计算智能和神经科学

没有要求一个既定的网络基础设施,无线传感器网络(网络)非常适合要求快速网络部署的应用程序。军事训练和紧急救援行动有两个突出了网络的使用。各个网络节点必须执行路由和入侵检测,因为没有预定的路由或无线网络入侵检测。网络只能管理一定体积的数据,而且这样做需要大量的能量来处理,传输和接收。由于传感器有一个适度的能量来源和限制带宽,他们不能向基站传输所有数据进行处理和分析。因此,网络需要机器学习(ML)技术,以方便数据传输。其他当前解决方案也有缺点,比如不太可靠,更容易受到环境变化,收敛较慢,较短的网络寿命。本研究解决无线传感器网络的问题,设计了一个高效的聚类和基于机器学习的路由算法。模拟结果表明,该系统比以前先进的模型在各种指标,包括准确性,特异性和灵敏度(分别为0.93、0.93和0.92)。

肺癌是全世界最致命的癌症之一,具有高死亡率相比其他癌症。在晚期肺癌患者的存活率很低。然而,如果它可以早期发现,病人可以提高生存率。肺癌早期诊断是一项复杂的任务由于拥有的视觉相似性与气管肺结节,周围血管和其他组织领导对肺结节的误分类。因此,正确识别和分类的结节是必需的。之前的研究使用噪声特性,这使得结果组成。提出了一个预测模型准确地检测和分类肺结节来解决这个问题。在拟议的框架中,起初,执行语义分割识别在肺结节的图像图像数据库财团(LIDC)数据集。最佳功能分类包括直方图的梯度(猪),局部二进制模式(lbp)和几何特性提取分割后结节。结果表明,支持向量机在比其他分类器识别结节表现的更好,达到97.8%的最高精度的敏感性100%,特异性93%,假阳性率为6.7%。

信息安全的必要性和有关规定采用正成为一个压倒性的全球需求。作为一种有效的解决方案,混合的多通道生物识别系统利用融合结合多种生物特征和来源和提高识别精度,更高级别的安全保证,应对uni-biometric系统的局限性。摘要三种策略来处理部件级深度融合五生物特征(脸、两个虹膜和两个指纹)来源于三个来源的证据提出和比较。在前两个建议的方法中,每个特征向量与特征空间映射到再生核希尔伯特空间再生核希尔伯特空间理论()分别通过选择适当的复制内核。在更高的空间,结果是线性的非线性关系的转换,降维算法(KPCA KLDA)和quaternion-based算法(KQPCA KQPCA)用于融合的特征向量。在第三个方法,基于深度学习的融合特征空间由的特征向量相结合深入和全面连接层。实验结果在6数据库提出了混合multibiometric系统清楚地表明获得的多通道模板功能空间的深度融合;同时对欺骗攻击的安全并使系统健壮,他们可以使用的低维度融合向量增加混合多通道生物识别系统的准确性100%,显示出显著的改善而uni-biometric和其他多通道系统。

推荐系统主要以电子商务网站和社交媒体的适用性。对系统优化,这工作介绍一种行为模式挖掘的方法来分析人的心理稳定性。利用序列模式挖掘算法,有效地提取从数据库中频繁模式。候选人子generation-and-test方法是采用传统的序列挖掘算法和广义序列模式算法(GSP)。然而,由于这种方法会产生一个巨大的候选集,它不是理想当涉及大量数据从社交媒体分析。由于数据是由众多的特点,所有这些可能没有任何关系,利用特征选择可以帮助去除无关的特性从数据以最少的信息丢失。在这项工作,频繁模式(FP)采矿作业将使用收缩树。收缩压树型可重构体系结构将提供各种福利,如高吞吐量以及成本效益的性能。数据库的频繁项集可以发生发现利用FP挖掘算法。众多研究领域相关的机器学习和数据挖掘是着迷于特征选择,因为它使分类器将迅速、更准确和成本效益。 Over the last ten years or so, there have been significant technological advancements in heuristic techniques. These techniques are beneficial because they improve the search procedure’s efficiency, albeit at the potential sacrifice of completeness claims. A new recommender system for mental illness detection was based on features selected using River Formation Dynamics (RFD), Particle Swarm Optimization (PSO), and hybrid RFD-PSO algorithm is proposed in this paper. The experiments use the depressive patient datasets for evaluation, and the results demonstrate the improved performance of the proposed technique.

环境有关的身体,技术网络化的东西可以找到网上被称为“物联网。“使用各种设备连接到一个网络,让这些设备之间的数据传输,这包括创建智能通信和计算环境,如智能家庭、智能交通系统、智能FinTech。各种学习形式和优化方法计算智能的基础。因此,包括新的学习技术,如反对学习、优化策略和强化学习的关键是为下一代的物联网应用发展趋势。在这项研究中,基于可替换主体的协同控制系统强化学习与智能传感器variable-guidance部分提出了在不同的路口。在未来一代的物联网(物联网)应用程序,这项研究提供了一个multi-intersection可变转向lane-appropriate控制方法,利用智能传感器以减少许多路口交通拥堵。由于multi-intersection场景的复杂交通流不能通过传统的可变转向车道管理方法。优先体验重播算法还包括提高转换效率的序列的使用经验重播池和加快算法收敛的有效的服务质量在即将到来的物联网应用。试验研究表明,multi-intersection变量转向车道与智能传感器是一个适当的控制机制,成功地减少了队列长度和延迟时间。等待时间和其他指标的有效性优于其他控制方法,有效地协调战略转换的变量可操纵的车道,提高路网的通行能力在多个十字路口在即将到来的物联网应用程序中有效的服务质量。

在老年人痴呆增加每天的。很多都是由于智能家居技术开支生活快乐。智能家居包含多个智能设备可以支持住在家里。智能家居的自动评估居民是智能家居技术的一个重要方面。检测老年人痴呆的早期阶段的基本需要。现有技术可以检测痴呆及时但缺乏性能。在本文中,我们提出了一个自动认知健康评估方法使用机器和深度学习基于日常生活活动。来验证我们的方法,我们使用卡萨斯公开数据集实验,居民日常生活活动在智能家居执行他们的日常活动。我们使用四个机器学习算法:决策树(DT),朴素贝叶斯(NB)、支持向量机(SVM)和多层感知器(MLP)。此外,我们使用深层神经网络(款)健康和痴呆的分类。 Experiments reveal the使用MLP分类器精度。这项研究表明使用机器学习分类器更好的痴呆检测,专门为数据集包含实际的数据。