XiaoMi-AI文件搜索系统
World File Search System线性模型
与Scikit-Learn的Python中的机器学习
教学大纲简介：机器学习概念模块1。预测建模管道模块2。选择最佳模型模块3。超参数调谐模块4。线性模型模块5。决策树模型6。模型模块的合奏7。评估模型性能
在家尝试一下：使用大规模低成本移动脑电图通过睡眠和冥想预测年龄
图 4：四名受试者的纵向大脑年龄∆预测，他们有 (A) 多次连续冥想或 (B) 睡眠记录。选择了四名拥有超过 50 次良好信号质量记录的受试者。使用在 MMD 或 AMUSeD 上训练的模型来预测他们的大脑年龄。蓝点表示单次记录的大脑年龄∆预测值。为确保受试者的匿名性，我们仅为每个受试者提供 50 个随机抽样的记录，并在记录日期中添加随机抖动δ∼N（0，20 天）。尽管如此，我们仍使用所有可用的会话来拟合线性模型（红线），以显示每个受试者的趋势。密度图总结了预测年龄的分布（蓝色边际图）。尽管所有受试者都存在明显的差异，但从跨会话的线性模型获得的斜率（红线）接近于零，表明平均大脑年龄随时间保持稳定。这表明提出的大脑年龄指标同时捕捉了“特征”和“状态”类信息。
![arXiv:2002.10988v1 [eess.AS] 2020 年 2 月 25 日](/simg/g:\will\search\icon\source\e\eb4726f275fdb036d113aa6282b78f6320a97f8f.webp)
arXiv:2002.10988v1 [eess.AS] 2020 年 2 月 25 日
对自然语音和记录的脑电图 (EEG) 之间的关系进行建模有助于我们了解大脑如何处理语音，并且在神经科学和脑机接口中具有各种应用。在这种情况下，到目前为止主要使用线性模型。然而，由于人脑听觉处理的复杂性和高度非线性，线性模型的解码性能受到限制。我们提出了一种基于长短期记忆 (LSTM) 的新型架构作为非线性模型，用于分类给定的一对 (EEG，语音包络) 是否相互对应。该模型使用 EEG 路径中的 CNN 和语音路径中的 LSTM 将 EEG 和包络的短段映射到公共嵌入空间。后者还可以补偿大脑反应延迟。此外，我们使用迁移学习来针对每个受试者微调模型。所提出模型的平均分类准确率达到 85%，明显高于最先进的基于卷积神经网络 (CNN) 的模型 (73%) 和线性模型 (69%)。
自适应控制容错自主载体... - SOAR
本文介绍了自适应控制方法在将自主固定翼飞机回收到航空母舰上的应用。所用的控制结构是模型参考自适应控制，在俯仰、滚转、偏航和空速轴上实施，以提供飞机的 6 个自由度控制。控制系统是为 NAVAIR ExJet 飞机模型开发的。控制器的结构包括一阶线性模型跟随器和自适应批评控制器。自适应用于增强自适应批评控制器产生的命令信号，使用以下方法：自适应偏差校正器、最佳控制修改和局部线性模型补偿。基于状态空间模型的逆控制器生成控制效应器命令。控制系统参考输入是旋转速率和空速，提供外环控制器来引导飞机到达着陆点。控制系统设计是通过使用基于标称误差、时间延迟裕度和着陆精度的指标来实现的。在标称、效应器故障和控制系统建模错误条件下评估控制系统。定义的控制系统能够在标称、故障和建模错误条件下提供所需的控制。
从 SPGR 信号准确估计 T1
简介 [1] 图的 T 下标可以通过使用不同翻转角和/或重复时间 (TR) 获取的损坏梯度回忆回波 (SPGR) 图像计算得出。信号强度与翻转角和 TR 之间的关联函数是非线性的，但目前广泛使用的是 Gupta 于 1977 年 [1] 提出的线性形式 [1-6]。利用该线性模型，可以用线性最小二乘 (LLS) 法估计 [1] 的 T 下标，该方法具有计算效率高的优点。然而，我们的初步研究发现，使用这种 LLS 方法估计的 [1] 的 T 下标普遍存在偏差且被高估 [7]。我们提出了一种新的加权线性最小二乘 (WLLS) 方法，该方法在拟合中使用调整后的不确定性。所提出的 WLLS 方法用不确定性对每个数据点进行加权，该不确定性可校正由非线性模型转换为线性模型产生的噪声贡献。使用数值和人脑数据模拟来比较使用 LLS、WLLS 和非线性最小二乘 (NLS) 方法估计的 [1] 的 T 下标的准确性。
课堂设置中的层次依赖性影响算法偏见指标
