XiaoMi-AI文件搜索系统
World File Search System特征提取
时间相关 LiDAR 直方图的特征提取及基于神经网络的分析
摘要：时间相关单光子计数 (TCSPC) 用于获取单光子雪崩二极管产生的飞行时间 (TOF) 信息。由于每个直方图的测量值受限且存在高背景光，因此很难在统计直方图中获得 TOF 信息。为了提高这些条件下的稳健性，将机器学习的概念应用于统计直方图。使用我们介绍的多峰提取方法，然后进行基于神经网络的多峰分析，可以将分析和资源集中在直方图中的少量关键信息上。评估多个可能的 TOF 位置并分配相关的软决策。与使用传统数字处理的情况相比，所提出的方法在恶劣条件下分配 TOF 的粗略位置 (± 5 %) 时具有更高的稳健性。因此，它可以用于提高系统的稳健性，尤其是在高背景光的情况下。
工业控制系统中异常检测的特征提取
摘要工业系统的威胁格局正在快速发展，网络攻击变得越来越复杂，有针对性和动机。这种情况应该引起许多担忧，因为工业控制系统与互联网以及网络物理系统和工业互联网的扩散越来越多。在这些情况下，对攻击的准确检测至关重要。鉴于复杂性，特殊性和网络攻击的确定，物联网和工业系统中安全风险环境的迅速性是引起人们关注的原因。由于工业控制系统与互联网的扩展以及广泛采用网络物理系统的扩展，此问题变得尤为问题。在这项工作中，我们引入了一种新的方法来改善特征提取过程。该解决方案显示了多功能性，不仅可以作为识别网络攻击的独立工具运行，而且更重要的是，作为预处处理用于与人工智能模型集成的原始数据包数据的宝贵工具。提出的解决方案是开发出来的，重点是满足工业部门的特定网络安全需求。这种方法是由工业景观的当务之急驱动的，在这种情况下，保护关键系统免受网络威胁至关重要。此外，我们的系统在工业数据集上进行了测试，该数据集证明了我们在工业环境中特殊背景下解决方案的适用性和功效。这些测试的结果有助于验证我们的方法。
探索用于脑电图特征提取的卷积神经网络架构
摘要：本文的主要目的是提供有关如何创建卷积神经网络 (CNN) 以从 EEG 信号中提取特征的信息。我们的任务是了解为各种应用场景创建和微调 CNN 的主要方面。我们考虑了 EEG 信号的特征，并探索了各种信号处理和数据准备技术。这些技术包括降噪、滤波、编码、解码和降维等。此外，我们对众所周知的 CNN 架构进行了深入分析，将它们分为四个不同的组：标准实现、循环卷积、解码器架构和组合架构。本文还对这些架构进行了全面评估，涵盖了准确度指标、超参数和附录，其中包含一个表格，概述了用于从 EEG 信号中提取特征的常用 CNN 架构的参数。
使用...进行 3D 脑切片分类和特征提取
脑肿瘤是最常见的、最严重的癌症类型，大多数晚期患者的预期寿命只有几个月。因此，制定最佳治疗方案对于提高患者的抗癌能力和生活质量至关重要。各种成像方式，如计算机断层扫描 (CT)、磁共振成像 (MRI) 和超声成像，通常用于评估脑肿瘤。这项研究提出了一种提取和分类 3D 脑切片图像中肿瘤特征的新技术。对输入图像进行去噪、调整大小和平滑处理后，使用感兴趣体积 (VOI) 提取脑肿瘤的特征。然后使用基于表面、曲线和几何图案的可变形分层启发式模型-深度反卷积残差网络 (DHHM-DDRN) 对提取的特征进行分类。实验结果表明，所提出的方法对脑癌特征的分类准确率为 95%，DSC 为 83%，精确率为 80%，召回率为 85%，F1 得分为 55%。
使用机器学习技术进行图像分析和检测的特征提取
iii.i f Eature e xtraction存在许多特征提取的方法，本文将重点介绍三种方法：HOG，DCT和CNN。将选择这些方法的最佳结果以前进到下一阶段。HOG主要使用梯度提供有关图像内容的信息，尤其是对于边缘和角落，这些信息更适合对象检测。DCT主要用于将空间信息转换为频率信息，这些信息提供了有关图像质量的更多信息，并根据图像的频率参数对图像进行了分配。CNN主要用于图像分类。它适用于特征图像提取，因为它可以减少所需的参数数量，而不会以高精度影响图像质量。网络层是针对适合其他任务的大量图像的培训，尤其是对象识别。
基于自动编码器的特征提取到鲁棒的基于SSVEP的BCIS
