Algorithms and Computational Theory for Engineering Applications
- 2025
- Buch
- Herausgegeben von
- Sripada Rama Sree
- Sachin Kumar
- Verlag
- Springer Nature Switzerland
Über dieses Buch
Dieses Buch geht tief in die Welt der Algorithmen und der Rechentheorie und ihres erstaunlichen Einflusses auf zahlreiche technische Bereiche ein. Der sorgfältig ausgewählte Inhalt des Buches beleuchtet die jüngsten Studien, Ansätze und Anwendungen in der realen Welt, die das Engineering revolutionieren. Das Buch ist in verschiedene Abschnitte gegliedert, von denen jeder ein wichtiges Thema in der Computertheorie und den Algorithmen untersucht. Die Autoren schlagen innovative Optimierungsmethoden vor, die die Art und Weise revolutionieren, wie Ingenieure an technische Probleme herangehen, indem sie es ihnen ermöglichen, komplizierte Probleme schnell und effektiv zu lösen. Das Buch illustriert die Techniken und Geräte, die in den Bereichen Datenwissenschaft und Big Data Analytics eingesetzt werden, um aufschlussreiche Informationen aus riesigen Datenbanken zu gewinnen. Datenvisualisierung, vorausschauende Modellierung, Clusterbildung und Anomalieerkennung sind nur einige Beispiele dafür, wie Algorithmen eingesetzt werden, um Muster und Trends zu finden, die Ingenieuren helfen, fundierte Entscheidungen zu treffen. Vor der physikalischen Implementierung werden komplexe Systeme in der virtuellen Umgebung durch rechnerische Modellierung und Simulation gebaut, getestet und optimiert. Das Buch untersucht numerische Techniken, Finite-Elemente-Analyse, rechnerische Strömungsdynamik und andere Simulationstechniken, um aufzuzeigen, wie Algorithmen das Design technischer Systeme und die Leistungsoptimierung verändern. Das Buch vertieft sich auch in das faszinierende Feld der Robotik und Steuersysteme. Die Leser des Buches erfahren mehr über die Algorithmen, die Sensorfusion, intelligente Steuerung, Wegplanung und Echtzeitsysteme voranbringen und den Weg für Innovationen im Bereich autonomes Fahren, industrielle Automatisierung und intelligente Städte ebnen. Die Leser werden durch die Kapitel des Buches mehr darüber erfahren, wie Algorithmen und Computertheorie technische Umgebungen verändern, neue Möglichkeiten eröffnen und Branchen verändern. Dieses Buch ist aufgrund seiner Konzentration auf praktische Anwendungen und theoretische Durchbrüche ein Muss für jeden, der den Überblick über die Schnittmenge von Algorithmen, Rechentheorie und technischen Anwendungen behalten möchte.
Mit KI übersetzt
Über dieses Buch
This book goes deeply into the world of algorithms and computational theory and its astounding influence on numerous engineering areas. The book's carefully chosen content highlights the most recent studies, approaches, and real-world applications that are revolutionising engineering.
The book is structured into distinct sections, each of which examines an important topic in computational theory and algorithms. The authors propose cutting-edge optimisation methods that revolutionise the way engineers approach engineering problems by allowing them to solve complicated issues quickly and effectively.
The book illustrates the techniques and equipment used in the fields of data science and big data analytics to glean insightful information from enormous databases. Data visualisation, predictive modelling, clustering, and anomaly detection are a few examples of how algorithms are used to find patterns and trends that help engineers make well-informed decisions.
Before being physically implemented, complex systems are built, tested, and optimised in the virtual environment thanks to computational modelling and simulation. The book examines numerical techniques, finite element analysis, computational fluid dynamics, and other simulation techniques to highlight how algorithms are changing engineering system design and performance optimisation.
The book also delves into the intriguing field of robotics and control systems. The book's readers will learn about the algorithms that advance sensor fusion, intelligent control, path planning, and real-time systems, paving the way for innovations in autonomous driving, industrial automation, and smart cities.
Readers will learn more about how algorithms and computational theory are modifying engineering environments, opening up new opportunities, and changing industries by examining the book's chapters. This book is a must-have for anyone looking to keep on top of the intersection of algorithms, computational theory, and engineering applications because of its concentration on practical applications and theoretical breakthroughs.
