XiaoMi-AI文件搜索系统
World File Search System学习方法
Ioannis Antonopoulos、Valentin Robu、Benoit Couraud、Desen Kirli、Sonam Norbu 等人。人工智能和机器学习方法在能源需求侧响应中的应用：系统评价。《可再生和可持续能源评论》，2020 年，130，第 109899 页。�10.1016/j.rser.2020.109899�。�hal- 03601421�
随着间歇性可再生能源发电在能源结构中的占比不断增加以及负载类型更加不稳定（如电动汽车充电），近年来人们对能源需求侧响应 (DR) 的兴趣日益浓厚。需求侧响应计划被认为能够以经济高效的方式提供所需的灵活性，从而提高能源系统的可靠性。大规模需求侧响应服务的需求通常由需求侧响应聚合器来满足，即提供聚合服务并充当系统运营商和最终消费者之间的中介的实体。需求侧响应相关任务的高度复杂性，加上它们对大规模数据的使用以及对近乎实时决策的频繁需求，意味着人工智能 (AI) 和机器学习 (ML)——人工智能的一个分支——最近已成为实现需求侧响应的核心技术。人工智能方法可用于应对各种挑战，包括选择最佳消费者响应集、了解他们的属性和偏好、动态定价、设备调度和控制、学习如何激励需求响应计划的参与者以及如何以公平和经济高效的方式奖励他们。本文基于对 160 多篇论文（发表于 2009 年至 2019 年之间）、40 家公司和商业计划以及 21 个大型项目的系统回顾，概述了用于需求响应应用的人工智能方法。这些论文根据所使用的人工智能/机器学习算法和能源需求响应的应用领域进行分类。接下来，介绍了商业计划（包括初创公司和老牌公司）和大型创新项目，其中人工智能方法已用于能源需求响应。本文最后讨论了所审查的人工智能技术在不同需求响应任务中的优势和潜在局限性，并概述了这一快速增长领域未来研究的方向。
探索音频语音情感检测的深度学习方法：合奏MFCC，CNN和LSTM
摘要：我们的世界完全依赖我们每天使用的小工具，使世界变得越来越大。拟议的情感交流基于非视线（NLOS），以摆脱传统的人机相互作用。这种情感交流定义为互动，类似于我们每天使用的常见视频和语音媒体；同样，该信息在长距离内传输。我们提出了EAS框架，这是针对实时沟通要求的情感交流协议的另一种合奏技术。该框架支持情感实现的交流。他们也设计了。最后，正在开发用于特征提取的CNN-LSTM体系结构，实施一种选择相关功能的注意机制，为选择相关功能而创建以及用于实时场景，使用有或没有注意机制的实时评估矩阵，为实时场景创建CNN-LSTM网络。DCCA特征提取用于在数据集中的不同标签之间提取属性和发现相关性。toAnaly在情感沟通中与他人之间的长距离通信的情感交流中的实时性能。提出的CNN-LSTM模型以87.08％的精度达到了最高精度，而现有模型（例如CNN基线和LSTM模型）分别显示出81.11％和84.01％。与现有作品相比，我们的方法显示出提高的准确性，尤其是对于实时应用程序。
在甲状腺结节分类中增强诊断精度：一种自动化超声图像分析的深度学习方法
Willis（CW）的圆圈是一种关键的脑结构，可支持附带血流以维持脑灌注并补偿最终的闭塞。CW内高风险血管的曲折性增加已被视为脑血管疾病进展的标志物，尤其是在颈内动脉（ICA）等结构中。这部分是由于年龄相关的斑块沉积或动脉僵硬。从磁共振（MR）飞行时间（TOF）图像分割的血管的可靠曲折度测量值需要精确的曲率估计，但存在的方法在噪音或稀疏分段数据中遇到困难。我们引入了一种开放源，端到端管道，该管道使用单位速条拟合进行准确的曲率估计，并为ICA提供基于稳健的曲率曲折度指标，并结合了样条拟合质量的指标。我们使用理论数据对此进行测试，并将此方法应用于来自22名参与者的TOF数据。我们表明，即使在噪音限制的高度限制下，我们的指标也能够捕获曲折的曲折，并遭受不同类型的异常动脉卷积。我们发现，我们的ICA曲折度与年龄和超声测量的颈动脉内膜培养基厚度相关。这最终具有重要的翻译意义，能够可靠地产生曲折的曲折和估计脑血管疾病。我们在GitHub存储库中提供开源代码。©
心血管疾病的机器学习方法...