摘要：对于具有肌萎缩性侧面硬化症（ALS）的受试者，言语和非言语通知受到很大的损害。基于视觉诱发电位（SSVEP）的大脑计算机界面（BCIS）是成功的替代增强通信之一，可帮助ALS与他人或设备进行通信。对于实际应用，噪音的影响大大降低了基于SSVEP的BCI的性能。因此，开发基于SSVEP的强大BCI对于帮助受试者与他人或设备进行交流非常重要。在这项研究中，提出了基于噪声抑制的特征提取和深度神经网络，以开发出强大的基于SSVEP的BCI。为了抑制噪音的影响，提出了一种denoising自动编码器来提取降解功能。为了获得实用应用的可接受识别结果，深层神经网络用于发现基于SSVEP的BCI的决策结果。实验结果表明，所提出的方法可以有效地抑制噪声的影响，并且基于SSVEP的BCI的性能可以大大改善。此外，深神经网络的表现优于其他方法。因此，提出的基于SSVEP的BCI对实际应用非常有用。
利用量子卷积神经网络进行去中心化特征提取
本报告是由美国政府某个机构资助的工作报告。美国政府或其任何机构、其雇员、承包商、分包商或其雇员均不对所披露信息、设备、产品或流程的准确性、完整性或任何第三方的使用或此类使用结果做任何明示或暗示的保证，或承担任何法律责任或义务，或表示其使用不会侵犯私有权利。本文以商品名、商标、制造商或其他方式提及任何特定商业产品、流程或服务，并不一定构成或暗示美国政府或其任何机构、其承包商或分包商对其的认可、推荐或支持。本文表达的作者的观点和意见不一定代表或反映美国政府或其任何机构的观点和意见。
一种基于健康脑表面肌电图的机器学习特征提取新方法
摘要：特征提取是基于表面肌电（sEMG）模式识别的多功能假肢控制中最重要的步骤之一。本文提出了一种基于肌肉活跃区域的sEMG特征提取新方法。设计了一个实验，利用不同的特征对四种手部运动进行分类。该实验用于证明新特征具有更好的分类性能。实验结果表明，新特征活跃肌肉区域（AMR）比传统特征平均绝对值（MAV）、波形长度（WL）、零交叉（ZC）和斜率符号变化（SSC）具有更好的分类性能。AMR、MAV、WL、ZC和SSC的平均分类误差分别为13％、19％、26％、24％和22％。新的EMG特征基于手部运动和前臂活跃肌肉区域的映射关系。这种映射关系已经在医学中得到证实。通过新的特征提取算法从原始EMG信号中获得活跃肌肉区域数据。从该算法获得的结果可以很好地表示手部运动。另一方面，新特征向量大小比其他特征小很多，新特征可以降低计算成本，证明了AMR可以提高sEMG模式识别的准确率。
HDnn-PIM：具有特征提取的超维计算高效内存设计
摘要 受大脑启发的超维 (HD) 计算是一种新的机器学习方法，它利用简单且高度可并行化的操作。不幸的是，迄今为止已发布的 HD 计算算法都无法准确地对更复杂的图像数据集（例如 CIFAR100）进行分类。在这项工作中，我们提出了 HDnn-PIM，它通过使用内存处理实现复杂图像的特征提取和基于 HD 的分类。我们将 HDnn-PIM 与各种图像数据集的纯 HD 和 CNN 实现进行了比较。与纯 HD 计算相比，HDnn-PIM 的准确率提高了 52.4%。与最先进的 CNN 相比，它的准确率也提高了 1.2%，但内存占用减少了 3.63 倍，MAC 操作减少了 1.53 倍。此外，HDnn-PIM 比 RTX 3090 GPU 快 3.6 倍 –223 倍，比最先进的 FloatPIM 能效高 3.7 倍 [5]。
使用卷积神经网络进行 ADHD 分类的 fMRI 特征提取模型
生物医学智能为疾病和障碍的自动诊断提供了一种预测机制。随着计算生物学的进步，神经成像技术已广泛应用于临床数据分析。注意力缺陷多动障碍 (ADHD) 是一种精神障碍，其症状包括注意力不集中、冲动和多动，早期诊断对于预防不良后果至关重要。本研究通过评估多种特征提取方法，利用静息状态大脑的功能性磁共振成像 (fMRI) 数据解决 ADHD 识别问题。比较应用基于种子的相关性 (SBC)、低频波动分数幅度 (fALFF) 和区域同质性 (ReHo) 的特征来获得特异性和敏感性。这有助于确定使用卷积神经网络 (CNN) 进行 ADHD 分类的最佳特征。使用 fALFF 和 ReHo 的方法的准确率为 67%，而 SBC 的准确率在 84% 到 86% 之间，灵敏度在 65% 到 75% 之间。