Automated fruit classification is a stimulating problem in the fruit growing and retail industrial chain as it assists fruit growers and supermarket owners to recognize variety of fruits and the status of the container or stock to increase business profit and production efficacy. As a result, intelligent systems using machine learning and computer vision approaches were explored for ripeness grading, fruit defect categorization, and identification over the last few years. Recently, deep learning (DL) methods for classifying fruits led to promising performance that effectively extracts the feature and carries out an end-to-end image classification. This paper introduces an Automated Fruit Classification using Hyperparameter Optimized Deep Transfer Learning (AFC-HPODTL) model. The presented AFC-HPODTL model employs contrast enhancement as a pre-processing step which helps to enhance the quality of images. For feature extraction, the Adam optimizer with deep transfer learning-based DenseNet169 model is used in which the Adam optimizer fine-tunes the initial values of the DenseNet169 model. Moreover, a recurrent neural network (RNN) model is utilized for the identification and classification of fruits. At last, the Aquila optimization algorithm (AOA) is exploited for optimal hyperparameter tuning of the RNN model in such a way that the classification performance gets improved. The design of Adam optimizer and AOA-based hyperparameter optimizers for DenseNet and RNN models show the novelty of the work. The performance validation of the presented AFC-HPODTL model is carried out utilizing a benchmark dataset and the outcomes report the promising performance over its recent state-of-the-art approaches.

Breast cancer is the major cause behind the death of women worldwide and is responsible for several deaths each year. Even though there are several means to identify breast cancer, histopathological diagnosis is now considered the gold standard in the diagnosis of cancer. However, the difficulty of histopathological image and the rapid rise in workload render this process time-consuming, and the outcomes might be subjected to pathologists' subjectivity. Hence, the development of a precise and automatic histopathological image analysis method is essential for the field. Recently, the deep learning method for breast cancer pathological image classification has made significant progress, which has become mainstream in this field. This study introduces a novel chaotic sparrow search algorithm with a deep transfer learning-enabled breast cancer classification (CSSADTL-BCC) model on histopathological images. The presented CSSADTL-BCC model mainly focused on the recognition and classification of breast cancer. To accomplish this, the CSSADTL-BCC model primarily applies the Gaussian filtering (GF) approach to eradicate the occurrence of noise. In addition, a MixNet-based feature extraction model is employed to generate a useful set of feature vectors. Moreover, a stacked gated recurrent unit (SGRU) classification approach is exploited to allot class labels. Furthermore, CSSA is applied to optimally modify the hyperparameters involved in the SGRU model. None of the earlier works have utilized the hyperparameter-tuned SGRU model for breast cancer classification on HIs. The design of the CSSA for optimal hyperparameter tuning of the SGRU model demonstrates the novelty of the work. The performance validation of the CSSADTL-BCC model is tested by a benchmark dataset, and the results reported the superior execution of the CSSADTL-BCC model over recent state-of-the-art approaches.

Smart grid represents an advanced and interconnected system that incorporates modern technologies to enhance efficiency, reliability and sustainability. In comparison to the conventional grid, the smart grid (SG) uses many cutting-edge technologies. This research introduces a fog computing encryption-based model for privacy preservation in the smart grid model. By using different advanced technologies, our model addresses the balance between privacy, security, effectiveness and functionality. The model facilitates efficient communication and function inquiry while mitigating challenges posed by massive Internet of Things (IoT) systems in the smart grid environment. Specifically, it tackles the secure data consolidation challenge by employing encryption-based techniques for transmitting private data from smart meters to fog devices. These devices consolidate the data before updating to cloud. Conventional data consolidation approaches for SGs have high computation and communication costs and suffer from high storage requirement. The proposed model resolves these issues; algorithms for data consolidation and extraction of data at fog device and cloud respectively to obtain the secure communication has also been included. The performance of the developed mechanism has been computed against existing data consolidation mechanisms GCEDA (Grouping of Clusters for Efficient Data Aggregation), SPPDA (Secure Privacy-Preserving Data Aggregation) and LPDA (Lightweight Privacy-preserving Data Aggregation) for numerous performance parameters. And the results proves that the performance of developed mechanism with respect to bytes of storage, communication cost and ratio of transmission is better than the existing ones.

