摘要 制造业(尤其是汽车行业)的客户对个性化产品的需求很高,而其价格水平与传统大规模生产相当。提供各种产品和以最低成本运营的目标与此相反,因此引入了基于混合模式装配线稳定订单顺序的高度生产计划和控制机制。这一发展面临的主要威胁是顺序混乱,它是由操作和产品相关的根本原因引发的。尽管引入了准时制和固定生产时间,但汽车行业的顺序混乱问题仍然没有得到部分解决。负面的下游影响包括准时制供应链中断,以及生产过程中断。在早期阶段精确预测顺序偏差允许引入对抗措施,在出现混乱之前稳定顺序。虽然程序原因在研究中得到了广泛解决,但手头的工作需要从不同的角度来考虑产品相关的观点。基于来自现实世界全球汽车制造商的独特数据,对监督分类模型进行了训练和评估。这包括设计、实施和评估 AI 工件的所有必要步骤,以及数据收集、预处理、算法选择和评估。为了确保长期预测稳定性,我们包括一个持续学习模块来应对数据漂移。我们表明,最多 50% 的主要偏差可以提前预测。但是,我们不考虑任何与过程相关的信息,例如机器状况和轮班计划,而只关注产品特征的利用,例如车身类型、动力传动系统、颜色和特殊设备。
摘要:脑癌在老年人和年轻人中最为常见,并且对老年人和年轻人都可能是致命的。如果能迅速诊断和治疗,脑肿瘤可以更好地治愈。在处理医学图像时,深度学习方法对于帮助人类诊断各种疾病至关重要。对脑肿瘤进行分类是一个必不可少的步骤,它在很大程度上依赖于医生的经验和培训。一个用于检测和分类这些肿瘤的智能系统对于使用 MRI(磁共振成像)图像进行脑肿瘤的非侵入性诊断至关重要。这项工作提出了一种基于 CNN 的新型混合深度学习结构,通过 MRI 扫描区分三种不同类型的人脑肿瘤。本文提出了一种使用深度学习和 CNN 进行分类的双重方法。第一种方法将用于模式分类的 SVM 无监督分类与用于特征提取的预训练 CNN(即 SqueezeNet)相结合。第二种方法将监督式软最大分类器与精细调整的 SqueezeNet 相结合。为了评估所提方法的有效性,使用脑部 MRI 扫描分析了总共 1937 张胶质瘤肿瘤图像、926 张脑膜瘤肿瘤图像、926 张垂体肿瘤图像和 396 张正常脑部图像。根据实验结果,精细调整的 SqueezeNet 模型的准确率为 96.5%。然而,当使用 SqueezeNet 作为特征提取器并应用 SVM 分类器时,识别准确率提高到 98.7%。
最佳的深脑刺激(DBS)治疗治疗运动障碍通常依赖于术中运动测试来确定目标测定。但是,在当前的实践中,运动测试依赖于主观解释和电机信息的相关性。计算机视觉的最新进展可以提高评估准确性。我们描述了我们对基于深度学习的计算机视野的应用,以进行无标记的跟踪,以测量接受DBS手术的患者的运动行为,以治疗帕金森氏病。视频记录是在术中术中获得的(n = 5患者),作为精确植入DBS电极的护理标准的一部分。运动学数据。手动和自动化(精度为80.00%)的方法都用于从阈值衍生的运动学幻觉中提取运动学发作。通过对抛物线贴合拟合进行建模上肢挠度来压缩主动运动时期。半监督分类模型,支持向量机(SVM),对抛物线拟合拟合定义的参数进行了训练,可靠地预测运动类型。在所有情况下,跟踪均经过良好的校准(即,重新投影像素误差0.016-0.041;准确性> 95%)。SVM预测的分类表现出很高的精度(85.70%),包括两个常见的上肢运动,臂链拉力(92.30%)和手工夹(76.20%),并使用每位患者的剩余过程验证了精度。常规电机测试程序这些结果表明,对于评估DBS手术的最佳大脑目标至关重要的运动行为的成功捕获和分类。
