XiaoMi-AI文件搜索系统
World File Search System遗传算法
与IVF成功预测的遗传算法集成的机器学习方法的比较研究
面对不育的发生率的增加，这十年在全球辅助生殖技术的应用中急剧上升[1，2]。体外受精（IVF）是艺术中最常见和广泛使用的程序，是在体外繁殖胚胎的过程，如果成功，则会导致妊娠。自1978年第一个IVF婴儿诞生以来[3]，已经努力改善IVF的成功。然而，成功率在约30％[4，5]的情况下保持了大约恒定的恒定，这加上严重的副作用[6，7]和经济负担[8，9]，使父母成为不育夫妇的漫长道路。IVF失败也会带来情绪困扰，例如焦虑和压力，这可能会影响生活质量，甚至导致婚姻失败[10，11]。这使得“我的IVF成功有多大的可能性？”成为寻求治疗的推论夫妇最重要的问题。通常，要回答这个问题，IVF临床医生需要考虑与男性和男性相关的所有人口和临床变量。具有各种变量及其复杂关系，提供了对成功机会的准确估计是具有挑战性的。因此，需要准确的模型来准确预测IVF成功[12，13]。机器学习（ML）作为人工智能的一个子集可以通过基于这些促成因素开发预测模型来预测临床结果。强大的预测模型可以使IVF临床医生更准确地估计IVF成功结果。至关重要的是要认识到，任何预测模型的鲁棒性主要取决于两个关键因素：机器学习算法的选择以及选择最有助于和信息的特征[14，15]。特征选择通过识别最重要的特征在增强模型性能中起着关键作用。但是，将正确的特征集与正确的ML算法相结合[16，17]仍然是一种挑战。虽然各种研究应用了机器学习技术来开发IVF预测模型，但许多研究依赖于特征选择的滤波器方法[18-22]，这些方法通常忽略了变量之间的复杂相互作用，并且无法捕获IVF数据中固有的复杂关系[23，24]。在这项研究中，我们介绍了遗传算法，作为一种可探索整个溶液空间的强大包装算法，动态识别有助于IVF成功预测的最佳子集。这种方法比传统的过滤方法更灵活，更有效，因为它解释了功能之间的复杂交互。我们从系统地比较了五个知名机器学习算法的性能 - 兰多森森林（RF），人工神经网络（ANN），支持向量机（SVM），递归分区和回归树（RPART）和ADABOOST - 预测IVF的表现。通过应用基于GA的功能选择来增强此比较。通过将GA选择功能选择与上述机器学习技术相结合，我们试图为IVF成功开发一个可靠的预测模型，从而比依赖传统特征选择方法的现有模型提供了潜在的改进。
采用多目标遗传算法对静电电子透镜进行多标准优化
采用多目标遗传算法 (MOGA) 优化方法，对具有五个电极和两个目标函数的静电电子光学系统的设计进行了优化。考虑的两个目标函数是固定图像平面中一次电子束的最小探针尺寸和镜头内探测器平面上的最大二次电子检测效率。耗时的步骤是计算系统电位。有两种方法可以做到这一点。第一种是使用 COMSOL（有限元法），第二种是使用二阶电极法 (SOEM)。前者使优化过程非常缓慢但准确，而后者使其快速但准确性较低。提出了一种全自动优化策略，其中基于 SOEM 的 MOGA 为基于 COMSOL 的 MOGA 提供输入系统。这加速了优化过程并将优化时间缩短了至少约 10 倍，从几天缩短到几个小时。典型的优化系统的探针尺寸为 11.9 nm，二次电子检测效率为 80%。这种新方法可以在具有一个或多个目标函数和多个自由变量的静电透镜设计中实现，是一种非常高效、全自动的优化技术。
SiC MOSFET 建模及使用遗传算法进行参数拟合
