XiaoMi-AI文件搜索系统
World File Search System测试精度
数字孪生中的人工智能 - 亚马逊 AWS
摘要 随着数字化进程的推进，大数据、人工智能、云计算、数字孪生、边缘计算等先进的计算机技术被应用于各个领域。为研究数字孪生与人工智能结合的应用现状，本文通过研究目前已发表文献的研究成果，对人工智能在数字孪生中的应用及前景进行分类，探讨数字孪生在航空航天、生产车间智能制造、无人驾驶汽车、智慧城市交通四个领域的应用现状，并回顾当前的挑战和未来需要期待的课题。研究发现，数字孪生与人工智能的融合在航空航天飞行检测仿真、故障预警、飞机装配，乃至无人驾驶飞行中都有显著的效果。在汽车自动驾驶虚拟仿真测试中，可以节省80%的时间和成本，相同路况降低实际车辆动力学模型的参数规模，大大提高测试精度。在智能制造生产车间，建立虚拟车间环境，可以及时故障预警，延长设备使用寿命，保障车间整体运行安全；在智慧城市交通中，模拟现实道路环境，还原交通事故，使交通
设计和开发心脏病预测的有效解释的AI框架
摘要 - 心脏病仍然是全球健康的关注，要求对改善患者预后的早期和准确的预测。机器学习提供了有希望的工具，但是现有的方法面临准确性，阶级失衡和过度拟合问题。在这项工作中，我们提出了一种有效的可解释的递归特征消除，具有极端梯度提升（ERFEX）心脏病预测的框架。ERFEX利用可见的AI技术来识别关键特征，同时降低了阶级不平衡问题。我们在ERFEX框架内实施了各种机器学习算法，利用了支持矢量机器的合成少数群体过度采样技术（SVMSMOTE）和Shapley添加说明（SHAP），用于不平衡的集体处理和功能选择。在这些模型中，ERFEX框架内的随机森林和XGBoost分类器可实现100％的训练精度和98.23％的测试精度。此外，Shap Analysis还提供了对特征重要性的可解释见解，从而提高了模型的可信度。因此，这项工作的结果证明了Erfex对准确且可解释的心脏病预测的潜力，为改善临床决策铺平了道路。
深度学习和可解释的土豆叶疾病分类的AI
马铃薯叶疾病的准确分类在确保作物的健康和生产力方面起着关键作用。本研究通过利用可解释的AI（XAI）和在深度学习框架内转移学习的力量来解决这一挑战的统一方法。在这项研究中，我们提出了一种基于转移学习的深度学习模型，该模型是针对马铃薯叶疾病分类而定制的。转移学习使该模型能够受益于经过训练的神经网络架构和权重，从而增强了其从有限标记的数据中学习有意义表示的能力。此外，将可解释的AI技术集成到模型中，以提供对其决策过程的可解释见解，从而有助于其透明度和可用性。我们使用公开可用的马铃薯叶病数据集训练该模型。获得的验证精度为97％，测试精度为98％。本研究应用梯度加权类激活映射（Grad-CAM）来增强模型的解释性。这种可解释性对于提高预测绩效，促进信任和确保无缝融合到农业实践至关重要。
使用改良的Googlenet预测心脏病...
摘要：根据世界卫生组织（WHO）的数据，诊断心脏病是一项伟大的任务，因为心脏病（HD）是全球最普遍的疾病。我们提出了一种基于心脏声音的方法来处理这一困难问题，因为心脏声音（HS）是检测心脏状况的重要组成部分。在建议的策略中使用了特征提取技术和分类器。我们使用GoogleNet卷积神经网络（CNN）结构进行一些修改，以将HS的最关键属性分开，并且根据这些属性，心脏病被分类为患病或未患病的患病。使用Adabelief Optimizer训练该模型，以调整我们修改的GoogLenet架构的参数。使用Physionet 2016的各种数据集对模型进行了培训和验证。通过将Pascal数据集与Physionet 2016数据集集成在一起，提供了其他培训样本。此外，来自各种来源的各种样本使我们的系统能够更准确地了解日常生活中的声音。我们的结果表明，使用Adabelief Optimizer进行修改的Googlenet架构，训练有素的模型分别在Physionet和合并数据集的看不见的HS录音中获得了100％和99.9％的测试精度。通过将我们提出的模型与这些数据集中的官员Physionet网站上列出的得分最高的方法进行比较，结果显示出显着改进。
填补空白：探索生成式人工智能以增强异构移动边缘设备的联邦学习
摘要 — 由于边缘设备的数据和资源异构性，在移动边缘网络上进行分布式人工智能 (AI) 模型训练面临重大挑战。前者阻碍了全局模型的收敛速度，而后者降低了设备的资源利用效率。在本文中，我们提出了一种生成式 AI 赋能的联邦学习来应对这些挑战，它利用了填充本地数据缺失部分 (FIMI) 的思想。具体而言，FIMI 可以被视为一种资源感知的数据增强方法，可在确保高效的 FL 训练的同时有效缓解数据异构性。我们首先量化训练数据量和学习性能之间的关系。然后，我们研究 FIMI 优化问题，目标是在所需学习性能约束下最小化设备端总体能耗。利用基于分解的分析和交叉熵搜索方法得出解决方案，其中为每个设备分配合适的 AI 合成数据和资源利用策略。实验结果表明，与现有方法相比，FIMI 可以节省高达 50% 的设备端能量，以达到目标全局测试精度。同时，FIMI 可以显著提高非独立同分布 (non-IID) 数据下的收敛全局精度。