摘要:DeepFake已成为一项新兴技术,近年来影响网络安全的非法应用。大多数DeepFake检测器都利用基于CNN的模型(例如Xception Network)来区分真实或假媒体;但是,它们在交叉数据集中的表现并不理想,因为它们在当前阶段遭受过度的苦难。因此,本文提出了一种空间一致性学习方法,以三个方面缓解此问题。首先,我们将数据增强方法的选择提高到5,这比我们以前的研究的数据增强方法还多。具体来说,我们捕获了一个视频的几个相等的视频帧,并随机选择了五个不同的数据增强,以获取不同的数据视图以丰富输入品种。其次,我们选择了Swin Transformer作为特征提取器,而不是基于CNN的主链,这意味着我们的方法并未将其用于下游任务,并且可以使用端到端的SWIN变压器对这些数据进行编码,旨在了解不同图像补丁之间的相关性。最后,这与我们的研究中的一致性学习结合在一起,一致性学习能够比监督分类确定更多的数据关系。我们通过计算其余弦距离并应用传统的跨膜损失来调节这种分类损失,从而探索了视频框架特征的一致性。广泛的数据库和跨数据库实验表明,弹药效果可能会在某些开源的深层数据集中产生相对良好的结果,包括FaceForensics ++,DFDC,Celeb-DF和FaceShifter。通过将我们的模型与多种基准模型进行比较,我们的方法在检测深冰媒体时表现出相对强大的鲁棒性。
在本研究中,作者将研究和利用与两种不同方法相关的先进机器学习模型来确定预测心力衰竭和心血管疾病患者的最佳和最有效方法。第一种方法涉及一系列分类机器学习算法,第二种方法涉及使用称为 MLP 或多层感知器 的深度学习算法。在全球范围内,医院都在处理与心血管疾病和心力衰竭相关的病例,因为它们是导致死亡的主要原因,不仅是超重人群,而且是饮食和生活方式不健康人群的主要死亡原因。通常,心力衰竭和心血管疾病可由多种因素引起,包括心肌病、高血压、冠心病和心脏炎症 [1]。其他因素,如不规则休克或压力,也可能导致心力衰竭或心脏病发作。虽然这些事件无法预测,但来自患者健康的持续数据可以帮助医生预测心力衰竭。因此,这项数据驱动的研究利用先进的机器学习和深度学习技术来更好地分析和处理数据,为医生提供关于一个人患心力衰竭可能性的决策工具。在本文中,作者采用了先进的数据预处理和清理技术。此外,使用两种不同的方法对数据集进行了测试,以确定产生最佳预测的最有效的机器学习技术。第一种方法涉及采用一系列监督分类机器学习算法,包括朴素贝叶斯 (NB)、KNN、逻辑回归和 SVM 算法。第二种方法利用了一种称为多层感知器 (MLP) 的深度学习 (DL) 算法。该算法为作者提供了灵活性,可以尝试不同的层大小和激活函数,例如 ReLU、逻辑 (sigmoid) 和 Tanh。这两种方法都产生了具有
土地利用和土地覆盖的动态转变已成为有效管理自然资源的关键方面,以及对环境转变的连续监测。这项研究的重点是戈达瓦里河集水区域内的土地使用和土地覆盖(LULC)的变化,评估了土地和水资源开发的影响。利用2009年,2014年和2019年的Landsat卫星图像,该研究通过量子地理信息系统(QGIS)软件的SCP插件采用了监督分类。最大似然分类算法用于评估监督土地使用分类。七个不同的LULC类别 - 耕地,农业用地(休闲),贫瘠的土地,灌木土地,水和城市土地 - 用于分类目的。这项研究揭示了在2009年至2019年的十年中,Go-Davari盆地的土地使用方式发生了很大变化。使用三个卫星/Landsat图像,有监督的分类al-Gorithm和GIS中的分类后变更检测技术对土地使用/覆盖变化的空间和时间动态进行了定量。马哈拉施特拉邦戈达瓦里盆地的总研究区域包括5138175.48公顷。值得注意的是,建筑面积从2009年的0.14%增加到2019年的1.94%。灌溉农田的比例,2009年为62.32%,2019年降至41.52%。灌木土地在过去十年中见证了从0.05%增加到2.05%。主要发现突显了贫瘠的土地,农业用地和灌溉农田的大幅下降,并与林地,灌木土地和城市土地的扩张并列。分类方法的总体精度为80%,卫星图像的Kappa统计数据为71.9%。总体分类准确性以及2009年,2014年和2019年监督土地使用土地覆盖的Kappa价值