在这一部分，我想感谢那些在工作中给予我帮助的人。副教授 Dimosthenis Peftitsis 和博士候选人 Ole Christian Spro 是我的导师，他们的指导和支持对我的工作至关重要。我感谢 Dimosthenis 的激励和积极性，鼓励我工作。Ole Christian 是我的日常导师，帮助我解决遇到的困难。他的指导总是挑战我的思维，给我指点，帮助我理解，而不是简单地给我最简单的答案。这帮助我成长为一个人。我感谢 Ole Christian 花了很多时间来指导和激励我的工作。此外，我还要感谢博士候选人 Daniel Alexander Philipps 与我讨论不同的话题并给我反馈。这帮助我改进了我的工作。最后，我要感谢我的家人和朋友对我的信任和鼓励。这帮助我克服了困难时期并最终完成了学业！
机器学习驱动的威胁识别以使用遗传算法增强粉丝安全性
摘要：作为一种高度有前途的技术，飞行的临时网络代表了无人驾驶汽车（无人机）的自组织网络，引起了对环境监测，灾害管理，精密农业，监测和军事行动的多种应用的关注。但是，这些网络面临着各种安全威胁的挑战，包括由于其在动态环境中的部署而导致的恶意节点检测。为了解决这个问题，我们在本文中使用遗传算法（ML-TIFGA）提出了一种改进的新型安全解决方案，基于机器学习的威胁识别。研究包括使用基本遗传算法检测异常行为节点，并通过使用信誉系统动态地适应不断变化的网络条件。为了增强我们的安全解决方案ml-tifga，我们评估了两个关键因素：合作和可信度，它们在我们的遗传人群中充当飞行节点染色体内的遗传元素。此外，还合并了一种机制来重新配置信任，并在考虑过去的行为监控时通过更新的加权声誉系统动态提取威胁的挑战。使用NSL-KDD数据集中的实际样品值发现了实验结果中的显着改进，这产生了显着的99.829％的分类精度。此外，培训的威胁识别率达到98.36％，测试样品的识别率达到98.86％，通过ML-TIFGA的网络可靠性增长了99.3％。在针对最新方法的基准测试时，诸如延迟，吞吐量和数据输送率之类的绩效指标分别显示出24.65％，29.16％和31.73％的明显增强。
通过转移功能和遗传算法对心脏的电活动进行建模
摘要：尽管医疗保健和医疗技术在过去几十年中已经取得了显着发展，但心脏病仍然是全球死亡率的主要原因。心电图（ECG）是检测心脏病的最广泛使用的工具之一。本研究提出了基于转移函数的数学模型，该模型允许使用遗传算法（GA）在拉普拉斯空间中探索和优化心脏动力学。使用GA对传递函数参数进行微调，并用临床心电图记录用作参考信号。基于多项式和延迟的提议模型近似于根平方误差为4.7％，R 2值为0.72的真实心电图。该模型通过使用单个周期性脉冲输入来实现ECG信号的周期性。它的简单性使人们可以通过对其效果的预定理解来调整波形参数，这可用于产生心律不齐模式和健康信号。这是与其他大量微分方程和许多参数负担的其他模型相比，这是一个显着的优势。
一种改进的实数编码遗传算法用于大规模平面阵列综合
摘要 — 双态天线大规模平面阵列的设计有助于在最小化旁瓣电平 (SLL) 和控制第一零波束宽度 (FNBW) 变化的约束下使用遗传算法来降低能耗。通常，平面阵列用于基于电池使用的通信应用，例如便携式雷达。本文使用实数编码遗传算法 (RCGA) 优化了具有 1600 个相同天线元件的均匀矩形阵列 (URA)。执行优化过程是因为以 ON-OFF 状态的形式找到辐射元件电流激励权重的最佳集合以节省消耗的功率。因此，选择了阵列因子 (AF) 的最高性能和所需的波束宽度。本文提出的主要贡献是能够使用 RCGA 算法通过将阵列划分为阵列子集来优化大量阵列元素。执行模拟结果以验证遗传稀疏 URA 的有效性。通过选择能够高效加扰的天线元件，相当于节省了 24.4% 的能耗。本文使用 MATLAB CAD Ver. 2018a 作为平台获得了结果。索引术语 —RCGA、节能、规划器阵列、成本函数、双态天线。
通过隐基因遗传算法优化多航天器地月空间领域感知系统