Anzeige
Inhaltsverzeichnis
-
Frontmatter
-
Segmentation of Cerebral MRI Images Using Fuzzy C-Means and Genetic Algorithm
U. S. B. K. Mahalaxmi, R. Anil Kumar, N. N. S. V. RamarajuDas Kapitel vertieft sich in die Komplexität der Bildsegmentierung im zerebralen MRI und betont die Bedeutung einer genauen Identifizierung von Hirngewebe für diagnostische und therapeutische Zwecke. Es stellt die Techniken Fuzzy C-Means und Genetic Algorithm vor und erläutert ihre Anwendung bei der Überwindung der Herausforderungen durch MRT-Bildartefakte und Heterogenitäten. Das Kapitel vergleicht die Leistungsfähigkeit dieser Techniken und zeigt die überlegene Genauigkeit des auf genetischen Algorithmen basierenden Ansatzes. Außerdem wird das zukünftige Potenzial der Kombination mehrerer Segmentierungsalgorithmen diskutiert, um die allgemeine Effektivität der MRT-Bildanalyse zu verbessern.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractModern medical imaging technologies have revolutionized the visualization of the body for clinical examinations and medical interventions, as well as the visualization of the capabilities of a particular organ or tissue. Medical imaging attempts to reveal much more effectively the internal structures hidden by skin and bones and thus plays an important role in improving the diagnosis of disease, creating an overall sense of well-being for all. MRI brain segmentation is an important step from both clinical and neurobiological points of view, as it affects the final completion of the entire process. This model can be used to assess its effectiveness in the segmentation of MRI images of the brain. This chapter presents a cluster-based segmentation approach that uses soft computing techniques to segment regions of interest from MRI images. This study proposes an MRI image segmentation method from a human brain dataset using Fuzzy C-Means (FCM). Another approach to clustering based on genetic algorithm (GA) is used to segment brain tissue to avoid limiting the definition of initial clustering. The proposed model was tested, and the accuracy was calculated as a performance measure by comparing the underlying truths of the dataset presented in different figures. The proposed GA-based clustering provides greater accuracy than FCM clustering by randomly changing the clustering. -
Harvesting Growth: Leveraging Random Forests for Advancing Agricultural Productivity with Machine Learning
G. A. K. S. Rajeev Kumar, Pavan Kumar Vadrevu, Chandra Sekhar Kolli, Ramesh Naidu Goda, B. Ravi KumarDas Kapitel "Harvesting Growth: Leveraging Random Forests for Advancing Agricultural Productivity with Machine Learning" befasst sich mit der Anwendung maschineller Lerntechniken, insbesondere Random Forests, zur Steigerung der landwirtschaftlichen Produktivität. Er beginnt mit der Betonung der Bedeutung der Landwirtschaft und der Herausforderungen, vor denen die Landwirte aufgrund sich verändernder klimatischer Bedingungen stehen. Das Kapitel führt dann in das Konzept des maschinellen Lernens ein, um Ernteerträge basierend auf essenziellen Nährstoffen und klimatischen Faktoren vorherzusagen. Es vergleicht verschiedene Algorithmen des maschinellen Lernens, darunter Unterstützungsvektormaschinen und Entscheidungsbäume, und kommt letztlich zu dem Schluss, dass Random Forests die zuverlässigsten und genauesten Vorhersagen bietet. Die Autoren diskutieren die Methodik der Datenvorverarbeitung, der Featureselektion und des Modelltrainings und betonen die Bedeutung der Hyperparametereinstellung für optimale Leistung. Das Kapitel präsentiert auch Bewertungsmetriken und -ergebnisse, die die Überlegenheit des Random Forest-Modells bei der Vorhersage von Ernteerträgen aufzeigen. Überall betont der Text die praktischen Auswirkungen dieser Erkenntnisse auf die Landwirte und bietet einen Weg, das Pflanzenmanagement zu optimieren und die landwirtschaftliche Produktivität insgesamt zu verbessern.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractAgriculture is a critical sector in our nation, with India ranking as the second-largest producer of rice and wheat globally. The selection of an appropriate crop for cultivation plays a significant role in farming, taking into account soil type and nutrient availability. Crucial factors influencing the growth and health of plants include soil conditions, which vary due to changes in climate, soil pH, and Nigrogen, Phosphorus, Potassium (NPK) values. The cultivation of rice in South India and wheat in North India illustrates how the choice of crop varies by region. Failure to choose a suitable crop can lead to decreased production turnover. The objective is to assist farmers in selecting the most appropriate crop by considering factors such as soil type, climate, and geographic location. Climate factors, including temperature, humidity, state, and district, are part of the area considerations. To achieve this predictive outcome, algorithms such as Support Vector Machine and Random Forest algorithms are formulated. Subsequently, the optimal algorithm is chosen based on its accuracy and precision parameters. -
Unraveling Churn Dynamics: Predictive Modeling Using Multilayer Perceptron
