XiaoMi-AI文件搜索系统
World File Search System朴素
使用 3-d 加速度计进行手势识别 - SMEC
摘要：基于手势的交互是一种自然的人机交互方式，在普适计算环境中有着广泛的应用。本文提出了一种基于加速度的手势识别方法，称为 FDSVM（基于帧的描述符和多类 SVM），该方法仅需要可穿戴的三维加速度计。使用 FDSVM，首先收集手势的加速度数据并用基于帧的描述符表示，以提取判别信息。然后构建基于 SVM 的多类手势分类器以在非线性手势特征空间中进行识别。在包含数周内 12 个手势的 3360 个手势样本的数据集上进行的大量实验结果表明，所提出的 FDSVM 方法明显优于其他四种方法：朴素贝叶斯、DTW、HMM 和 C4.5。在用户相关的情况下，FDSVM 对 4 个方向手势的识别率为 99.38%，对所有 12 个手势的识别率为 95.21%。在用户无关的情况下，它对 4 个手势的识别率为 98.93%，对 12 个手势的识别率为 89.29%。与文献中报道的其他基于加速度计的手势识别方法相比，FDSVM 在用户相关和用户无关的情况下均能给出最佳结果。
使用 3-d 加速度计进行手势识别 - SMEC
摘要：基于手势的交互是一种自然的人机交互方式，在普适计算环境中有着广泛的应用。本文提出了一种基于加速度的手势识别方法，称为 FDSVM（基于帧的描述符和多类 SVM），该方法仅需要可穿戴的三维加速度计。使用 FDSVM，首先收集手势的加速度数据并用基于帧的描述符表示，以提取判别信息。然后构建基于 SVM 的多类手势分类器以在非线性手势特征空间中进行识别。在包含数周内 12 个手势的 3360 个手势样本的数据集上进行的大量实验结果表明，所提出的 FDSVM 方法明显优于其他四种方法：朴素贝叶斯、DTW、HMM 和 C4.5。在用户相关的情况下，FDSVM 对 4 个方向手势的识别率为 99.38%，对所有 12 个手势的识别率为 95.21%。在用户无关的情况下，它对 4 个手势的识别率为 98.93%，对 12 个手势的识别率为 89.29%。与文献中报道的其他基于加速度计的手势识别方法相比，FDSVM 在用户相关和用户无关的情况下均能给出最佳结果。
推荐引用 推荐引用 Simpson, Jesse D.，“人工智能和图论在网络欺凌中的应用”（2020 年）。密歇根州立大学研究生论文。3535。https://bearworks.missouristate.edu/theses/3535
网络欺凌是当今在线社交媒体中持续存在的破坏性问题。辱骂用户利用社交媒体向无辜的社交媒体用户发送帖子、私人消息、推文或图片，进行网络骚扰。检测和预防网络欺凌案件至关重要。在这项工作中，我分析了多种机器学习、深度学习和图形分析算法，并探索了它们的适用性和性能，以寻求一个强大的网络欺凌检测系统。首先，我评估了机器学习算法支持向量机、朴素贝叶斯、随机森林、决策树和逻辑回归的性能。这产生了积极的结果，并获得了 86% 以上的准确率。使用进化算法实现了进一步的增强，从而改善了机器学习模型的整体结果。深度学习算法是下一个实验，其中从训练时间和性能方面监测效率。接下来，进行了循环神经网络和分层注意力网络的分析，准确率达到 82%。最终的研究项目使用图形分析来探索不同社交媒体用户之间的关系，并分析发现发布攻击性消息的用户的连通性和社区。
磁铁 中子散射 无机环
贡献者的风格多种多样。20 世纪 60 年代中期，对称性游戏发展非常迅速；人们进行推测并获得了回报。那些日子似乎已经过去了，那些试图进行革命的人的贡献总体上并不十分鼓舞人心。如果没有对朴素夸克模型基础的强烈偏见，达利茨评论中的大量证据，加上米特拉的评论，将使该理论得到普遍接受。如果有人发现夸克，那将是令人信服的，但正如琼斯遗憾地总结的那样，“我怀疑大多数实验主义者认为物理夸克要么不可观察，要么不存在”。利普金关于夸克模型作为强子动力学指南的讨论很有趣，例如梅什科夫、大久保和奥弗塞斯对对称性预测与实验的各种比较也很有趣。还有关于电流代数、部分守恒轴向矢量电流 (PCAC)、无限多重态等的论文。Yodh 有一篇非常详尽的文章，介绍了对称方案预测的 E* 共振的实验情况。但人们觉得可以通过查阅粒子数据组 (免费) 的最新出版物来获取更多最新信息。COLIN WrLKIN
一种鲁棒的隔离自动语音识别系统...
