XiaoMi-AI文件搜索系统
World File Search System最近邻
使用 KNN 算法评估学习者能力的有效通用评估框架
摘要。如今，在线评论和推荐系统在维护各种领域任何产品的质量方面发挥着重要作用。客户必须评估产品并根据自己的兴趣提供正面和负面评论。教育领域有各种评估阶段，即与员工相关、与学生相关和与组织相关等。通常，由于他们自己的协议和系统，评论仅限于特定的学院或大学。提出的框架是根据各自的配置实现通用评论系统。引入了各种模板以获得准确的评论和良好的评估结果。该框架使用抽象层建模。用户界面层为使用定制设计系统的用户提供完整支持。审查层通过检索和存储凭证以进行进一步审查处理来处理不同的所有数据。应用程序配置层用于提供模板，用于分配凭证和授权，并完成系统配置。最终报告用于评估过程，以采取纠正措施进一步改进。对评论进行分类是为了实现高水平的准确性。该框架的主要目标是使用 KNN（K 最近邻）算法对学生评论进行高效分类。
量子态转移：通过自旋链优化和构建的协议
大量研究已经概述了适当的光谱在通过自旋链镜像反转实现量子信息传输中的关键作用。通过结合数值和分析方法，研究人员已经确定了有利于完美或近乎完美状态转移（PST-PGST）的最近邻耦合和现场能量的配置。一个特别有效的模型，源自等距光谱（Christandl 等人），依赖于跨位点的强烈不均匀耦合，同时保持局部磁场不变。通过使用进化数值方法，特别是定制的遗传算法，我们发现了一种替代光谱。这种替代光谱仅通过调节现场能量即可实现高保真度的传输。这个光谱，最多大约一个位点，可以实现完全均匀的耦合，从而简化了实验要求。我们还使用了逆特征值方法中的辅助数值方法来提供辅助分析，以区分准完美状态转移 (QPST) 和 PST，并强调两者之间的权衡。通过这些分析，我们可以提出替代方案，为实验实施提供潜在优势，同时仍以完美或近乎完美的状态转移为目标。
用于家庭康复的个性化负责任人工智能
摘要：COVID-19 后的社会经济原因要求进行无人监督的家庭康复，特别是需要个性化的人工智能来支持参与和激励。人工智能还必须符合问责制、责任制和透明度 (ART) 要求，以获得更广泛的接受。本文介绍了一种以患者为中心的个性化家庭康复支持系统。为此，计时起立行走 (TUG) 和五次坐立 (FTSTS) 测试评估了在存在或发展合并症的情况下的日常生活活动表现。我们提出了一种生成合成数据集的方法，以补充实验观察并减轻偏见。我们提出了一种增量混合机器学习算法，该算法结合了集成学习和混合堆叠，使用极端梯度提升决策树和 k-最近邻来满足个性化、可解释性和 ART 设计要求，同时保持较低的计算占用空间。该模型在预测相关患者医疗状况时，FTSTS 和 TUG 的准确率高达 100%，在预测测试部分中的困难区域时，准确率分别达到 100% 或 83.13%。与以前使用摄像头等侵入式监控手段的方法相比，我们的结果显示，FTSTS 和 TUG 测试分别提高了 5% 和 15%。
基于人工智能的民用城市空中交通探索性网络物理安全分析框架
摘要：城市空中交通 (UAM) 已成为服务于智能公民的潜在文明候选者，例如通过送货、监视和空中出租车。然而，由于商用 UAM 使用公开可用的通信基础设施，这增加了干扰和欺骗攻击以窃取或撞毁 UAM 中的飞行器的风险，因此安全问题日益严重。为了保护商用 UAM 免受网络攻击和盗窃，本文提出了一种基于人工智能 (AI) 的探索性网络物理安全分析框架。所提出的框架设计了基于监督学习的 AI 方案，例如决策树、随机森林、逻辑回归、K 最近邻 (KNN) 和长短期记忆 (LSTM)，用于预测和检测网络干扰和欺骗攻击。然后，开发的框架基于控制消息之间的皮尔逊相关系数分析条件依赖关系，以根据 AI 算法的结果查找潜在攻击的原因。本研究将 UAM 姿态控制场景作为确定干扰和欺骗攻击的用例，以使用最先进的无人机攻击数据集验证所提出的框架。实验结果表明，所提出的框架的有效性，使用决策树、随机森林和 KNN 进行干扰和欺骗检测的准确率约为 99.9%，同时有效地找到攻击的根本原因。
神经元特性在机器学习中的应用：用于数据分类的类脑神经模型
摘要：一些神经模型在图像识别、语义分割和自然语言处理中取得了优异的效果，然而，它们在不涉及特征提取的结构化和小规模数据集上的分类性能不如传统算法，尽管它们需要更多的训练时间。在本文中，我们提出了一种具有交互式刺激的类脑神经模型（NMIS），专注于数据分类。它由一个扮演不同认知角色的初级神经场和一个高级神经场组成。前者用于对应特征空间中的真实实例，后者存储类别模式。初级场中的神经元通过交互式刺激交换信息，它们的激活通过场间相互作用传递到高级场，分别模拟神经元相互作用和突触可塑性的机制。所提出的NMIS在生物学上是合理的，不涉及复杂的优化过程。因此，它在小规模和结构化数据集上表现出比传统BP神经网络更好的学习能力。对于大规模数据分类，提出了一种优化版本的最近邻 NMIS（NN_NMIS）来提高计算效率。在一些 UCI 数据集上进行的数值实验表明，所提出的 NMIS 和 NN_NMIS 明显优于机器学习中广泛使用的一些分类算法。