R. Tamilkodi, B. Sujatha, Md. Nusrath Shariff, U. Dharani, K. Aditya, Y. Sai SampathIn diesem Kapitel wird die entscheidende Rolle der Fehlervorhersage bei der Steigerung der Unternehmenserlöse und der Kundenbindung untersucht. Er diskutiert die Herausforderungen der Vorhersage von Abweichungen, wie Datenungenauigkeiten und niedrige Abweichungsraten, und untersucht verschiedene in diesem Bereich eingesetzte maschinelle Lerntechniken. Das vorgeschlagene System, das auf einem Multilayer-Perceptron-Modell aufbaut, ist nachweislich besser als herkömmliche Modelle wie Logistic Regression, Support Vector Machine und Decision Tree und erreicht eine beeindruckende Genauigkeit von 93%. Das Kapitel bietet auch eine umfassende Leistungsbewertung verschiedener Modelle, wobei das Gleichgewicht zwischen Genauigkeit, Komplexität, Interpretierbarkeit und Robustheit betont wird. Das ultimative Ergebnis des Systems ist eine benutzerfreundliche Benutzeroberfläche, die umsetzbare Erkenntnisse für das Kundenmanagement liefert. Das Kapitel schließt mit einer Diskussion über zukünftige Verbesserungen, einschließlich Echtzeit-Aktualisierungen und verbesserter Benutzerinteraktion, was es zu einer wertvollen Ressource für Fachleute macht, die fortgeschrittene maschinelle Lerntechniken zur Vorhersage von Fehlern einsetzen wollen.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractIn the rapidly changing world of online commerce, staying ahead and retaining customers has become a major challenge. This work is focused on creating and implementing a sophisticated system that can predict when customers are likely to stop using a service; this is achieved by using advanced techniques from machine learning and analyzing a wide range of customer data, such as their past purchases, browsing habits, and basic demographic information. Single-Layer Perceptron (SLP) though having an ample accuracy score of 92% falls short in handling complex data patterns and nonlinear tasks, making the proposed Multilayer Perceptron (MLP) a superior choice for overcoming the challenges. The proposed churn prediction system holds the promise of significantly boosting customer retention efforts; this has been projected with the Telco customer churn dataset, representing a fictional Telco company serving 7043 customers in California during Q3, where the MLP model achieved an accuracy score of 93%. The proposed system helps in fine-tuning marketing tactics, optimizing customer experiences, and ultimately paving the way for sustainable growth in an industry where competition is fierce and customer loyalty is paramount. -
AI-Driven Music Player Based on Human Emotions
R. Tamilkodi, V. Bala Shankar, G. Sai Baba, G. Satish Kumar, G. Bindu Sri Vijaya, M. Sai KiranDas Kapitel befasst sich mit der Erstellung eines emotionalen Empfehlungssystems für Musik, das Deep Q-Learning verwendet, einen Verstärkungslernalgorithmus, der darauf ausgelegt ist, die kumulativen Belohnungen zu maximieren. Durch Analyse der Emotionen und der Hörhistorie des Nutzers empfiehlt das System Musik, die sich an der aktuellen Stimmung des Nutzers orientiert und darauf abzielt, die Stimmung zu heben, Stress abzubauen oder die Produktivität zu optimieren. Das System verwendet eine Kombination aus Gesichtsausdruck, Textanalyse und physiologischen Indikatoren, um den emotionalen Zustand des Nutzers zu bestimmen, der dann verwendet wird, um passende Musik vorzuschlagen. Das Kapitel untersucht das mathematische Modell hinter der Repräsentation des Zustandes, dem Aktionsraum, der Belohnungsfunktion und der Q-Funktion und hebt in diesem Zusammenhang den innovativen Einsatz von Deep Q-Learning hervor. Darüber hinaus vergleicht es das vorgeschlagene System mit bestehenden Algorithmen und zeigt seine überlegene Genauigkeit und potenzielle Anwendungen in personalisierten Musik-Streaming-Diensten und emotionsbasierten Wiedergabelisten.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractMajor challenges in current machine learning trend applications are scalability, collaborative filtering, stability, and accuracy. To overcome these types of challenges, we utilized the deep Q-learning algorithm. This is a model-free reinforcement learning algorithm, which is mainly addressed to overcome issues like collaborative filtering and will give an accuracy of 80–95% when compared to the other algorithms. To implement this algorithm, we designed an emotion-based music recommendation system. It allows users to search for music that is appropriate for their present emotional state. Deep Q-learning has been shown to be effective at learning to perform a variety of tasks, including emotion-based music recommendation. To accommodate extensive and current data, our system acquires information via APIs as opposed to relying solely on datasets. The proposed system is tailored to the user’s expressions, and this will frequently be used to classify these expressions into a variety of emotions such as happy, sad, and normal. Notably, deep Q-learning has proven its effectiveness in mastering a diverse array of tasks, particularly showcasing its proficiency in the domain of emotion-based music recommendation. -
Identification of Parkinson’s Disease with Tremors Using Decision Tree Algorithm
Sk. Wasim Akram, A. P. Siva KumarDas Kapitel konzentriert sich auf die Identifizierung der Parkinson-Krankheit (PD) mit Zittern mittels eines Entscheidungsbaumalgorithmus. Es beginnt mit einer Einführung in die PD, in der die Prävalenz und Symptome wie Zittern, Rigidität und Bradykinesie hervorgehoben werden. Der Abschnitt zur Literaturübersicht behandelt verschiedene maschinelle Lerntechniken und tragbare Geräte, die für die Klassifizierung von Zittern verwendet werden. Die vorgeschlagene Methode verwendet den Entscheidungsbaum-Algorithmus, insbesondere den Klassifikations- und Regressionsbaum (CART), aufgrund seiner hohen Interpretationsfähigkeit und geringen Fehlklassifikationsrate. Der verwendete Datensatz enthält Merkmale wie Alter, Geschlecht, Häufigkeit und Amplitude. Der Implementierungsabschnitt beschreibt die Schritte für Modellschulung und -bewertung und zeigt eine hohe Genauigkeit bei der PD-Erkennung. Der Ergebnis- und Diskussionsbereich präsentiert die Leistungskennzahlen, einschließlich einer Verwirrungsmatrix und eines Diagramms zur Bedeutung von Funktionen. Die Schlussfolgerung betont das Potenzial digitaler Gesundheitssysteme und maschinellen Lernens bei der Förderung des Verständnisses und der Diagnose neurodegenerativer Krankheiten wie PD.