在这个时代，作为医疗的主要重点，这一时刻已经到来了。尽管令人印象深刻，但已经开发出来检测疾病的多种技术。此时，有一些类型的疾病COVID-19，正常烟，偏头痛，肺病，心脏病，肾脏疾病，糖尿病，胃病，胃病，胃病，骨骼疾病，自闭症是非常常见的疾病。在此分析中，我们根据疾病的症状进行了分析疾病症状的预测。我们研究了一系列症状，并接受了人们的调查以完成任务。已经采用了几种分类算法来训练模型。此外，使用性能评估矩阵来衡量模型的性能。最后，我们发现零件分类器超过了其他分类器。
translated by 谷歌翻译
深度学习模型通过从训练的数据集学习来提供图像处理的令人难以置信的结果。菠菜是一种含有维生素和营养素的叶蔬菜。在我们的研究中，已经使用了一种可以自动识别菠菜的深度学习方法，并且该方法具有总共五种菠菜的数据集，其中包含3785个图像。四种卷积神经网络（CNN）模型用于对我们的菠菜进行分类。这些模型为图像分类提供更准确的结果。在应用这些模型之前，存在一些预处理图像数据。为了预处理数据，需要发生一些方法。那些是RGB转换，过滤，调整大小和重新划分和分类。应用这些方法后，图像数据被预处理并准备好在分类器算法中使用。这些分类器的准确性在98.68％至99.79％之间。在这些模型中，VGG16实现了99.79％的最高精度。
translated by 谷歌翻译
在从训练的数据集中学习后，AI Chatbot提供了令人印象深刻的响应。在这十年中，大多数研究工作都表现出深层神经模型优于任何其他模型。 RNN模型定期用于确定序列相关的问题，如问题和IT答案。这种方法熟悉每个人都是SEQ2SEQ学习。在SEQ2SEQ模型机制中，它具有编码器和解码器。编码器嵌入任何输入序列，以及解码器嵌入输出序列。为了加强SEQ2SEQ模型性能，请将注意力添加到编码器和解码器中。之后，变压器模型已经将其自身作为高性能模型引入，具有多种关注机制，用于解决与序列相关的困境。该模型与基于RNN的模型相比减少了训练时间，并且还实现了序列转换的最先进的性能。在这项研究中，我们基于孟加拉普通知识问题答案（QA）数据集，应用了孟加拉一般知识聊天聊天的变压器模型。它在应用的QA数据上得分为85.0 BLEU。要检查变压器模型性能的比较，我们将注意到SEQ2SEQ模型，请注意我们的数据集得分23.5 BLEU。
translated by 谷歌翻译
Machine Learning models capable of handling the large datasets collected in the financial world can often become black boxes expensive to run. The quantum computing paradigm suggests new optimization techniques, that combined with classical algorithms, may deliver competitive, faster and more interpretable models. In this work we propose a quantum-enhanced machine learning solution for the prediction of credit rating downgrades, also known as fallen-angels forecasting in the financial risk management field. We implement this solution on a neutral atom Quantum Processing Unit with up to 60 qubits on a real-life dataset. We report competitive performances against the state-of-the-art Random Forest benchmark whilst our model achieves better interpretability and comparable training times. We examine how to improve performance in the near-term validating our ideas with Tensor Networks-based numerical simulations.