使用CNN
癌症是不良细胞的进展，可增加头骨内颅内压。在大多数情况下，使用不同的图像技术，例如，CT扫描，MRI和超声检查图像用于评估头脑中的肿瘤，肺，怀抱，肝脏，前列腺等。通常通过磁共振成像（MRI）来完成心灵肿瘤的识别。主要缺点是找到确切的位置/位置。因此，找到基于图像检测，识别和分类疾病的手段和方法变得重要。可靠和自动分类系统对于避免人类死亡率很重要。在周围脑肿瘤区域的广泛空间和结构异质性中，脑肿瘤的自动分类非常困难。自动脑肿瘤发现，我们的主要目标是建立一个深度学习模型，该模型可以成功地识别并将图像分类为脑肿瘤（肿瘤）或不是脑肿瘤（非肿瘤）。在本文中，我们提出了一种基于CNN的转移学习方法，该方法使用VGG16（预训练模型）将大脑MRI扫描分为两类。实验结果表明，CNN归类为96.5％的训练精度和90％的测试精度，其复杂性低的训练精度与最新方法的所有其他方法都有区别。
Hybrid-rvit
阿尔茨海默氏病（AD）是全球残疾的主要原因。早期检测对于预防进展和制定有效的治疗计划至关重要。这项研究旨在开发一种新颖的深度学习（DL）模型，即混合RVIT，以增强AD的检测。所提出的混合-RVIT模型将预训练的卷积神经网络（RESNET-50）与视觉变压器（VIT）集成在一起，以对AD的不同阶段进行分类。用于转移学习，促进电感偏差和特征提取的Resnet-50。同时，VIT处理图像贴片的序列通过自我发项机制捕获长距离关系，从而充当局部全球特征提取器。Hybrid-Rvit模型的训练精度为97％，测试精度为95％，表现优于先前的模型。这证明了其在从脑MRI数据中准确识别和分类广告阶段的潜在疗效。将Resnet-50和VIT结合的混合动力模型在AD检测中表现出卓越的性能，强调了其作为医学专业人员解释和分析脑MRI图像的宝贵工具的潜力。该模型可以显着改善AD的早期诊断和干预策略。
纯粹的意识，熵和感知的基础
最小的现象经历（MPE）代表意识状态降低到其最基本的要素，从而构成了建模意识的独特挑战和机会。本文介绍了一个基于贝叶斯和主动推断对模型MPE的新型计算框架。我们提出，当精确加权主要转移到层次推理系统的较低水平时，会产生MPE，导致感知状态的特征是熵的增加和降低的复杂性。至关重要的是，对这种简化状态的认识是通过认知深度来促进的：与自身的反射性共享。因此，尽管意识的内容异常安静，但仍然存在对空体经验领域的反思性认识。然后，我们提出了一个内硅模拟，以测试精度分布和熵之间的关系，概述该模型如何生成合成的EEG数据以经验验证理论框架。通过这种计算方法来促进我们对纯粹意识的理解，我们为未来的研究提供了一个基础，以研究各种意识状态的机制，从而有助于对全面意识体验的全面理解。关键词：最低限度的现象经验，贝叶斯推断，主动推断，自由贯穿原理，熵，意识。
机器学习筛查工具，用于预测废水中药物化合物的提取产率
药物化合物已成为废水中越来越重要的污染物来源，因为它是传统的处理方法无效地去除它们的方法，因此它们通常被放入环境中。可以使用液体液体提取成功去除药物，并且可以使用宇宙RS预测相互作用并识别最有前途的溶剂。但是，COSMO热模型无法解释关键过程参数，从而降低了这些计算模型的准确性。因此，需要替代计算方法来准确预测可以纳入处理和相互作用变量的药物的提取产率。这项工作使用机器学习来预测使用八种溶剂的11种药物的提取产率。探索了六个回归模型和两个分类模型。使用ANN回归器（测试MAE：4.510，测试R 2：0.884）和RF分类器（测试精度：0.938，测试召回：0.974）获得了最佳性能。RF回归分析和分类还显示了关键的提取产率特征：溶剂与喂养比，N - 辛烷 - 水分系数，氢键，氢键和范德华对多余的焓的贡献，以及pH距离至最近的PKA。机器学习显示为筛选和选择最有希望的溶剂和过程条件的绝佳工具，以从废水中去除药物。
灵活的印刷有机电化学晶体管，用于在人造伤口渗出液中检测尿酸
摘要。珀金森氏病是一种从公认的临床帕金森氏综合症引起的进行性退行性疾病。帕金森氏病的节日包括运动和非运动症状，鉴定为震颤，弯曲运动（运动缓慢），僵化和姿势不稳定。pd被标记为各种研究和调查中最普遍的疾病之一，因为在100人中有90％被观察到。必须设计CAD以准确地确定该疾病的高级模型，因为最新的PD诊断没有准确的临床干预。与常规方法相反。深度学习卷积神经网络工具是指通过MRI对PD进行更快，准确的识别。这项研究的目的是有助于开发准确的PD检测方法。进行研究使用了公共数据集NTU（雅典国家技术大学）。数据样本分为三组（训练，测试和验证）。将与LSTM集成的densenet应用于MRI数据样本。densenet用于增强特征选择能力，因为每一层都根据图像的时间接近度选择特征。然后将输出馈入LSTM层，以发现时间特征中的显着依赖性。将提出的Densenet-LSTM的性能与其他CNN最先进的模型进行了比较。所提出的模型输出的训练精度为93.75％，测试精度为90％，验证精度分别为93.8％。