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractThe main objective of the research is to diagnose Parkinson’s disease (PD) accurately and quickly. Computer-aided analysis is utilized to identify PD using patient data such as voice, magnetic resonance imaging, speech, and handwriting. Extended clinical diagnostic techniques have recently been designed to increase PD detection accuracy. Even so, there have been numerous issues with the current approaches for diagnosing Parkinson’s disease like selection of unsuitable characteristics, computing complexity, and difficulty in training. This study’s main goal is to investigate the Decision Tree algorithm’s application to a dataset containing tremor features. Tremor is one of the most significant indicators of Parkinson’s disease. Tremor features including frequency, amplitude, and other significant characteristics such as age, gender, and family hierarchy of every individual are considered in determining if a patient has PD or not. These characteristics contribute to achieving greater classification accuracy and enhancing the effectiveness of the proposed model. Python is employed for simulation, and the proposed model works adequately in the detection of PD with an accuracy of approximately 94%. -
Vegetation Segmentation of Satellite Images Using U-Net Architecture
Swati Shilaskar, Shripad Bhatlawande, Janhavi Kale, Rajnandini Kamble, Karan PaigudeDas Kapitel untersucht die Anwendung der U-Net-Architektur für die semantische Segmentierung der Vegetation in Satellitenbildern und adressiert die Beschränkungen aktueller Modelle. Durch die Integration eines anspruchsvollen Nachbearbeitungsschritts mit binären Masken verbessert die vorgeschlagene Methode die Genauigkeit und Präzision der Abgrenzung der Vegetation. Dieser innovative Ansatz nutzt hochauflösende Satellitenbilder und tiefe Lerntechniken, um eine robuste Lösung für Fernerkundung und geologische Analyse zu bieten und zu einem besseren Verständnis der Ökosysteme unseres Planeten beizutragen. Die Methode wird durch umfangreiche Schulungen und Tests validiert, die beeindruckende Leistungskennzahlen aufzeigen und ihr Potenzial für großflächige Vegetationssegmentierung aufzeigen.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractSatellite imagery plays a pivotal role in monitoring and understanding the Earth’s ecosystems. Accurate and efficient segmentation of vegetation in these images is crucial for a wide range of applications, including environmental monitoring, land-use planning, and disaster management. In this study, we propose a novel approach for vegetation segmentation in satellite images utilizing the U-Net architecture with an accuracy of 88%, a convolutional neural network renowned for its excellence in semantic segmentation tasks. The proposed method leverages the rich spatial information in high-resolution satellite imagery to achieve state-of-the-art results in vegetation segmentation. Comprehensive experiments demonstrate the superiority of the U-Net-based approach in achieving efficient and accurate vegetation segmentation, even in complex natural environments. This research contributes to advancing the capabilities of satellite-based vegetation monitoring, supporting conservation efforts, and land management strategies. -
Effective Medical Data Compression for Minimal Cloud Storage Using Versatile Compression Techniques
Phani Sridhar Addepalli, P. V. LakshmiDieses Kapitel geht der entscheidenden Rolle einer effektiven Komprimierung medizinischer Daten in der Telemedizin nach und unterstreicht die Notwendigkeit eines minimalen Cloud-Speichers. Es werden verschiedene Komprimierungstechniken wie Huffman-Kodierung und Lauflängenkodierung eingeführt und der LZW-Komprimierungsalgorithmus im Detail erforscht. Der Text diskutiert die Implementierung dieser Methoden und ihre Auswirkungen auf die Verringerung des Speicherplatzes, wobei ein besonderer Schwerpunkt auf medizinischen Bildern und Textdaten liegt. Die experimentellen Ergebnisse zeigen erhebliche Speichereinsparungen, was dieses Kapitel für Fachleute, die das Datenmanagement in der Telemedizin optimieren wollen, unverzichtbar macht.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractIn the digital era, all medical records are managed and kept digitally. The detailed amount of memory storage space needed to store medical data is growing rapidly as the population grows. The storage facilities where the patient records are kept cost a lot of money to the healthcare and pharmaceutical industries. As the data must be fully recovered during decompression, traditional lossy storage strategies are unable to be utilized to store medical data. To store medical data quickly and effectively, this research introduces a revolutionary lossless data compression technique. A dictionary-based lossless compression method namely Lempel–Ziv–Welch (LZW) compression uses data redundancy to reduce its size. When needed, compressed information can be rapidly and completely retrieved. Other lossless compression methods are contrasted with the suggested approach. Python is the language used to implement the recommended approach, and High Availability Distributed Object Oriented Platform (HADOOP) is applied to store the data that has been compressed. -
Building Emotion Identification System from Speech Using CNN-GRU Model
Arepalli Peda Gopi, Papana Deepika, Gopu Anuradha Gayathri, Chukka Keerthana, Bollepalli Venkata MounikaDas Kapitel befasst sich mit dem kritischen Bereich der Sprachemotionserkennung (SER), die für die Verbesserung der Mensch-Maschine-Interaktionen von entscheidender Bedeutung ist. Es stellt das CNN-GRU-Modell vor, eine Kombination aus konvolutionalen neuronalen Netzwerken (CNNs) und gated recurrent units (GRUs), die darauf ausgelegt ist, sowohl räumliche als auch zeitliche Muster in der menschlichen Sprache zu erfassen. Dieses Modell ist besonders effektiv bei der Klassifizierung von Emotionen wie glücklich, traurig, wütend und ruhig. Das Kapitel beschreibt detailliert die Architektur, einschließlich Eingabeschicht, Faltungsschicht, Abflachungsschicht, GRU-Einheit und vollständig verbundene Schicht. Er skizziert auch den Algorithmus zur Identifizierung von Emotionen mittels CNN-GRU und betont die Bedeutung der Optimierung von Hyperparametern und der Verwendung von Spektrogrammen für die Datenverarbeitung. Die experimentelle Arbeit demonstriert die hohe Genauigkeit, Präzision, den geringen Verlust und macht das Modell zu einer herausragenden Lösung im Bereich SER. Die Schlussfolgerung betont die Fähigkeit des Modells, mit komplexen Sprachdaten umzugehen und sein Potenzial für zukünftige Verbesserungen.