Sharmila Rathod 1、Simra Bhombal 2、Vallirani Ravulapati 3、Siddhesh S. Ghadi 4、Sakshi Jangir 5 1 教授，计算机工程，MCT 拉吉夫甘地理工学院，孟买大学 2,3,4,5 学生，计算机工程，MCT 拉吉夫甘地理工学院，孟买大学 摘要 - 本文献调查研究了机器学习 (ML) 技术在基于心电图 (ECG) 的生物特征认证和心血管疾病 (CVD) 预测中的整合。主要研究强调了各种 ML 框架，以应对不同应用场景（包括安全检查、医院和可穿戴设备）中的数据集质量、可解释性和模型准确性等挑战。显著的贡献包括先进的数据处理技术、创新的分类模型（如决策树、支持向量机 (SVM) 和深度学习架构），它们已证明具有很高的预测准确性和可靠性。研究结果强调了预处理方法和特征选择在提高模型性能方面的重要性。此外，该调查强调了结合多模态生物信号来改善中风预后预测的潜力，为实时健康监测解决方案铺平了道路。总体而言，这篇评论为寻求在生物识别系统和心血管医疗保健中利用机器学习的研究人员和从业者提供了全面的资源。
一种深度学习方法来检测高级...
与深度学习方法一起评估了传统的机器学习模型，例如支持向量机（SVM）和随机森林。尽管这些模型对于某些任务有效，但它们通常在处理复杂和高维数据时会显示出局限性。相比之下，深度学习方法在几个指标上表现出卓越的性能：准确性：与SVM和随机森林相比，CNN-LSTM模型获得了更高的准确性（98.5％），通常报告的准确性在90-95％的范围内（Huang等，2021）。精确和回忆：深度学习模型的精度（97.8％）和召回（99.1％）显着超过传统模型的精度，表明误报率较低，而对真实威胁的检测率较高（Chen等人，2020年）。假阳性速率：与传统模型相比，CNN-LSTM模型保持较低的假阳性率（0.9％），这对于最大程度地减少操作环境中不必要的警报至关重要（Rani等，2022）。
基于图形的 CMOS 晶体管紧凑建模 (GCM)，用于高效参数提取：一种机器学习方法
CMOS晶体管的紧凑建模是硅制造和电路仿真之间的重要桥梁[1]。为了捕捉器件物理的复杂性，必须在紧凑模型中引入越来越多的模型参数，这对参数提取和仿真效率提出了巨大挑战。为了提取CMOS晶体管的模型参数，已经提出了一种基于机器学习的方法[2,3]。此外，人工神经网络（ANN）已用于通用晶体管行为的紧凑建模[4,5]。然而，由于没有明确的物理意义，这种人工神经网络（ANN）会阻碍模型的可扩展性和效率。因此，开发一种紧凑、可扩展、计算高效的CMOS晶体管模型势在必行。
在哪里建立食物银行：机器学习方法
摘要 目前有超过 4400 万美国人饱受粮食短缺之苦，其中 1300 万是儿童。粮食短缺已导致一系列身体和发育问题。在美国各地，数以千计的食品银行和食品储藏室是粮食短缺家庭的重要食物和其他形式援助来源。通过优化食品银行的位置，急需食物的家庭将更容易获得食品银行及其资源。本文旨在构建一个机器学习框架，该框架能够优化食品银行的位置并考虑中等收入等因素。我们为此使用了 K 均值聚类算法，因为它具有高处理速度和考虑大量数据的能力，以及其无监督性质，不需要训练时间或标记训练数据。我们提出的方法将 K 均值应用于来自加利福尼亚州和印第安纳州美国人口普查和地理空间数据的一系列房屋，并在有收入数据时应用加权 K 均值算法。我们创建了旨在优先考虑低收入家庭的食品银行位置，并将这些位置与 Feeding America 下属的真实食品银行进行了比较。我们的结果表明，不仅 K-means 速度极快，而且我们的食品银行位置平均比现有的食品银行位置更好，缩短了加利福尼亚州和印第安纳州食品银行与家庭之间的距离。
使用2D MRI SLICES诊断的比较研究中的机器学习方法
MRI是一种无创成像方法，可防止患者暴露于对比剂或电离辐射。MRI提供了大脑的高分辨率图像，该图像具有检测与AD相关的大脑结构的细微变化的能力。 可以使用有关大脑的结构，功能和代谢方面可以从MRI获得的信息来识别 AD。 重复的MRI扫描使得可以跟踪疾病的发育并评估治疗的有效性。 此外，为了创建可以自动检测和量化与AD相关的脑形态和认知过程的变化的模型，研究人员在研究中采用了各种机器学习方法，例如深度学习技术。大脑的高分辨率图像，该图像具有检测与AD相关的大脑结构的细微变化的能力。AD。重复的MRI扫描使得可以跟踪疾病的发育并评估治疗的有效性。此外，为了创建可以自动检测和量化与AD相关的脑形态和认知过程的变化的模型，研究人员在研究中采用了各种机器学习方法，例如深度学习技术。