，印度；d：科学与技术学院，Università di Camerino，62032 Camerino，意大利：e：工程与管理系，工程学院，苏丹王子大学，利雅得，11586，沙特阿拉伯；f：机械设计与生产工程系，Zagazig 大学工程学院，Zagazig 44519，Sharkia，埃及； * 通讯作者：sivaresearch948@gmail.com; tkhan@psu.edu.sa 引言 天然纤维复合材料 (NFC) 概述及其在材料科学中的意义
基于政策优化的近端策略优化学习方法，用于DC-DC提升转换器控制：对传统CON>的比较评估
本文提出了与传统控制方法进行比较的DC-DC Boost Converter Control的基于DC-DC Boost Converter Control的基于近端策略优化（PPO）的强化学习方法。使用MATLAB Simulink共模拟对PPO算法的性能进行了评估，结果表明，实现短期结算时间和稳定性的最有效方法是将PPO算法与基于增强学习的控制方法相结合。模拟结果表明，基于RL的控制方法具有PPO算法提供了超过传统控制方法的步骤响应特征，从而增强了DC-DC增强转换器的控制。这项研究还强调了增强学习方法的固有能力，以增强增强转换器控制的性能。
癌症定制治疗的机器学习方法综合分析：当前趋势、挑战和未来方向
所有这些方法的共同点是，它们都使用患者样本来了解有关新药物治疗机制的更多信息。充分利用这些资源是临床试验在设计新型抗癌药物和肿瘤特征方面的显著进步。从中获得的知识将有助于找出临床试验中新药物的失败原因，从而提高我们对药物的理解和使用。对患者样本进行广泛的分析可能会加快新疗法的开发速度，同时降低试验规模和成本 [4]。大多数治疗试验都包括基于临床特征、肿瘤类型、疾病阶段和既往治疗史的资格要求。这些变量会影响药物的有效性。然而，最有可能对治疗产生良好反应的患者可以通过检查肿瘤和患者的分子特征来确定 [5]。
在检测慢性心力衰竭中分析血清拉曼光谱的机器学习方法的比较
摘要。拉曼光谱对分子水平上物质化学成分的高灵敏度使其成为通过分析血清诊断慢性心力衰竭（CHF）的宝贵工具。拉曼光谱法提供了一种无标签，快速检测方法，与机器学习（ML）技术结合使用时具有高度特异性和准确的结果。但是，必须仔细选择适当的ML算法，以分析高维光谱数据，以获得可靠和正确的结果，这些结果主要基于所研究的样品，标本或结构的真实化学特征以及并非所有算法都可以提供高性能。在这项研究中，我们比较了四种方法：（1）多变量曲线分辨率与逻辑回归（MCR-LR）结合使用，（2）与线性内核支持向量机（MCR-SVM），（3）在潜在结构上的投影与歧视分析（PLS-DA）的投射（4）投影（4） （PLS-SVM）。这些方法适用于CHF患者的193例拉曼光谱，对照病例的78例。我们发现，PLS-DA和PLS-SVM证明了最佳的ROC AUC，平均值为0.950（0.91-0.97，0.95 CI）和0.99（0.94 - 1.00，0.95 CI），而MCR-LR和MCR-SVM仅实现了0.50（0.46- 0.53-0.95 CI），以及0.53，0.95 CI），并实现CI），分别。©2024生物医学光子学与工程杂志。
Robert（Rupert）Wu cl-dps：一种通过扩散后采样解决盲逆问题的对比学习方法
CSC488/2107H1 Compilers & Interpreters Fan Long Winter 2022 MAT496H1 Reading: Mathematics of Deep Learning Vardan Papyan Winter 2022 VIC493H1 Vic Capstone Research Colloquium Emanuel Istrate Year 2021-2022 CSC485/2501H1 Computational Linguistics Gerald Penn Autumn 2021 CSC495H1 Project: Continual Learning Florian Shkurti Autumn 2021 CSC498/475H5 Topics: Introduction to Reinforcement Learning Animesh Garg Autumn 2021 CSC384H1 Introduction to Artificial Intelligence Sonya Allin Summer 2021 CSC412/2506H1 Probabilistic Learning & Reasoning Jesse Bettencourt Winter 2021 CSC413/2516H1 Neural Networks & Deep Learning Jimmy L. Ba，Bo Wang Winter 2021 CSCD70H3编译器优化Gennady Pekhimenko Autumn 2020 CSC494H1项目：多模式夹应用程序Sanja Fidler Sanja Fidler，Amlan Kar Winter 2021 CSCC11 CCCC11 H.