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractHuman speech contains different emotions such as joy, sorrow, anger, surprise, calm, disgust, and fear. These emotions may vary according to the situation. So, emotions in human speech play an important role in expressing feelings and communicating with others. One should try to understand the emotions and respect one’s emotions. Emotion is the cornerstone in human–computer and human–robot interactions. The main difference between humans and humanoids is emotion. Humans can express their emotions through speech, actions, and facial expressions. Different people have different emotions and altogether different ways to express it. Therefore, emotion declaration is a challenging task in the vision of computers. This chapter proposes a convolutional recurrent neural network (CRNN) for emotion recognition in speech. CRNN is the hybrid model, which combines 3D CNN and GRU. A 3D convolutional gated recurrent unit (CGRU) is proposed to recognize and classify emotions from human speech. This neural network extracts spatial features and temporal dependencies from human speech and classifies them into one predefined emotion. Human speech is converted into spectrograms and Mel-frequency cepstral coefficients (MFCCs). CNN will learn spatial patterns in spectrograms by using convolutional filters and then the output is given to GRU to capture the temporal dependencies. This hybrid model allows to leveraging of both types of patterns for accurate emotion recognition. Our experimental results on the RAVDESS dataset reveal that our suggested model achieved an accuracy of 97%. -
Anomaly Detection Using a Novel Approach Based on Grid HTM
Premanand Ghadekar, Anushka Popalghat, Onkar Borude, Vishal Gavali, Dnyanesh Gholap, Sarvesh HadoleDieses Kapitel befasst sich mit der innovativen Anwendung des Hierarchischen Temporalen Gedächtnisses (HTM) zur Erkennung von Anomalien in Videodaten. Traditionelle Deep-Learning-Modelle sind zwar effektiv, stehen aber vor Herausforderungen wie Datenrauschen, Verallgemeinerung und Erklärbarkeit. Die vorgeschlagene Grid-HTM-Architektur nutzt die einzigartigen Merkmale von HTM wie Rauschtoleranz und Online-Lernen, um diese Beschränkungen zu überwinden. Durch die Segmentierung von Videodaten in spärlich verteilte Darstellungen (SZR) und die Verwendung eines Grid-basierten Ansatzes ermöglicht Grid HTM die Erkennung unbeaufsichtigter Anomalien. Die Architektur ist darauf ausgelegt, komplexe zeitliche Dynamiken zu bewältigen und die Genauigkeit zu verbessern, was sie besonders für Videos mit hoher Bildrate geeignet macht. In diesem Kapitel werden auch experimentelle Ergebnisse diskutiert, die die Effektivität von Grid HTM in realen Überwachungsumgebungen zeigen und sein Potenzial zur Verringerung menschlicher Überwachungsanforderungen und zur Verbesserung der Erkennung von Videoanomalien insgesamt hervorheben.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractIn recent years, there has been a growing interest in video anomaly detection systems. While current approaches rely on deep learning techniques for this task, there are several inherent challenges associated with this approach. Deep learning methods, in general, are susceptible to issues like noise, concept drift, lack of explainability, and the need for large training datasets. Moreover, anomaly detection is a complex problem, characterized by challenges such as dealing with unknown anomalies, handling data heterogeneity, and addressing class imbalance. To tackle these challenges, deep learning-based anomaly detection methods often resort to unsupervised generative models like generative adversarial networks (GANs) and autoencoders. However, these models are not immune to the broader issues associated with deep learning and can be challenging to train effectively.In the proposed system, the potential of the hierarchical temporal memory (HTM) algorithm for video anomaly detection is investigated. HTM offers certain advantages. To address the unique requirements of video anomaly detection, a novel variant of HTM called “Grid HTM,” tailored specifically for this purpose is proposed. The anomaly score, which represents the likelihood or degree of an anomaly within a dataset or system, is displayed in the pickle file. The file displays an anomaly score of each grid (between 0 and 1). The higher the score, the higher the anomaly. Furthermore, for more readability, it has been converted into JSON format and for a visual output, into a histogram. -
Training Cost-Sensitive Classifiers to Tackle Imbalanced Data
Utkarsh Kejriwal, Komal AroraDieses Kapitel geht der Herausforderung unausgewogener Daten in Echtzeit-Anwendungen wie der Erkennung von Betrug und der Diagnose von Krankheiten nach. Traditionelle Modelle des maschinellen Lernens tun sich oft schwer mit der genauen Klassifizierung von Minderheitenklassen. Der Autor stellt kostensensibles Lernen als Strategie zur Lösung dieses Problems vor und erläutert, wie es Klassifizierungsalgorithmen modifiziert, um Fehlklassifizierungen von Minderheitenklassen zu bestrafen. Die Studie verwendet einen unausgewogenen UCI-Datensatz, um die Leistung von Logistic Regression, Decision Tree Classifier und Support Vector Machine mit und ohne kostensensibles Lernen zu vergleichen. Die Ergebnisse zeigen, dass sich die Gesamtgenauigkeit zwar verringern kann, sich aber Rückrufaktionen und Formel-1-Werte deutlich verbessern, was auf eine Verringerung falscher Negative hindeutet. Dieses Kapitel bietet wertvolle Einblicke in die praktische Umsetzung und Wirkung kostensensiblen Lernens und ist daher eine wichtige Lektüre für Fachleute, die angesichts unausgewogener Daten die Leistung ihrer Klassifikationsmodelle verbessern wollen.