文章基于眨眼率、PERCLOS 和鼠标速度检测核电站主控室操作员疲劳
摘要：疲劳影响核电站主控室（MCR）操作人员的安全操作，准确快速地检测操作人员的疲劳状态对安全操作具有重要意义。研究旨在探索一种利用操作人员眨眼频率、规定时间内闭合的帧数（PERCLOS）和鼠标速度变化趋势来检测操作人员疲劳的方法。在模拟操作实验任务中，采用基于逆协方差的Toeplitz聚类方法（TICC）对非侵入式技术捕获的相关数据进行疲劳等级判断。根据判断结果对数据样本赋予疲劳等级标记。然后，利用监督学习技术识别不同等级疲劳样本的数据，利用监督学习对操作人员的不同疲劳等级进行分类。根据监督学习算法在不同时间窗口（20 s–60 s）、不同时间步长（10 s–50 s）和不同特征集（眼、鼠标、眼加鼠标）的分类性能表明，K最近邻（KNN）在以上多个指标的组合中表现最佳。它的准确率为91.83％。所提出的技术可以在10秒内实时检测操作员的疲劳程度。
利用人工智能预测马拉松成绩
尽管研究使用机器学习算法来预测体育活动中的表现，但据我们所知，没有一项研究在马拉松跑步项目中使用和验证两种人工智能技术：人工神经网络 (ANN) 和 k 最近邻 (KNN)，并比较预测表现的准确度或精确度。通过 820 名运动员（年龄 21 岁，同年跑过 10 公里和一场跑得较慢的马拉松等）的数据集，对 2019 年法国 10 公里公路和马拉松赛事的官方排名进行了审查。对于 KNN 和 ANN，使用相同的输入（10 公里比赛时间、身体质量指数、年龄和性别）来解决线性回归问题以估计马拉松比赛时间。两种方法的实际马拉松表现和预测表现之间没有差异（p > 0,05）。所有预测成绩与实际成绩均具有显著相关性，相关系数非常高（r > 0.90；p < 0.001）。KNN 优于 ANN，平均绝对误差为 2.4 vs 5.6%。该研究证实了两种算法的有效性，KNN 在预测马拉松成绩方面的准确性更高。因此，这些人工智能方法的预测可用于训练计划和比赛。
多机器人可扩展覆盖路径规划... - NSF PAR
摘要 — 本文介绍了一种新颖的多机器人覆盖路径规划 (CPP) 算法 - 又名 SCoPP - 该算法提供了一种时间高效的解决方案，根据多机器人系统中的每个机器人的初始状态，为其提供工作负载平衡的计划。该算法考虑了指定关注区域中的不连续性（例如，禁飞区），并使用离散的、计算效率高的最近邻路径规划算法为每个机器人提供了优化的有序路径点列表。该算法涉及五个主要阶段，包括将用户输入转换为地理坐标中的一组顶点、离散化、负载平衡分区、在离散空间中拍卖冲突单元以及路径规划程序。为了评估主要算法的有效性，考虑了多无人机 (UAV) 洪灾后评估应用，并在三个不同大小的测试地图上测试了该算法的性能。此外，我们还将我们的方法与 Guasella 等人创建的最新方法进行了比较。进一步分析了 SCoPP 的可扩展性和计算时间。结果表明，SCoPP 在任务完成时间方面更胜一筹；对于一个由 150 个机器人组成的团队覆盖的大地图，其计算时间不到 2 分钟，从而证明了其计算可扩展性。
使用游戏引擎和真实车辆进行驾驶员行为建模
高级驾驶辅助系统 (ADAS) 中，速度建议辅助 (ASA) 通过向智能汽车驾驶员显示建议车速，有助于提高驾驶安全性并可能提高能源效率。然而，由于感知和反应延迟以及车辆控制不完善，经常会出现基于驾驶员的速度跟踪误差，从而降低了 ASA 系统的有效性。在本研究中，我们提出了一种基于学习的驾驶员行为建模方法，旨在实时预测和补偿速度跟踪误差。首先使用 k-最近邻 (k-NN) 算法根据驾驶员的驾驶行为将受试者驾驶员分为不同类型。然后采用非线性自回归 (NAR) 神经网络来预测每个驾驶员产生的速度跟踪误差。在基于 Unity 游戏引擎的驾驶模拟器平台中创建了一个特定的交通场景，其中 ASA 系统通过平视显示器 (HUD) 向驾驶员提供建议驾驶速度。 17 名志愿驾驶员进行了人机在环仿真研究，结果表明，在补偿速度跟踪误差的情况下，速度误差方差降低了 53%，能耗降低了 3%。通过在实际乘用车上进行现场实施，进一步验证了结果。
使用机器学习和神经网络对脑电信号进行情感分析
摘要 — 情绪对人的思维方式和与他人的互动方式有重大影响。它是人的感觉与行为之间的纽带，或者可以说它有时会影响一个人的生活决定。由于情绪及其反映的模式因人而异，因此必须基于对广泛人群区域有效的方法进行探究。为了提取特征并提高准确性，使用脑电波或脑电图信号进行情绪识别需要实施有效的信号处理技术。人机交互技术的各种方法已经存在了很长时间，近年来，研究人员在使用脑信号自动理解情绪方面取得了巨大成功。在我们的研究中，使用 SVM（支持向量机）、KNN（K 最近邻）和高级神经网络模型 RNN（循环神经网络）对从著名的公开数据集 DEAP 数据集收集的脑电图信号进行了几种情绪状态的分类和测试，并使用 LSTM（长短期记忆）进行训练。本研究的主要目的是改进使用脑信号提高情绪识别性能的方法。另一方面，情绪会随着时间而变化。因此，我们的研究也考察了情绪随时间的变化。索引词 — 情绪识别、EEG 信号、DEAP 数据集、fft、机器学习、SVM、KNN、DEAP、RNN、LSTM