人类和机器都使用语音识别系统。各种研究人员已经开发了许多语音识别系统。例如语音识别、说话人验证和说话人识别。语音识别系统的基本阶段是预处理、特征提取、特征选择和分类。已经进行了大量工作来改进所有这些阶段以获得准确和更好的结果。本文主要关注在语音识别系统中添加机器学习。本文介绍了 ASR 的架构，有助于了解语音识别系统的基本阶段。然后重点介绍了机器学习在 ASR 中的应用。本文的一部分还介绍了各种研究人员使用支持向量机和人工神经网络所做的工作。除了这篇评论外，还介绍了使用 SVM、ELM、ANN、朴素贝叶斯和 kNN 分类器所做的工作。模拟结果表明，使用 ELM 分类器可实现最佳准确度。本文的最后一部分介绍了使用所提出的方法获得的结果，其中使用了 SVM、带有 Cuckoo 搜索算法的 ANN 和带有反向传播分类器的 ANN。重点还在于改进预处理和特征提取过程。
验证虚拟现实训练模拟 - NATO STO
虚拟现实和其他以场景为导向的计算机方法在现代武装部队训练中变得无处不在，以解决日益增长的作战节奏需求与传统训练方法的局限性之间的差距。虚拟环境中物理和视觉效果的保真度已大幅提高，这在很大程度上是由于游戏行业的进步使此类模拟变得有趣。现在，人们对这些模拟中计算机生成的代理的表示保真度要求越来越高。然而，我们如何知道它们是否具有任何训练价值？也许更好的问题是“需要什么级别的计算机代理表示才能产生有效的训练？”不幸的是，由于引人注目的视觉效果和对“朴素现实主义”的信念，大多数训练模拟都被认为是有效的；很少有经过严格验证的，而且对更具代表性的人类模型的需求可能也会产生类似的影响。本文将回顾培训师可以采用的一些验证方法来评估基于模拟的培训的总体培训效果，并开始讨论如何确定对人类代表的适当投资以实现积极的培训转移。
消费者问题分类模型...
摘要 摩托车在日常活动中发挥着重要作用。摩托车是印度尼西亚经常使用的交通工具之一。印度尼西亚使用的摩托车数量在不断增加。因此，摩托车问题的发生会影响社区活动并扰乱社会经济状况。由于摩托车问题可能随时发生，因此需要通过提供在线咨询平台采取预防措施。然而，需要一个分类模型来处理有关摩托车问题的广泛问题。通过将这些问题分类到特定的问题类别中，可以更快地将解决方案交付给消费者。在本研究中，我们开发了预测模型来对消费者问题进行分类。数据集是从消费者关于经常发生的摩托车问题的问题中收集的。该模型是使用两种机器学习算法开发的，即朴素贝叶斯和支持向量机 (SVM)。使用 n-gram 和词频-逆文档频率 (TF-IDF) 方法执行文本向量化。结果表明,采用单三元模型的SVM模型效果更佳,准确率和F值分别为0.910和0.910。
使用猪实验模型中的定量脑电图预测创伤性脑损伤的颅内压升高
摘要：在创伤性脑损伤 (TBI) 中，连续无创地测量颅内压 (ICP) 对于识别升高的 ICP (IICP) 非常重要，这可以减少治疗延误。本研究的目的是开发一种基于脑电图 (EEG) 的猪 TBI 模型中的 IICP 预测模型。30 头猪被麻醉，并通过在颅内充气 Foley 导管进行 IICP。每 6 分钟以 10 mmHg 的增量收集一次 ICP 的单通道 EEG 数据，从基线到 50 mmHg。我们开发了基于 EEG 的模型来预测 IICP（等于或超过 25 mmHg），使用四种算法：逻辑回归 (LR)、朴素贝叶斯 (NB)、支持向量机 (SVM) 和随机森林 (RF)。我们根据准确性、灵敏度、特异性和 AUC 值评估了每个模型的性能。各预测模型对IICP的准确率分别为SVM 0.773、NB 0.749、RF 0.746和LR 0.706。各模型的AUC分别为SVM 0.860、NB 0.824、RF 0.802和LR 0.748。我们在猪TBI实验模型中使用单通道EEG信号建立了IICP的机器学习预测模型。SVM模型表现出良好的预测能力，AUC值最高。
课程名称：BME1560 生物医学工程人工智能（2022 年秋季）
课程描述：本课程为研究生提供在机器学习和深度学习领域应用生物医学应用的广度和深度。本课程首先介绍基本的机器学习算法，包括监督学习（例如逻辑回归、朴素贝叶斯、决策树等）和无监督学习（k-means、层次聚类）。随后将描述其他基本概念，例如分类器评估和统计测试以比较分类器。下一部分是研究用于各种生物医学应用的不同深度学习模型（研讨会形式），处理多种类型的数据，包括但不限于生物信号、生理数据、环境数据、语音、文本、图像和视频。将讨论用于顺序和非顺序数据的不同类型的监督和非监督框架，包括前馈神经网络、卷积神经网络、自动编码器、长短期记忆、时间卷积网络。在最后一部分，将讨论应用于生物医学应用的高级深度学习架构，包括生成对抗网络和对比学习。本课程将包括编程作业（2）、论文评论和小组项目（1-3 人团队）。
人工智能辅助疾病预测
人工智能（AI）是一种在经过编程以模仿人类行为的机器中模拟和扩展人类智能的新技术[1,2]。人工智能主要包括机器学习（ML）、机器人、图像识别、语言识别、神经网络（NN）、自然语言处理和专家系统[3]。人工智能的基本内容包括研究知识表示、机器感知、机器思维、机器行为和机器学习。其中，机器学习是人工智能的核心。机器学习主要研究如何使计算机获得类似于人的学习能力，使其能够通过学习自动获取知识[4]。目前，机器学习的常见算法包括：决策树[5]、朴素贝叶斯分类器（NBC）[6]、支持向量机算法（SVM）[7]、随机森林、多元线性回归（MLR）、人工神经网络（ANN）算法、boosting和bagging算法、逻辑回归（LR）、k最近邻（KNN）。图1显示了人工智能、机器学习和医学的领域和关系。机器学习的学习机制是模拟人类获取知识和技能的能力。ANN是一种信息处理工具，由多个感知器以一定的方式连接起来[8, 9]。与人脑中的神经元类似，神经元堆叠并连接