translated by 谷歌翻译
评估组织内组织和分支机构的效率对于经理来说是一个具有挑战性的问题。评估标准允许组织对其内部单位进行排名，确定其在竞争对手方面的立场，并实施改进和发展目的的策略。在评估银行分支机构的方法中，非参数方法吸引了近年来研究人员的注意。最广泛使用的非参数方法之一是数据包络分析（DEA），可带来有希望的结果。但是，静态DEA方法并未考虑模型中的时间。因此，本文使用动态DEA（DDEA）方法在三年内评估伊朗银行的分支机构（2017-2019）。然后将结果与静态DEA进行比较。对分支进行排名后，使用K-均值方法聚类。最后，引入了一种全面的敏感性分析方法，以帮助管理人员决定更改变量以将分支从一个群集转移到更有效的变量。
translated by 谷歌翻译
这项工作提出了基于差异自动编码器卷积编码器产生的特征的概率分类器的内核选择方法。特别是，开发的方法允许选择最相关的潜在变量子集。在拟议的实现中，每个潜在变量都是从与最后一个编码器的卷积层的单个内核相关的分布中取样的，因为为每个内核创建了个体分布。因此，在采样的潜在变量上选择相关功能使得可以执行内核选择，从而过滤非信息性特征和内核。这样的导致模型参数数量减少。评估包装器和过滤器方法以进行特征选择。第二个特别相关，因为它仅基于内核的分布。通过测量所有分布之间的kullback-leibler差异来评估，假设其分布更相似的内核可以被丢弃。该假设得到了证实，因为观察到最相似的内核不会传达相关信息，并且可以去除。结果，所提出的方法适用于开发用于资源约束设备的应用程序。
translated by 谷歌翻译
这项工作提出了一种用于概率分类器的新算法的Proboost。该算法使用每个训练样本的认知不确定性来确定最具挑战性/不确定的样本。然后，对于下一个弱学习者，这些样本的相关性就会增加，产生序列，该序列逐渐侧重于发现具有最高不确定性的样品。最后，将弱学习者的输出组合成分类器的加权集合。提出了三种方法来操纵训练集：根据弱学习者估计的不确定性，取样，过采样和加权训练样本。此外，还研究了有关集成组合的两种方法。本文所考虑的弱学习者是标准的卷积神经网络，而不确定性估计使用的概率模型则使用变异推理或蒙特卡洛辍学。在MNIST基准数据集上进行的实验评估表明，ProbOOST可以显着改善性能。通过评估这项工作中提出的相对可实现的改进，进一步强调了结果，该指标表明，只有四个弱学习者的模型导致该指标的改进超过12％（出于准确性，灵敏度或特异性），与没有探针的模型相比。
translated by 谷歌翻译
与汽车和其他公路车辆相比，公共汽车和重型车辆由于其尺寸较大而具有更多的盲点。因此，这些重型车辆造成的事故更具致命性，并给其他道路使用者造成严重伤害。这些可能的盲点碰撞可以使用基于视觉的对象检测方法来尽早确定。然而，现有的基于最新视觉的对象检测模型在很大程度上依赖于单个功能描述符来做出决策。在这项研究中，提出了基于高级功能描述符的两个卷积神经网络（CNN）的设计，并提出了它们与更快的R-CNN的集成，以检测重型车辆的盲点碰撞。此外，提出了一种融合方法，以整合两个预训练的网络（即Resnet 50和Resnet 101），用于提取高水平的特征以进行盲点车辆检测。功能的融合显着提高了更快的R-CNN的性能，并优于现有的最新方法。两种方法均在公共汽车的自我录制的盲点车辆检测数据集和用于车辆检测的在线LISA数据集上进行了验证。对于两种提出的方法，对于自记录的数据集，可获得3.05％和3.49％的虚假检测率（FDR），使这些方法适用于实时应用。
translated by 谷歌翻译
生成的对抗网络由于研究人员的最新性能在生成新图像时仅使用目标分布的数据集，因此引起了研究人员的关注。已经表明，真实图像的频谱和假图像之间存在差异。由于傅立叶变换是一种徒图映射，因此说该模型在学习原始分布方面有一个重大问题是一个公平的结论。在这项工作中，我们研究了当前gan的架构和数学理论中提到的缺点的可能原因。然后，我们提出了一个新模型，以减少实际图像和假图像频谱之间的差异。为此，我们使用几何深度学习的蓝图为频域设计了一个全新的架构。然后，我们通过将原始数据的傅立叶域表示作为训练过程中的主要特征来表明生成图像的质量的有希望的改善。
translated by 谷歌翻译
步行运动计划基于运动的不同组成部分（DCM）和线性倒置模型（LIPM）是可以实现的替代方案之一，以生成在线人类人体机器人步态轨迹。该算法需要调整不同的参数。在此，我们开发了一个框架来获得最佳参数，以实现Real Robot步态的稳定且节能的轨迹。为了找到最佳轨迹，在机器人的每个下肢关节下，代表能耗的四个成本函数，关节速度和应用扭矩的总和，以及基于零矩（ZMP）稳定性标准的成本函数。遗传算法用于框架中，以优化这些成本函数中的每一个。尽管轨迹计划是在简化模型的帮助下完成的，但通过考虑Bullet Physics Engine Simulator中的完整动力学模型和脚部接触模型，可以获得每个成本函数的值。这种优化的结果是，以最有效的方式行走的最稳定性和行走是相互对比的。因此，在另一次尝试中，对ZMP和以三种不同速度的能量成本函数进行了多目标优化。最后，我们比较了使用最佳参数生成的设计轨迹，并将模拟产生的仿真模拟器。
translated by 谷歌翻译