摘要:脑电图 (EEG) 传感器技术和信号处理算法的最新进展为脑机接口 (BCI) 在从康复系统到智能消费技术等多种实际应用中的进一步发展铺平了道路。当谈到 BCI 的信号处理 (SP) 时,人们对稳态运动视觉诱发电位 (SSmVEP) 的兴趣激增,其中运动刺激用于解决与传统光闪烁/闪烁相关的关键问题。然而,这些好处是以准确性较低和信息传输速率 (ITR) 较低的代价为代价的。在这方面,本文重点介绍一种新型 SSmVEP 范式的设计,而不使用试验时间、阶段和/或目标数量等资源来增强 ITR。所提出的设计基于直观的想法,即同时在单个 SSmVEP 目标刺激中集成多个运动。为了引出 SSmVEP,我们设计了一种新颖的双频聚合调制范式,称为双频聚合稳态运动视觉诱发电位 (DF-SSmVEP),通过在单个目标中同时整合“径向缩放”和“旋转”运动而不增加试验长度。与传统的 SSmVEP 相比,所提出的 DF-SSmVEP 框架由两种运动模式组成,这两种运动模式同时集成并显示,每种模式都由特定的目标频率调制。本文还开发了一种特定的无监督分类模型,称为双折典型相关分析 (BCCA),该模型基于每个目标的两个运动频率。相应的协方差系数被用作额外特征来提高分类准确性。基于真实 EEG 数据集对所提出的 DF-SSmVEP 进行了评估,结果证实了其优越性。所提出的 DF-SSmVEP 表现优于其他同类方法,平均 ITR 为 30.7 ± 1.97,平均准确度为 92.5 ± 2.04,而径向缩放和旋转的平均 ITR 分别为 18.35 ± 1 和 20.52 ± 2.5,平均准确度分别为 68.12 ± 3.5 和 77.5 ± 3.5。
摘要:控制人类居住区周围的植被可燃物是减少森林、建筑物和基础设施火灾严重程度以及保护人类生命的重要策略。每个国家在这方面都有自己的规定,但它们的共同点是通过减少可燃物负荷,我们反过来会降低火灾的强度和严重程度。使用无人机 (UAV) 获取的数据与其他被动和主动遥感数据相结合,通过机器学习算法规划野外-城市界面 (WUI) 可燃物突破口的效果最佳。测试了九种遥感数据源(主动和被动)和四种监督分类算法(随机森林、线性和径向支持向量机和人工神经网络),以对五种可燃物区域类型进行分类。我们使用了无人机获取的非常高密度的光探测和测距 (LiDAR) 数据(154 条回波 · m − 2 和 5 厘米像素的正射镶嵌图)、来自 Pleiades-1B 和 Sentinel-2 卫星的多光谱数据以及机载激光扫描 (ALS) 获取的低密度 LiDAR 数据(0.5 条回波 · m − 2 ,25 厘米像素的正射镶嵌图)。通过使用随机森林 (VSURF) 程序的变量选择,对最终变量进行了预选择以训练模型。对这四种算法进行了比较,并得出结论,它们在训练数据集上的整体准确度 (OA) 方面的差异可以忽略不计。结合使用 Sentinel-2 和两个 LiDAR 数据(UAV 和 ALS),随机森林在训练中获得了 90.66% 的 OA,在测试数据集中获得了 91.80% 的 OA。尽管在训练步骤中 SVML(OA = 94.46%)和在测试步骤中 ANN(OA = 91.91%)获得了最高的准确率,但随机森林被认为是最可靠的算法,因为它由于训练和测试性能之间的差异较小而产生了更一致的预测。所用数据源之间的准确率差异远大于算法之间的差异。使用不同日期的点云和一年中不同季节的多光谱信息计算的 LiDAR 增长指标是分类中最重要的变量。我们的研究结果支持无人机在防火带规划和管理以及因此在预防森林火灾方面的重要作用。