车队，布莱恩·陈（Bryan Chan）秋季2020 CSC369H1操作系统Karen Reid Aut 2020 CSC420H1图像理解理解Babak Taati，Morteza Rezanejad Aut 2020 hps391H1 1700年的数学历史，从1700年到现在的Sylvia Nickers thine 2020 CSC32224 HINCOMANG 1.算法设计，分析和复杂性Koushik PAL 2019 CSC300H1计算机与社会Mathew Zaleski，Ishtiaque Ahmed Ahmed Winter 2019 CSC336H1数值方法Kenneth R. Jackson R. Jackson R. Jackson Autumn 2018
（b）：Hiba Mazen Kamel Al Hassan（2025）。优化可持续建筑：用于环保建筑设计的机器学习方法。民用英语
摘要根据本文，混合机器学习框架结合了许多技术，这些技术为可能的设计提供了详细的详细方法。这种方法旨在找到解决现代建筑中核对成本效益，环境影响和用户舒适性问题的解决方案。机器学习（ML）用于制作与特定限制（例如财务限制，位置环境和能源目的）相符的广泛建筑设计。mL用于估计设计的效率并重复改进。通过预测分析和风险评估，它可以期望能量用途，用户舒适和环境影响。模式和链接被确认以提高建筑计划和运营的有效性。深度学习模型可用于材料选择，并通过机器学习来评估材料特征和环境影响。最好的材料合并是根据效率规范和可持续性目的使用的。拟议的基于ML的方法具有多种优势，例如更快的设计技术，更精细的室内环境质量和改善的能源使用情况，这都是经济的解决方案。，我们可能会使用建议的建筑，进入了强大而可持续建筑的新时代。推荐的框架显示了通过机器学习改善建筑设计方法的能力，同时遵守可持续性目标。
原创文章 人工智能增强篮球罚球的运动学分析 BEKIR KARLIK 1、MUSA HAWAMDAH 2 1 埃波卡大学计算机工程系，地拉那，阿尔巴尼亚 2 塞尔丘克大学计算机工程系，科尼亚，土耳其 在线发表：2024 年 12 月 30 日 接受发表：2024 年 12 月 15 日 DOI：10.7752/jpes.2024.12321 摘要：问题陈述和方法：在篮球比赛中，罚球的成功与否取决于球的出手角度、在空中的正确位置以及最佳速度运动特征。本研究利用人工智能（AI）研究了篮球运动员在疲劳前后执行罚球的运动学特征。材料和方法：我们使用了各种监督机器学习算法，包括：k-最近邻 (k-NN)、朴素贝叶斯、支持向量机 (SVM)、人工神经网络 (ANN)、线性判别分析 (LDA) 和决策树。这些算法用于对从球员收集的运动数据得出的特征进行分类，以揭示他们在不同疲劳程度下的投篮机制的模式和变化。当球员在疲劳前后成功和不成功投篮时，在球释放点测量肘部、躯干、膝盖和踝关节角度。有两种方法可用于对这些特征进行分类：第一种方法是直接使用行数据；另一种是使用主成分分析 (PCA) 减少数据。对于这两种方法，数据在应用于分类器之前都在 0-1 之间归一化。结果：我们通过使用朴素贝叶斯分类器对行数据获得了 98.44% 的最佳分类准确率。此外，使用 PCA 对减少数据进行 ANN 的结果显示最佳分类准确率 95.31%。研究结果揭示了疲劳引起的投篮力学的不同模式和变化，并强调了机器学习模型在分析生物力学数据方面的有效性。讨论和结论：这些结果有助于制定训练计划，以提高疲劳状态下的表现和一致性。这项研究强调了人工智能和数据驱动方法在运动生物力学中的潜力，可以为运动员表现和疲劳管理提供有价值的见解。关键词：智能算法、运动生物力学、运动数据、疲劳引起的变化简介在对各种运动进行的研究中已经观察到功能技能和基于技能的运动模式之间的差异。评估功能技能比评估基于技能的运动模式更具挑战性（Goktepe 等人，2009 年；Abdelkerim 等人，2007 年；Chappell 等人，2005 年）。例如，Goktepe 等人（2009 年）利用统计分析来证明踝关节、肩膀和肘部角度对网球发球的影响。Abdelkerim 等人（2007）展示了篮球运动员的计算机化时间运动分析，而 Chappell 等人（2005）则研究了在进行疲劳前和疲劳后练习的三个停跳任务中落地和跳跃动作中改变的运动控制策略。评估基于技能的收缩、适当的肌肉发力时间和关节定位等因素相对容易。值得注意的是，个人之间的动作执行和技能习得存在差异。在篮球罚球中，关节角度是足以将投篮分为不同类别的基本特征（Schmidt 等人，2012；Ge，2024；Zhang & Chen，2024）。疲劳是人类活动的自然结果，会影响运动员在训练和比赛期间的认知和学习能力。虽然大多数研究认为疲劳是影响表现的一个关键因素（Forestier & Nougier，1998；Apriantono 等人，2006），但一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010；Rusdiana 等人，2019；Li，2021；Bourdas 等人，2024）。