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractAs the world is growing, the amount of data generated has been growing proportionately. Classification of the large amount of data generated presents multiple issues including skewness and sparsity of the available data which may result in a significant imbalance in the classes. Several techniques such as sampling, cost-sensitive learning, and the use of ensemble methods have been researched to tackle this issue of class imbalance or distribution. Cost-sensitive learning is a potent approach in terms of dealing with imbalanced data that may be used to enhance the performance of the machine learning model, lower the risk of false negatives, and improve the interpretability of the model. This study presents an empirical approach by using cost-sensitive learning on various predictive models such as binary logistic regression, decision tree, and support vector machine classifiers. An investigation is carried out on the differences in the accuracy of the classification when each of these machine learning models is trained with and without assigning misclassification costs to the classes of the dataset. The experiment conducted to validate the research presents conflicting results as the accuracy of the classification models decreases by providing a cost, but a significant increase in recall is observed upon adding the misclassification costs to the model. -
Crowd Management System Using YOLOV7
Sandeep Kumar, Anushka Singhal, Ishan Sangal, Medhavi BhardwajDas Kapitel befasst sich mit der Entwicklung eines Crowd-Management-Systems unter Verwendung von YOLOv7, einem fortschrittlichen KI-Algorithmus zur Echtzeit-Zählung und -Überwachung von Menschenmassen. Sie befasst sich mit den Herausforderungen traditioneller Crowdmanagement-Techniken im urbanen Umfeld und hebt die Genauigkeit und Geschwindigkeit der lernbasierten Fußgängererkennung hervor. Das System integriert die Gmail-API, um automatisierte Benachrichtigungen zu versenden, wenn vordefinierte Schwellenwerte für die Gruppengröße überschritten werden, was ein proaktives Crowdmanagement ermöglicht und die öffentliche Sicherheit gewährleistet. Die Forschungsarbeiten umfassen eine gründliche Literaturrecherche, Methoden zur Datenerhebung und Modellschulung sowie eine Diskussion über die Genauigkeit, Robustheit und Benutzeroberfläche des Systems. Auch zukünftige Forschungsrichtungen werden untersucht, einschließlich des Potenzials für eine dreidimensionale Crowd-Analyse und die Integration mit mehreren Sensoren zur verbesserten Crowd-Überwachung.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractTo maintain public safety and maximize the effectiveness of different events and public areas, crowd management is essential. The crowd is increasing day by day, which creates lots of difficulties for the previous algorithm or somewhere manpower to handle the crowd; to recover the problem, the solution is to use artificial intelligence as it has its vast domain. The Yolov7 algorithm is employed, pretrained on 80 classes, specifically for detecting crowds by identifying individuals. Stocking density is an important factor that affects the health and productivity of animals and the quantity of livestock and poultry produced. However, the present method of counting hemp ducks by hand is laborious, inaccurate, time-consuming, and prone to mistakes like double-counting and omission. Because of this, the aim of this study is to promote the expansion of the smart farming industry by showing how to use deep learning algorithms to keep track of the density of hemp duck flocks in real time. -
Design and Implementation of V-Unite
Sivaraju Deepti, R. Leelavathi, S. Aruna Deepthi, V. Aruna, S. Jhansi Naga LakshmiDas Kapitel "Design und Implementierung von V-Unite" befasst sich mit der Entwicklung einer mobilen Anwendung, die darauf ausgelegt ist, das Management von Aktivitäten und Veranstaltungen von College-Clubs zu optimieren. Es beginnt damit, die Herausforderungen zu identifizieren, vor denen die Studenten stehen, wenn sie aufgrund unzureichender Ankündigungen und hektischer Zeitpläne über diese Aktivitäten informiert bleiben müssen. Die vorgeschlagene Lösung ist eine Android-Anwendung, die einen einfachen Zugang zu Ereignisinformationen ermöglicht, eine spontane Eventplanung ermöglicht und das gesellschaftliche Bewusstsein der Studenten sicherstellt. Das Kapitel behandelt verschiedene Aspekte der Anwendungsentwicklung, einschließlich Benutzerauthentifizierung für Administratoren und Studenten, die Verwendung von Android Studio IDE und die Strukturierung der Anwendung in Module, die auf Benutzerrollen basieren. Sie diskutiert auch den zukünftigen Umfang der Anwendung und schlägt Verbesserungen wie genauere Berechtigungsniveaus und eine verbesserte Zugänglichkeit für Studenten verschiedener Hochschulen vor. Die detaillierte Methodik und die Zukunftsaussichten machen dieses Kapitel zu einer wertvollen Ressource für Fachleute, die an der Entwicklung ähnlicher Anwendungen interessiert sind.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractThe primary aim of this study is to create an application that showcases information about college clubs, events, and activities that are held on campus. All college students can receive the information from each club. Through the application, information about the main events (such as college festivals and annual festivals) can be viewed. Every student can use this application to watch the events taking place at their college, and those who are interested can register for the event or participate by clicking the link provided within the application. By carrying out the concept, the previously mentioned scenarios can be eliminated. The organizers can disseminate information about their event at any time and from any location by using an application. Android Studio software is used in the development of the application (Android application development). The data is kept in a SQLite database. -
