本文着重于根据数据包输送比率（PDR）（即，在远程广阔的区域（Lorawan）中通过End Devices（EDS）发送）的数据包数量来改善资源分配算法。设置传输参数会显着影响PDR。我们采用强化学习（RL）提出了一种资源分配算法，该算法使ED可以以分布式方式配置其传输参数。我们将资源分配问题建模为多臂强盗（MAB），然后通过提出一种名为Mix-MAB的两相算法来解决它，该算法由探索和开发（EXP3）和连续消除（SE）组成，该算法由指数重量组成（SE）算法。我们通过仿真结果评估混合MAB性能，并将其与其他现有方法进行比较。数值结果表明，就收敛时间和PDR而言，所提出的解决方案的性能优于现有方案。
translated by 谷歌翻译
在COVID-19大流行期间，在COVID-19诊断的紧急环境中进行的大量成像量导致临床CXR获取的差异很大。在所使用的CXR投影，添加图像注释以及临床图像的旋转程度和旋转程度中可以看到这种变化。图像分析社区试图通过开发自动化的CoVID-19诊断算法来减轻大流行期间过度拉伸放射学部门的负担，该诊断算法是CXR成像的输入。已利用大量公开的CXR数据集来改善CoVID-19诊断的深度学习算法。然而，公开可用数据集中临床可获得的CXR的可变质量可能会对算法性能产生深远的影响。 COVID-19可以通过图像标签等图像上的非动物特征的算法来推断诊断。这些成像快捷方式可能是数据集特定的，并限制了AI系统的概括性。因此，了解和纠正CXR图像中的关键潜在偏差是CXR图像分析之前的重要第一步。在这项研究中，我们提出了一种简单有效的逐步方法，以预处理Covid-19胸部X射线数据集以消除不希望的偏见。我们进行消融研究以显示每个单个步骤的影响。结果表明，使用我们提出的管道可以将基线共证检测算法的精度提高到13％。
translated by 谷歌翻译