XiaoMi-AI文件搜索系统
World File Search System新聚类
新松工业机器人产品综合样本
Apr 1, 2024 — 新松机器人自动化股份有限公司(新松本部). SIASUN Robot & Automation Co., LTD.(SIASUN HQ). 沉阳新松半导体设备有限公司. Shenyang SIASUN Microelectronics Equipment ...
使用对比学习对质谱图像数据进行自监督聚类
对实验伪影和噪声敏感，从而降低了它们对具有相似定位但不同对比度的空间模式的泛化能力。最近，使用卷积神经网络 (CNN) 的迁移学习和半监督深度学习方法已经开发出来，分别用于聚类离子图像和量化分子共定位。26,27 这些报告表明，MSI 数据的有限大小对传统的 CNN 训练框架提出了挑战，因为传统的 CNN 训练框架通常依赖于大量带注释的图像。因此，这些方法与传统的机器学习方法相比，在查找共定位分子图像方面提供了相对较小的改进。计算机视觉自监督对比学习方法的最新进展，包括 MoCo、28 SimCLR 29
用于药物低偏差评估的层次聚类分割......
摘要 — 药物-靶标相互作用 (DTI) 预测在药物发现和化学基因组学研究中非常重要。机器学习，尤其是深度学习，在过去几年中极大地推动了这一领域的发展。然而，学术论文中报告的性能与实际药物发现环境中的性能之间存在显著差距，例如基于随机分割的评估策略在估计现实环境中的预测性能时往往过于乐观。这种性能差距主要是由于实验数据集中隐藏的数据偏差和不适当的数据分割。在本文中，我们构建了一个低偏差 DTI 数据集，并研究了更具挑战性的数据分割策略，以改进现实设置的性能评估。具体而言，我们研究了流行的 DTI 数据集 BindingDB 中的数据偏差，并使用五种不同的数据分割策略重新评估了三种最先进的深度学习模型的预测性能：随机分割、冷药分割、支架分割和两种基于层次聚类的分割。此外，我们全面检查了六个性能指标。我们的实验结果证实了流行的随机分割的过度乐观，并表明基于层次聚类的分割更具挑战性，并且可以在现实世界的 DTI 预测设置中提供对模型通用性的更有用的评估。索引术语——药物-靶标相互作用、数据偏差、数据分割策略、性能评估
在 ALS 患者中使用 K 均值聚类方法
不同神经系统疾病引起的脑部异常状况影响着全世界的许多人。这些异常情况之一是肌萎缩侧索硬化症 (ALS)。 ALS 是一种俗称运动神经元病的疾病，它因脑干区域运动神经细胞受损而导致进行性身体障碍。大脑感知外界刺激，通过注意机制从大量的感知刺激中选取相关的刺激。注意力是当各种类型的信息、情绪和思想等活动集中在一个区域并由大脑在所需的时间内选择相关刺激时发生的认知过程。脑电图（EEG）在测量和分析大脑注意力机制中发生的此类活动方面具有重要地位。注意力分析的最新研究集中在事件相关电位 (ERP) 信号上。 EIP 信号是小幅度信号，其中包含 P100、N200、P300 和 N400 等在 EEG 信号中不太明显的成分。因此，为了获得 EIP 信号，必须重复目标刺激并多次进行 EEG 记录。 EEP 信号是通过对记录的目标刺激的 EEG 信号进行平均而获得的。研究的目的是从 ALS 患者和健康个体的 ERP 信号中获取一些特征，并使用 k-均值聚类方法检查对视觉刺激的注意力的分析。使用K均值聚类法进行分析的结果显示，数据被分为2个聚类，计算出最高成功率为77.78%。
基于自适应聚类的大型综合能源系统分层布局优化