通讯作者。Pedro Larran〜Aga,智能系统集团,计算机科学与人工智能系,巴斯克大学,Paseo Manuel de Lardizabal,1,20018 San Sebastian,西班牙。电话:Þ34943018045;传真:34934015590;电子邮件:pedro.larranaga@ehu.es pedro larran×Aga是巴斯克大学大学计算机科学和人工智能教授。他于1981年获得了Valladolid大学的数学学士学位,并于1995年获得了巴斯克大学的计算机科学博士学位。他发表了40多个被指控的期刊论文。他的主要研究兴趣在于进化计算,机器学习,概率图形模型和生物信息学领域。Borja Calvo于1999年获得生物化学硕士学位和2004年的计算机科学学士学位,均来自巴斯克大学的大学。目前,他是巴斯克大学大学的博士生,也是智能系统小组的成员。他的研究兴趣包括应用于生物信息学的机器学习方法。罗伯托·桑塔纳(Roberto Santana)于2005年获得哈瓦那大学的数学博士学位。目前,他是巴斯克大学的智能系统小组成员。他的研究兴趣包括分布算法和生物信息学的估计。Concha Bielza于1989年获得了Madrid的Compressense University,Madrid和Phd的计算机科学博士学位,于1996年获得了马德里马德里技术大学的计算机科学学位。她是马德里技术大学计算机科学学院的统计与操作研究副教授。她的研究兴趣主要在概率图形模型,决策分析,用于优化的元启发式,数据挖掘,分类模型和实际应用领域。她的研究出现在管理科学,计算机和运营研究,统计和计算,海军研究物流,运营研究学会杂志等期刊上。Josu Galdiano目前正在巴斯克大学的计算机科学硕士学位。他的研究兴趣包括应用于生物信息学的机器学习方法。在Aki Inza中是巴斯克大学智能系统小组的讲师。他的研究兴趣包括数据挖掘和搜索启发式方法,特别关注概率图形模型和生物信息学应用程序。JoseäA.Lozano分别于1991年,1992年和1998年获得了西班牙巴斯克大学的数学和计算机科学学士学位以及博士学位。自1999年以来,他一直是巴斯克大学大学计算机科学副教授。他已经编辑了三本书,并发表了25份被指控的期刊论文。他的主要研究兴趣是进化计算,机器学习,概率图形模型和生物信息学。rubeãn arman ‹anzas于2004年从巴斯克大学的计算机科学获得了计算机科学硕士学位。目前,他是博士生,也是智能系统小组的成员。他的研究兴趣包括特征选择,计算生物学和生物信息学。guzmaäNsantafeä2002年从巴斯克大学获得了计算机科学硕士学位。目前,他是巴斯克大学大学的博士生,也是智能系统小组的成员。他的研究兴趣包括应用于生物信息学的机器学习技术。aritzpeäRez从巴斯克大学获得了计算机科学学位。他目前正在计算机科学和人工智能系获得计算机科学博士学位。他的研究兴趣包括机器学习,数据挖掘和生物信息学。目前,他正在使用贝叶斯网络,可变选择和密度估计的监督分类,重点是连续域。Victor Robles分别于1998年和2003年获得了MADRID大学的计算机工程和博士学位。在2004年,他是哈佛医学院的博士后研究员。他目前是马德里大学计算机系统建筑和技术系的副教授。他的研究兴趣包括生物信息学,数据挖掘和优化。Robles博士一直参与了几个研讨会和出版物的组织,以及有关程序的几本书。