Depression is a global mental disorder, and traditional diagnostic methods mainly rely on scales and subjective evaluations by doctors, which cannot effectively identify symptoms and even carry the risk of misdiagnosis. Brain-Computer Interfaces inspired deep learning-assisted diagnosis based on physiological signals holds promise for improving traditional methods lacking physiological basis and leads next generation neuro-technologies. However, traditional deep learning methods rely on immense computational power and mostly involve end-to-end network learning. These learning methods also lack physiological interpretability, limiting their clinical application in assisted diagnosis. A brain-like learning model for diagnosing depression using electroencephalogram (EEG) is proposed. The study collects EEG data using 128-channel electrodes, producing a 128×128 brain adjacency matrix. Given the assumption of undirected connectivity, the upper half of the 128×128 matrix is chosen in order to minimise the input parameter size, producing 8,128-dimensional data. After eliminating 28 components derived from irrelevant or reference electrodes, a 90×90 matrix is produced, which can be used as an input for a single-channel brain-computer interface image. At the functional level, a spiking neural network is constructed to classify individuals with depression and healthy individuals, achieving an accuracy exceeding 97.5%. Compared to deep convolutional methods, the spiking method reduces energy consumption. At the structural level, complex networks are utilized to establish spatial topology of brain connections and analyse their graph features, identifying potential abnormal brain functional connections in individuals with depression.

The application of regression machine learning techniques is crucial for the analysis and optimization of energy systems based on geothermal energy to produce freshwater, power, and heating. This study applied regression machine learning techniques to investigate and optimize a geothermal tri-generation energy system that combines double-flash geothermal energy, humidification-dehumidification desalination, and transcritical carbon dioxide Rankine cycle. The goal was to produce freshwater, power, and heating. The algorithms performed remarkably well, with R-squared values surpassing 96%. It is worth mentioning that for specific parameters like freshwater production, heating capacity, and efficiency, the R-squared values exceeded an impressive 99%. The optimum conditions include maintaining a Rankine pressure ratio of 3, a mass flow rate of 30 kg/s, a geothermal temperature of 220 °C, and a turbine pressure ratio of 2.2. By following these ideal parameters, it is possible to achieve the highest level of system performance. This will lead to the production of 7.88 kg/s of freshwater, the generation of 1283 kW of power, a heating capacity of 30.8 kg/s, and an impressive system efficiency of 24.98%. The findings reveal that the integration of regression machine learning algorithms in geothermal energy systems for freshwater, power, and heating production holds great promise for a sustainable and efficient future.

The progressive nature and early identification requirements of Alzheimer’s disease (AD) provide an immense challenge in healthcare. The present study introduces a novel ensemble learning technique for detecting AD, using cutting-edge deep learning (DL) and classic machine learning (ML) techniques. The feature extraction process is carried out with YOLOv7 and EfficientNet B3 models, which effectively capture spatial and semantic information from brain imaging data. CatBoost and XGBoost are used as base learners, using gradient-boosting capabilities for classification. In order to improve the accuracy of predictions, support vector machines are used as meta-learners to effectively merge the results of the base models. We performed trials on a dataset from the Kaggle repository and achieved a remarkable average accuracy of 99.8%. Our methodology shows the effectiveness of integrating DL and classic ML methods in detecting AD. The ensemble architecture not only boosts the accuracy of classification but also improves the resilience and generalizability of the model. The study’s results indicate promising directions for advancing the development of precise and dependable diagnostic instruments for AD. The proposed research has the potential to assist medical professionals in identifying the condition at an early stage and planning appropriate interventions and treatments.