摘要：不同能源系统通常独立规划和运行，导致能源利用率低、自愈能力弱、系统可靠性低。为此，针对大规模综合能源系统，提出一种基于自适应聚类的分层布局优化方法，综合考虑能量平衡、输电损耗和建设成本。首先，提出一种基于能量平衡和负荷矩的自适应聚类划分方法，确定能源枢纽的最优位置，并将各分布式电源和负荷自适应地分配到不同的能源枢纽上，形成多个区域综合能源系统。然后，建立所提出的分层布局优化模型，分别寻找区域综合能源系统和多区域综合能源系统的修正最小生成树，构建经济可靠的互联网络。最后，通过仿真验证了优化模型和策略的有效性。
零排放社区能源系统投资的聚类方法评估
摘要 —本文研究了在设计零排放社区 (ZEN) 的能源系统时使用聚类的方法。ZEN 是旨在在其生命周期内实现净零排放的社区。虽然以前的工作已经使用和研究了聚类来设计社区的能源系统，但没有一篇文章涉及像 ZEN 这样的社区，这些社区对太阳辐照度时间序列有很高的要求，包括 CO 2 因子时间序列，并且零排放平衡限制了可能性。为此，我们使用了几种方法并比较了它们的结果。结果一方面是聚类本身的性能，另一方面是使用数据的优化模型中每种方法的性能。测试了与聚类方法相关的各个方面。研究的不同方面包括：目标（聚类以获得天数或小时数）、算法（k 均值或 k 中心点）、规范化方法（基于标准偏差或值范围）和启发式的使用。结果强调，k-means 提供的结果比 k-medoids 更好，并且 k-means 系统地低估了目标值，而 k-medoids 则不断高估了目标值。当可以选择聚类天数和小时数时，似乎聚类天数提供了最佳精度和求解时间。选择取决于优化模型使用的公式和对季节性存储建模的需求。归一化方法的选择影响最小，但值范围方法在求解时间方面显示出一些优势。当需要很好地表示太阳辐照度时间序列时，需要使用更多的天数或小时数。选择取决于什么样的求解时间是可以接受的。
通过级联机器学习模型和聚类技术增强欺诈检测
摘要银行欺诈检测是金融部门的至关重要的挑战，需要创新的方法来应对欺诈活动的发展。从传统的基于规则的系统开始，这项研究通过将机器学习算法与聚类技术合并，引入了开拓性方法。使用级联方法，依次使用适合不同欺诈模式的不同模型来对交易进行分类。该研究探索了各种模型集合以找到最有效的组合。实验结果强调了该方法在识别欺诈交易的同时保持较高的召回率时的有效性；实际上，这项工作强调了召回在该领域的重要性，而其他作品仅着眼于准确性。常规分类算法对所使用的数据集显示出效率低下，表现为平均召回率始终如一；相反，所提出的方法在准确性和召回方面产生了重大改善。对假阳性和负面因素的细致分析证实了该系统的稳健性，并承诺对未发现欺诈案件的财务损失有稳固的保障。
MACR：一种新型的元热疗法，以优化聚类和
摘要：设计无线传感器网络的主要重点在于优化能源效率，尤其是通过实施路由和聚类技术。本研究旨在提出群集路由协议，这些方案有效地保存无线传感器网络中的能量。一开始，我们采用了Honey Badger算法来选择簇头。使用此技术，我们可以考虑到剩余能量和节点接近度之类的东西，从所有传感器中选择最有效的簇头。使用非洲水牛优化技术完成了基站和集群头之间的通信路由。参数（例如残留能量和节点度）用于确定从源到目的地的最短路径。可以通过一系列模拟来确认所提出的模型的有效性，这是实验验证过程的一部分。将建议的MACR协议与低能量自适应聚类层次结构（LEACH），混合能源有效分布式分布（HEED），基于模糊的增强学习数据收集（FRLDG）以及基于模糊规则的能源有效的群集和免疫吸引人的聚类（FEEC-IIR）（FEEC-IIR），以及延迟的延迟及其延迟，以及延迟的延迟，以及延迟的延迟。建议的协议执行。和能源消耗。