A Survey of Intrusion Detection Systems Using Machine Learning and Deep Learning Models
Jalaiah Saikam, Koteswararao ChDas Kapitel untersucht die Entwicklung von Intrusion Detection Systemen (IDS) im Kontext moderner IT-Infrastruktur, wobei der Schwerpunkt auf der Integration von maschinellem Lernen (ML) und Deep Learning (DL) -Modellen liegt. Er geht den Herausforderungen nach, die sich aus der zunehmenden Komplexität und Größe von Netzwerken ergeben, die zu einer steilen Zunahme von Cyberangriffen geführt haben. Der Autor diskutiert die Bedeutung von IDS für den Schutz der Netzwerkintegrität und beleuchtet die Grenzen traditioneller Methoden. Die Studie vergleicht verschiedene ML- und DL-Modelle und betont ihre Stärken im Umgang mit Klassenungleichgewichten und bei der Verbesserung der Netzwerkleistung. Es umfasst auch Resampling-Techniken und die Anwendung fortgeschrittener Algorithmen, um die Genauigkeit der Erkennung von Einbrüchen zu verbessern. Das Kapitel schließt mit der Betonung der Notwendigkeit innovativer Methoden, um Echtzeitanforderungen zu begegnen und Fehlalarmierungsraten zu reduzieren, was es zu einer wertvollen Ressource für Fachleute macht, die innovative IDS-Lösungen verstehen und umsetzen wollen.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractCybersecurity has emerged as an essential field of study due to the ubiquitous nature of networks in contemporary society. A network intrusion detection system (NID) is a critical component of network security. Despite significant advancements over the years, existing intrusion detection systems still need improvement in terms of detecting new threats, reducing false positives, and increasing detection accuracy. They strengthen the network’s defenses against the expanding variety of threats. Intrusion detection benchmark datasets aim to realistically represent network traffic by having more examples of benign traffic than malicious ones. This creates inconsistencies in the NIDS’s training data and makes it harder for it to recognize specific forms of data imbalances. We study benchmark datasets, metrics, and intrusion detection systems that strongly depend on machine learning (ML) and deep learning (DL) models. This research helps academicians and research scholars to get a brief analysis report on the class-imbalance handling models and intrusion detection models that help to design innovative solutions for handling these issues. -
Classification of COVID-19 in Chest X-ray Images with Restricted Boltzmann Machine as Feature Extractor
Pheiroijam Prishika, Khelchandra ThongamDas Kapitel geht der Klassifizierung von COVID-19 in Röntgenbildern auf der Brust nach und beleuchtet die Herausforderungen, die von bestehenden Diagnoseverfahren ausgehen. Es stellt ein Rahmenwerk vor, das Restricted Boltzmann Machines (RBM) als Feature Extractors verwendet, eine Methode, die in der aktuellen Literatur weniger erforscht ist. Die Studie analysiert empirisch bestehende Ansätze und betont die Notwendigkeit effektiver Techniken zur Extraktion von Merkmalen. Das vorgeschlagene Rahmenwerk, bestehend aus Bildvorverarbeitung, Segmentierung, Featureextraktion und Klassifizierung, demonstriert überlegene Leistung unter verschiedenen Bedingungen. Der Einsatz von RBM eröffnet eine neue Perspektive in der medizinischen Bildgebung und zeigt Potenzial für verbesserte Genauigkeit und Effizienz bei der COVID-19-Erkennung.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractThe global outbreak of the coronavirus, commonly known as COVID-19 has rapidly spread worldwide, affecting nearly every nation and causing significant fatalities. With over 440 million confirmed cases and more than 6.09 million deaths, the need for efficient and cost-effective monitoring of affected individuals is paramount. Chest X-rays are readily accessible, economical, and reliable diagnostic technology. This study proposes a framework utilising restricted Boltzmann machines (RBM) as a feature extractor, categorising extracted features into three classes: COVID-19 positive, normal, and pneumonia. To enhance the model’s performance, we leverage image enhancement techniques, including gamma correction with two gamma values (0.5 and 1.5) and contrast limited adaptive histogram equalization (CLAHE) with two clipLimit values (0.2 and 3.0). The proposed model undergoes rigorous evaluation across various setups and is compared against three existing methods using multiple publicly available datasets. Notably, the proposed model, employing a gamma value of 1.5, achieves outstanding results with an accuracy of 98.21%. -
Weather Forecasting with Time Series Dataset Using Deep Learning Algorithms
Tripti Kumari, Bharat Singh, Nidhi Kushwaha, Jitendra Kumar MishraDieses Kapitel vertieft den Einsatz von Deep-Learning-Algorithmen für die Wettervorhersage, wobei der Schwerpunkt auf Zeitreihendatensätzen liegt. Es stellt die Bedeutung der Wettervorhersage in verschiedenen Sektoren und die Rolle des tiefen Lernens im Umgang mit großen Datensätzen vor. Die Studie vergleicht die Leistung dreier Deep-Learning-Modelle - RNN, LSTM und GRU - bei der Vorhersage von Wetterparametern wie Temperatur, Luftfeuchtigkeit und Druck. Die Autoren diskutieren die Methoden und Architekturen dieser Modelle und heben ihre Vorteile und Grenzen hervor. Das Kapitel präsentiert außerdem eine Fallstudie unter Verwendung des Wetterdatensatzes von Messina City, Italien, und bewertet die Modelle auf Grundlage von Metriken wie MSE, RMSE, MAE und R-squared. Die Ergebnisse deuten darauf hin, dass LSTM zwar eine höhere Genauigkeit bietet, GRU jedoch eine schnellere Ausführungszeit. Das Kapitel schließt mit einer Diskussion über zukünftige Arbeiten, einschließlich der Anwendung dieser Modelle auf multivariate Zeitreihendaten.