XiaoMi-AI文件搜索系统
World File Search System聚类
iClusterPlus：多类型基因组数据的综合聚类
iClusterBayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 iClusterPlus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ... .................................................................................................................................................................................................. 18 simuResult ........................................................................................................................................................................................................................................................ .................................................................................................................................................. .................................................................................................................................................. .................................................................................................................................................. 19 tune.iCluster2 ........................................................................................................................................................................................................................................................ .................................................................................................................................................................. .................................................................................................................................................. .................................................................................................................................................. 19 tune.iClusterBayes .................................................................................................. .................................................................................................................................................................................................................................................................................................................. 20 tune.iClusterPlus .................................................................................................................................................................................................................................................................................................................................. 22 实用程序 .................................................................................................................................................................................................................................................................................................................................................. 22 实用程序 .................................................................................................................................................................................................................................................................................................................................................................. 23 24 variation.hg18.v10.nov.2010 . ...
使用K-均值聚类方法和LSVM
引言人类与计算机之间的关系是近年来进行许多投资的研究领域之一。在过去的二十年中，已经设计了各种人类计算机间接位置，它利用了试听，视觉，节感或它们的组合。自从过去十年以来，就已经根据大脑电子信号分析将计算机与环境联系起来。这些系统的主要目的是帮助具有皮质脊髓损伤的人。尽管拥有健康的大脑，但这些人通常无法与周围环境移动或建立正常自然的关系。神经科学，生理学，信号分析，机器学习和硬件的最新进展使设计直接的脑部计算机通信系统，称为脑部计算机间隙（BCI），这使身体残疾的患者能够在没有其他人的帮助的情况下进行事务。通常，大脑计算机界面是一个系统，它允许残疾人操作电气设备，例如计算机指针，机器人手臂，甚至是脑电图。关于其实施，BCI系统评估了大脑活动的特定特征，因此翻译
二极化质子和二颗粒聚类
亲爱的编辑，作物基因组编辑通过实现精英品种的精确改善，比常规育种具有巨大的优势。在谷物中，大麦（Hordeum vulgare L.）在全球重要性中处于第四位，并且在麦芽和酿造中具有广泛的应用。在像东亚这样的地区，大麦谷物具有传统的烹饪用途，直接煮熟为蒸大麦，烤成茶，或发酵用于味o和酱油，例如味道和酱油。值得注意的是，最近的健康趋势扩大了对年轻大麦草作为功能健康食品的兴趣。由于其富含维生素，纤维和类黄酮的含量，大麦草被加工成绿色果汁（Havlíková等人。2014）。这种绿色粉末表现出在抗毒剂，低脂肪和抗糖尿病活动中的有效性（Yu等人。2003;吉泽等。 2004; Takano等。 2013）。 在日本，雨季经常在收获季节之前，这使得预求发对谷物产量的挑战。 为了打扮，精英品种培养了早期的标题特征。 但是，这些特征对年轻的大麦草产量产生负面影响。 具体来说，年轻峰值的出现降低了草的商业价值。 当前归因于全球变暖的当前气候变化已加速且不稳定的尖峰变速，降低了草产量。 繁殖AP的转变，重点是当代品种中的晚期性状，对于保持一致的草产量至关重要。2003;吉泽等。2004; Takano等。2013）。在日本，雨季经常在收获季节之前，这使得预求发对谷物产量的挑战。为了打扮，精英品种培养了早期的标题特征。但是，这些特征对年轻的大麦草产量产生负面影响。具体来说，年轻峰值的出现降低了草的商业价值。当前归因于全球变暖的当前气候变化已加速且不稳定的尖峰变速，降低了草产量。繁殖AP的转变，重点是当代品种中的晚期性状，对于保持一致的草产量至关重要。我们的vious作品引入了planta粒子轰击 - 核糖核蛋白
视频的自我监督和自适应的面部聚类
1。一种自我监督的模型登录方法，仅取决于正面匹配对以改善面部嵌入。2。面部聚类的基于深度学习的相似性度量，该指标会自动适应给定模型的学习嵌入空间。3。不需要任何用户输入参数的全自动视频面聚类算法。4。发布电影脸聚类基准数据集，称为MoviefaceCluster，该数据集提供了电影域中存在的极端挑战的面部聚类场景。
基于聚类的异常值检测，以改善情况...