例如，Uygur 等人（2010）基于统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024）则专注于疲劳对三分跳投的影响。Li 等人（2021）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中尚未发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同数据源或机器学习技术在结构分析和语义提取中的作用。这项研究是首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析
原创文章 人工智能增强篮球罚球的运动学分析 BEKIR KARLIK 1、MUSA HAWAMDAH 2 1 埃波卡大学计算机工程系，地拉那，阿尔巴尼亚 2 塞尔丘克大学计算机工程系，科尼亚，土耳其 在线发表：2024 年 12 月 30 日 接受发表：2024 年 12 月 15 日 DOI：10.7752/jpes.2024.12321 摘要：问题陈述和方法：在篮球比赛中，罚球的成功与否取决于球的出手角度、在空中的正确位置以及最佳速度运动特征。本研究利用人工智能（AI）研究了篮球运动员在疲劳前后执行罚球的运动学特征。材料和方法：我们使用了各种监督机器学习算法，包括：k-最近邻 (k-NN)、朴素贝叶斯、支持向量机 (SVM)、人工神经网络 (ANN)、线性判别分析 (LDA) 和决策树。这些算法用于对从球员收集的运动数据得出的特征进行分类，以揭示他们在不同疲劳程度下的投篮机制的模式和变化。当球员在疲劳前后成功和不成功投篮时，在球释放点测量肘部、躯干、膝盖和踝关节角度。有两种方法可用于对这些特征进行分类：第一种方法是直接使用行数据；另一种是使用主成分分析 (PCA) 减少数据。对于这两种方法，数据在应用于分类器之前都在 0-1 之间归一化。结果：我们通过使用朴素贝叶斯分类器对行数据获得了 98.44% 的最佳分类准确率。此外，使用 PCA 对减少数据进行 ANN 的结果显示最佳分类准确率 95.31%。研究结果揭示了疲劳引起的投篮力学的不同模式和变化，并强调了机器学习模型在分析生物力学数据方面的有效性。讨论和结论：这些结果有助于制定训练计划，以提高疲劳状态下的表现和一致性。这项研究强调了人工智能和数据驱动方法在运动生物力学中的潜力，可以为运动员表现和疲劳管理提供有价值的见解。关键词：智能算法、运动生物力学、运动数据、疲劳引起的变化简介在对各种运动进行的研究中已经观察到功能技能和基于技能的运动模式之间的差异。评估功能技能比评估基于技能的运动模式更具挑战性（Goktepe 等人，2009 年；Abdelkerim 等人，2007 年；Chappell 等人，2005 年）。例如，Goktepe 等人（2009 年）利用统计分析来证明踝关节、肩膀和肘部角度对网球发球的影响。Abdelkerim 等人（2007）展示了篮球运动员的计算机化时间运动分析，而 Chappell 等人（2005）则研究了在进行疲劳前和疲劳后练习的三个停跳任务中落地和跳跃动作中改变的运动控制策略。评估基于技能的收缩、适当的肌肉发力时间和关节定位等因素相对容易。值得注意的是，个人之间的动作执行和技能习得存在差异。在篮球罚球中，关节角度是足以将投篮分为不同类别的基本特征（Schmidt 等人，2012；Ge，2024；Zhang & Chen，2024）。疲劳是人类活动的自然结果，会影响运动员在训练和比赛期间的认知和学习能力。虽然大多数研究认为疲劳是影响表现的一个关键因素（Forestier & Nougier，1998；Apriantono 等人，2006），但一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010；Rusdiana 等人，2019；Li，2021；Bourdas 等人，2024）。例如，Uygur 等人（2010）基于统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024）则专注于疲劳对三分跳投的影响。Li 等人（2021）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中尚未发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同数据源或机器学习技术在结构分析和语义提取中的作用。这项研究是首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析
使用贝叶斯深学习方法估算基于代理的模型
▶在一项重要的工作中，Del Negro和Schorfheide（2009）提出了DSGE-VAR程序，该程序将结构性宏观经济模型（DSGE模型）的先前信息纳入了VAR模型