测量机器学习中的算法偏差历史上一直存在于与特定组有关的统计不平等上。，最常见的指标（即专注于个人或组条件错误率的指标）当前不适合教育环境，因为他们认为每个单独的访问都与其他人独立。在研究某些共同的教育成果时，这在统计学上是不合适的，因为这样的指标无法说明课堂中的学生之间的关系或在整个学年中每个学生的多次观察。在本文中，我们介绍了独立数据结构和嵌套数据结构的回归算法偏差测量的新颖适应性。使用层次线性模型，我们严格测量了学生参与智能补习系统与年终标准化考试分数之间关系的机器学习模型中的算法偏差。我们得出的结论是，课堂层面的影响对模型产生了很小但重大影响。使用层次线性模型来检查重要性有助于确定教育环境中哪些不平等现象可能由小样本量而不是系统差异来解释。
在ICT领域打造循环经济
在传统的线性模型中，智能手机和笔记本电脑等产品仅使用一次。虽然某些技术可能使用很长时间，但其他技术使用寿命可能很短。例如，已安装的计算机的平均使用年限似乎在减少，从 2017 年的 4.13 年减少到 2021 年的 2.94 年，这表明计算机的使用寿命在被替换之前正在减少。
课堂设置中的层次依赖性影响算法偏见指标
测量机器学习中的算法偏差历史上一直存在于与特定组有关的统计不平等上。，最常见的指标（即专注于个人或组条件错误率的指标）当前不适合教育环境，因为他们认为每个单独的访问都与其他人独立。在研究某些共同的教育成果时，这在统计学上是不合适的，因为这样的指标无法说明课堂中的学生之间的关系或在整个学年中每个学生的多次观察。在本文中，我们介绍了独立数据结构和嵌套数据结构的回归算法偏差测量的新颖适应性。使用层次线性模型，我们严格测量了学生参与智能补习系统与年终标准化考试分数之间关系的机器学习模型中的算法偏差。我们得出的结论是，课堂层面的影响对模型产生了很小但重大影响。使用层次线性模型来检查重要性有助于确定教育环境中哪些不平等现象可能由小样本量而不是系统差异来解释。
使用深度学习将 ECoG 信号解码为 3D 手势翻译
摘要。目的。运动脑机接口 (BCI) 是一种很有前途的技术，可以使运动障碍者与周围环境互动。BCI 可能会弥补手臂和手部功能的丧失，这是四肢瘫痪患者的首要任务。设计实时准确的 BCI 对于使此类设备在现实环境中有用、安全且易于患者使用至关重要。基于皮层脑电图 (ECoG) 的 BCI 是记录设备的侵入性和记录信号的良好空间和时间分辨率之间的良好折衷。然而，用于预测连续手部运动的大多数 ECoG 信号解码器都是线性模型。这些模型的表示能力有限，可能无法捕捉 ECoG 信号特征与连续手部运动之间的关系。深度学习 (DL) 模型在许多问题中都是最先进的，可以成为更好地捕捉这种关系的解决方案。方法。在本研究中，我们测试了几种基于 DL 的架构，以使用从 ECoG 信号中提取的时频特征来预测想象的 3D 连续手部平移。分析中使用的数据集是长期临床试验 (ClinicalTrials.gov 标识符：NCT02550522) 的一部分，是在对四肢瘫痪受试者的闭环实验中获得的。所提出的架构包括多层感知器 (MLP)、卷积神经网络 (CNN) 和长短期记忆网络 (LSTM)。使用余弦相似度离线比较了基于 DL 和多线性模型的准确性。主要结果。我们的结果表明，基于 CNN 的架构优于当前最先进的多线性模型。最佳架构利用 CNN 来利用相邻电极之间的空间相关性，并通过使用 LSTM 来受益于所需手部轨迹的顺序特性。总体而言，与多线性模型相比，DL 将平均余弦相似度提高了 60%，左手和右手分别从 0.189 提高到 0.302 和从 0.157 提高到 0.249。意义。这项研究表明，基于 DL 的模型可以提高 BCI 系统在四肢瘫痪受试者的 3D 手部翻译预测中的准确性。
估算极端环境下的核心体温...
航天任务中经常出现的极端温度或生理要求高的环境对飞行员和宇航员构成了很高的热应激风险，这可能导致中暑和人体性能下降。这在军用飞机中尤其普遍，因为军用飞机的许多飞行研究设施和机场都位于炎热干旱的沙漠或高湿度的热带气候中。这些环境中的高温会加剧飞行员因其他生理和环境压力而产生的热应激的严重程度。为了测量热应激水平的关键生物指标——核心体温，我们提出了一种非侵入性方法，用于在真实的开放世界环境中使用移动生物传感器测量心率和皮肤温度来测量极端高温应激下的受试者。作为在极端热环境中操作的飞行员的模拟，我们利用了对连续数小时暴露在汽车驾驶舱内高热应激下的专业赛车手的观察结果。驾驶员所经历的条件不仅包括分层防护设备产生的热应激，还包括来自操作环境和车辆的热应激。卡尔曼滤波器旨在利用车手心率和皮肤温度传感器生成的线性模型来预测核心体温。从 4 位不同车手的 15 场比赛中获得的数据用于训练线性模型和