这项工作的目的是研究基于集群的异常检测是否可以检测空中交通中的异常事件。正常模型适用于仅包含标记为正常的航班的数据。给定这个正常模型，调整异常检测函数，以便将与正常模型相似的数据点分类为正常，将异常的数据点分类为异常。由于数值数据的结构未知，因此测试了三种不同的聚类方法：K-means、高斯混合模型和谱聚类。根据正常模型的建模方式，使用不同的方法来调整检测函数，例如基于距离、概率，最后通过一类支持向量机。
fdacluster：功能数据的关节聚类和对齐
描述了K均值，层次结合和DBSCAN聚类方法的实现功能数据，该方法允许共同对齐和聚类曲线。它支持在一维域上定义的功能数据，但可能在多元代码中进行评估。它支持在数组中定义的功能数据，也支持通过“ FD”和“ Fundata”类的功能数据，分别用于“ FDA”和“ Fundata”软件包中定义的功能数据。当前，它支持在实际线路上定义的功能数据的移位，扩张和仿射扭曲功能，并使用SRVF框架来处理在特定间隔上定义的功能数据的保存边界扭曲。K-Means算法的主要参考：Sangalli L.M.，Secchi P.，Vantini S.，Vitelli V.（2010）````k-mean for Curve clustering'''。SRVF框架的主要参考：Tucker，J。D.，Wu，W。，＆Srivastava，A。（2013）``使用相位和振幅分离的功能数据生成模型''。
一种基于复制的MANET新聚类技术
大多数移动自组织网络 (MANET) 聚类协议中的簇头节点在管理路由信息方面发挥着重要作用。MANET 中聚类的可靠性、效率和可扩展性最终将受到极大影响。在这项工作中，我们建立了一种在 MANET 中形成簇的新方法，称为基于方形簇的路由协议 (SCBRP)。该协议基于复制理论。该协议的目标是在 MANET 中实现可靠性、可用性和可扩展性。通过使用 NS-3 模拟器进行性能分析来评估所提出的协议。性能表明，大型网络的数据传输率提高了 50%，网络稳定性和可用性也得到了改善，这反映在能耗测量中，系统寿命延长了 20%。
3D人体部位分割的基于聚类的细化
摘要。在3D数据上解决人体部位的一种常见方法涉及使用2D分割网络和3D投影。遵循这种方法，可以在最终的3D分割输出中引入几个错误，例如分割错误和再投影错误。当考虑了非常小的身体部位（例如手）时，此类错误甚至更为重要。在本文中，我们提出了一种新算法，旨在减少此类错误并改善人体部位的3D序列。该算法使用DBSCAN算法检测噪声点和错误的簇，并更改利用簇的形状和位置的点的标签。我们评估了3DPEOPLE合成数据集和真实数据集上提出的算法，突出了它如何可以大大改善小身体（如手）的3D分割。使用我们的算法，我们在合成数据集上实现了多达4.68％的IOU，在实际情况下最多可占IOU的2.30％。
动态用户聚类，以提供高效和隐私权...
摘要 - 随着机器学习的更广泛采用以及对数据隐私的越来越关注，联邦学习（FL）受到了极大的关注。FL计划通常使一组参与者（即数据所有者）使用其本地数据单独训练机器学习模型，然后将其通过中央服务器的协调来汇总以构建全局FL模型。对标准FL的改进包括（i）通过利用梯度稀疏和（ii）通过采用隐私性汇总（PPAGG）协议来增强聚合的安全性，从而减少梯度传输的通信开销。但是，由于用户稀疏梯度向量的异质性，最新的PPAGG协议并不能轻易与梯度稀疏相互互操作。为了解决此问题，我们提出了一种动态用户聚类（DUC）方法，并采用一组支持协议，根据PPAGG协议和梯度稀疏技术的性质将用户分配到集群中，提供安全性的质量和通信效率。实验结果表明，与基准相比，DUC-FL显着降低了通信开销，并实现了相似的模型精度。所提出的协议的简单性使其对实施和进一步的改进都具有吸引力。
人类机器人互动的聚类社交手势
摘要。社交触摸提供了人类和机器人之间丰富的非语言交流。先前的工作已经确定了一套用于人类互动的触摸手势，并用自然语言标签（例如，抚摸，拍拍）描述了它们。然而，尚无关于用户思想中的触摸手势之间的半智关系的数据。为了赋予机器人的触摸智能，我们调查了人们如何看待文献中的社会触摸标签的相似之处。在一项在线研究中，有45位参与者根据他们的相似之处对36个社交触摸标签进行了分组，并用描述性名称注释了他们的分组。我们从这些分组中得出了手势的定量相似性，并使用层次聚类分析了相似性。分析导致围绕手势的社会，情感和接触特征形成9个触摸手势。我们讨论了结果对设计和评估触摸感应和与社交机器人的互动的含义。