本文提出了一种优化问题公式，以通过多航天器监测解决地月空间域感知 (SDA) 的挑战。由于关注点范围广以及动态环境丰富，传统的地球架构设计方法难以满足地月 SDA 的设计要求；因此，越来越需要在地月轨道上部署多航天器系统以实现 SDA。基于多航天器的地月 SDA 架构的设计会产生一个复杂的多目标优化问题，其中必须同时考虑航天器数量、可观测性和轨道稳定性等参数。通过使用多目标隐基因遗传算法，本研究探索了与地月 SDA 问题相关的整个设计空间。演示案例研究表明，我们的方法可以提供针对成本和效率进行优化的架构。
基于遗传算法和人工神经网络的瞳孔反应客观疼痛测量实验研究
摘要 对医疗保健提供者来说，获得患者疼痛程度的客观测量一直是一个挑战。医院环境中最常见的疼痛评估方法是询问患者的口头评分，这被认为是一种主观方法。为了获得患者的客观疼痛程度，我们建议使用瞳孔反应和机器学习算法来客观地测量疼痛程度。东北大学招募了 32 名健康受试者参与了这项研究。通过要求健康受试者将手放在装满冰水的桶中，对他们施加疼痛刺激。我们从瞳孔直径数据中提取了 11 个特征。为了获得最佳特征子集，使用遗传算法 (GA) 为人工神经网络 (ANN) 分类器选择特征。在特征选择之前，ANN 的 f1 分数为 54.0 ± 0.25%，包含所有 11 个特征。经过特征选择后，ANN 使用所选特征子集（即平均值、均方根 (RMS) 和瞳孔曲线下面积 (PAUC)）表现出最佳性能，准确率为 81.0%。实验结果表明，瞳孔反应与机器学习算法相结合可能是一种有前途的客观疼痛水平评估方法。这项研究的结果可以改善患者在远程医疗中测量疼痛的体验，尤其是在大多数人不得不待在家里的疫情期间。
使用遗传算法进行基于模型的机电执行器故障检测和识别预测
摘要：飞机控制面的传统液压伺服机构正逐渐被机电执行器 (EMA) 等新技术所取代。由于 EMA 才刚刚采用，因此无法获得有关其可靠性的现场数据，其故障模式尚未完全了解；因此，有效的预测工具可以帮助检测飞行控制系统的早期故障，以便正确安排维护干预和执行器更换。这将带来双重好处：通过避免飞机在部件受损的情况下飞行，可以提高安全性，并且可以防止更换仍能正常工作的部件，从而降低维护成本。然而，由于受监控系统的复杂性和多学科性质，EMA 预测提出了挑战。我们提出了一种基于模型的故障检测和隔离 (FDI) 方法，采用遗传算法 (GA) 在系统性能开始受到影响之前识别故障前兆。考虑了四种不同的故障模式：干摩擦、间隙、部分线圈短路和控制器增益漂移。本文提出的方法能够以比数据驱动策略更有效的方式利用系统设计知识来应对挑战，并且需要的实验数据更少。为了测试所提出的工具，开发了一个模拟测试台。实施了具有不同详细程度的 EMA 的两个数值模型：高保真模型提供了要分析的故障执行器的数据，而更简单的模型，计算量更小，但足够准确以模拟所考虑的故障模式，由 GA 迭代执行。结果显示，该系统具有良好的稳健性和精确度，能够早期识别系统故障，且误报或漏报很少。
用于 A320 飞机空调状态监测和预测的遗传算法和决策树
摘要 非计划维护是航空公司的一大成本驱动因素，但状态监测和预测可以减少非计划维护操作的数量。本文表明，通过采用数据驱动方法和使用现有数据源，可以将状态监测引入大多数系统。目标是根据各种传感器输入预测系统的剩余使用寿命 (RUL)。我们使用决策树来学习系统的特性。决策树训练和分类的数据由通用参数信号分析处理。为了获得决策树的最佳分类结果，使用遗传算法优化参数。使用具有不同信号分析参数的三种不同决策树的森林作为分类器。使用来自 ETIHAD 航空公司的 A320 飞机的数据验证了所提出的方法。验证表明，状态监测可以将样本数据分为十个预定类别，以 10% 的步长表示总使用寿命 (TUL)。这用于预测 RUL。在 850 个样本中，有 350 个错误分类。降噪将异常值减少到接近零，从而可以正确预测状态。还可以使用分类输出来检测验证数据中的维护操作。