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractWeather forecasts exert both direct and indirect influences on a nation’s economy and the well-being of its populace. The major goal of this study is to predict the weather parameters using deep learning weather prediction algorithms, such as recurrent neural networks (RNNs), long short-term memory (LSTM), and gated recurrent units (GRU). In this study, we have implemented three deep learning RNN models. The first one is basic (i) RNNs, which is the most classical and traditionally used architecture with time series sequence data forecasting problems, and the second one is (ii) LSTM, which is mainly developed to overcome the vanishing gradient problem of RNN. The third one is (iii) GRU, which is similar to LSTM but it takes less time to train the models compared to LSTM. Here, we have used different time series-based data preprocessing techniques like anomaly detection, interpolation, and Dickyfuller test techniques to filter the time series weather data. We have implemented these three models with weather datasets for univariate analysis. We have done future prediction of temperature features by taking previous 100 days data and predicted 30 days temperature with LSTM and with GRU, we took past 4000 days data and predicted 1000 days temperature. Finally, we evaluate model performance which is good enough than other traditional model accuracy results. -
Deep Reinforcement Learning Approach for Autonomous Vehicles to Cross Junctions
Samsani Surekha, R. V. S. Lalitha, Munnangi Srikanya, Sureddy Jaya Sri, Radha Kinjagi, Dande KeerthanaDas Kapitel geht auf die Herausforderungen ein, vor denen autonome Fahrzeuge (AVs) an Kreuzungen stehen und schlägt einen Ansatz vor, um diesen Herausforderungen zu begegnen. Es stellt das Konzept der Tagfahrlicht und ihre Anwendung beim autonomen Fahren vor und konzentriert sich auf den Einsatz von Deep Q-Networks (DQNs), um optimale Strategien für Kreuzungsübergänge zu lernen. Der Workflow für die Schulung von AVs wird skizziert, einschließlich der Schaffung der Umgebung, des Lernmechanismus und des Testprozesses. Das Kapitel präsentiert auch experimentelle Ergebnisse, die die Wirksamkeit des vorgeschlagenen DRL-Ansatzes bei der Verbesserung der Erfolgsquote und Minimierung verpasster Chancen für AVs an Kreuzungen zeigen. Darüber hinaus werden die Vorteile der Verwendung zweier neuronaler Netzwerke im Trainingsprozess diskutiert und zukünftige Verbesserungen für das vorgeschlagene System vorgeschlagen.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractAutonomous driving has the ability to reduce the frequency of traffic accidents by eliminating the possibility of human error, which is a major cause of accidents. Considering various scenarios in autonomous driving, crossing intersections is one of the most complex scenarios. This study addresses a solution for autonomous vehicles (AVs) based on deep reinforcement learning (DRL), which will be helpful for crossing intersections safely and efficiently. DRL-enabled decision-making framework is used in this research to train the AVs to drive through intersections without any collisions. The interaction between autonomous vehicles (AVs) and other vehicles was modeled using the Markov decision process (MDP), and the optimal driving policy was obtained using the deep Q-network algorithm. Performance was measured based on the success rate and missed opportunities. -
IoT-Enabled Soil Health Prediction and Crop Suitability Analysis
K. Harini Reddy, Snigdha Peddi, T. Satya KiranmaiDieses Kapitel vertieft die Konvergenz von IoT und Landwirtschaft und konzentriert sich auf die revolutionären Einsatzmöglichkeiten von IoT-basierten Systemen zur Vorhersage der Bodengesundheit und zur Bewertung der Anbaueignung. Es untersucht kritisch ein Spektrum von Forschungsarbeiten und destilliert das kollektive Wissen rund um IoT-gestützte Systeme zur Vorhersage der Bodengesundheit. Die Studie betont die zentrale Rolle der Bodengesundheit für die landwirtschaftliche Produktivität und das Versprechen von IoT-Geräten zur Echtzeitüberwachung und -analyse. Verschiedene Methoden wie hybride maschinelle Lernalgorithmen, zufällige Wald- und K-Mittel-Cluster und extreme Lernmaschinen werden erforscht. Das Kapitel beleuchtet auch die Grenzen und zukünftigen Forschungsrichtungen, einschließlich der Notwendigkeit umfassenderer vergleichender Analysen und Tests in der realen Welt. Dieses Kapitel bietet ein umfassendes Verständnis der gegenwärtigen Landschaft und potenzieller Fortschritte und liefert wertvolle Erkenntnisse für eine fundierte Entscheidungsfindung in der Präzisionslandwirtschaft.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractIn contemporary agriculture, modern-era carbon integration is important for enhancing crop yields and environmental sustainability. With soil sensors to expect soil health and check crop suitability for knowledgeable choice-making. This venture integrates IoT generation in agriculture. The sensors continuously display soil parameters, specifically carbon ranges and soil moisture, transmitting actual-time facts for analysis. It offers a thorough evaluation of a type of research on IoT-based to tal soil health prediction systems for the analysis of crop suitability where superior algorithms generate predictive models, allowing timely decisions for optimizing agricultural practices. Farmers advantage by selecting appropriate crops and effectively making use of fertilizers, mainly to improve yield and useful resource efficiency. The primary consciousness is to evaluate the effectiveness and improvements in utilizing the IoT era and machine-mastering algorithms for optimizing agricultural practices.
- Titel
- Algorithms and Computational Theory for Engineering Applications
- Herausgegeben von
-
Sripada Rama Sree
Sachin Kumar
- Copyright-Jahr
- 2025
- Verlag
- Springer Nature Switzerland
- Electronic ISBN
- 978-3-031-72747-4
- Print ISBN
- 978-3-031-72746-7
- DOI
- https://doi.org/10.1007/978-3-031-72747-4
Informationen zur Barrierefreiheit für dieses Buch folgen in Kürze. Wir arbeiten daran, sie so schnell wie möglich verfügbar zu machen. Vielen Dank für Ihre Geduld.
