Abstract The worldwide process of converting most activities of both corporate and non-corporate entities into digital formats is now firmly established. Machine learning models are necessary to serve as a tool for preventing illegal intrusion onto different networks. The machine learning (ML) model's strengths and drawbacks pertain to intrusion detection (IDS) tasks. This study used an experimental methodology to assess the efficacy of various ML models, including linear SVC, LR, random forest (RF), decision tree (DT), and XGBoost, in detecting intrusion on the UNSW NB15 datasets. The objective is to compare the strengths and shortcomings of these models. Data exploration, Feature engineering, selection and a test set of 15%, a validation set of 15%, and a training set of 70% respectively were used for data splitting. Performance evaluation was carried out using accuracy, recall, precision F1-score and confusion matrix plotted. The outcome of the experiment shows a percentage of 92.71% (1, normal) and 7.29% (0, attack) for normal traffic and attack traffic respectively. Performance evaluation results showed that RF and XGBoost outperformed the other ML models. Hence, ML models can effectively be used to detect system attacks. We intend to expand this research in the future and use the paradigm in a real-world setting with further conclusions and justifications.

Gender identification from video is an emerging research field that aims to automatically classify the gender of individuals based on video data. Due to the numerous applications for this task, it has received a lot of attention, including surveillance, human-computer interaction, and targeted marketing. In this study, we propose a gender identification system that utilizes the Pelican optimizer algorithm in combination with a Support Vector Machine (SVM) classifier. The Pelican optimizer is a metaheuristic algorithm inspired by the hunting behaviour of pelicans and has shown promising results in solving optimization problems. Pelican optimizer algorithm (POA) is applied to optimize the SVM parameter selection process such as kernel function. The POA algorithm searches for an optimal subset of parameters that maximizes the classification performance of the SVM model after the application of preprocessing and feature extraction techniques such as Local Binary Pattern (LBP). Finally, the selected optimized parameters otherwise known as POA-SVM classifier learns a decision boundary based on the labeled training data. The POA-SVM model is trained to distinguish between male and female samples and generalize the classification to unseen video data. Experimental evaluations are conducted using a benchmark dataset consisting of video samples with labelled gender information. The effectiveness of the suggested system is contrasted with other cutting-edge gender identification techniques. The results demonstrate the effectiveness of the Pelican Optimization Algorithm-SVM system, showing improved accuracy of 95%, and sensitivity of 94.4% at a faster recognition rate in gender classification from video data.

A micro-grid (MG) is regarded as a localized small-scale power supply system designed for providing electrical power for a remote community, which may be connected to the grid. The paper considers six participants' sites in a remote community. The peak energy consumption patterns for these participants must be different to ensure coalition for mutual benefits and this would facilitate efficient utilization of energy resources. This community concerned may include rural communities having participants such as schools, housing estates, industrial sites, etc. The propose approach would ensure that many participants and their needs are captured and optimized profit of the participants would ensure mutual benefits. In islanded MG, most of the cost/profit distributions in energy trading problems are done based on the self-interest of the participants. Some consider a fair (acceptable or reasonable) cost/profit distribution using the cooperative game theory (CGT) based on the Nash bargaining solution (NBS). However, this method leads to a high degree of dissatisfaction. To improve the fairness and mutual benefits for all MG participants, a new flexible approach is developed. Specifically, CGT which uses a generalized NBS (GNBS) has been proposed, which relaxes certain axiom of the NBS to ensure that fairness of game theory is achieved. The approach allows the profit of the MG participants to be shared using a mechanism based on the negotiation power (i.e. weighted fairness) so that the MG would attain an improved economic outcome. Empirical evaluation of the approach indicates that overall profits using CGT is higher when compared with an independent approach. Moreover, different in negotiation power is achieved in which higher profit is allocated to any participant based on participant's mutual agreement in achieving fair profit distribution. A robust optimization algorithm called Teaching-Learning-Based-Optimization (TLBO) is developed to obtain optimal results. The heuristics algorithms are used in testing the effectiveness of TLBO, which confirm that the TLBO is indeed powerful and robust enough to give quality solutions in solving energy-trading problems.

With Al becoming more and more relevant in today's world, this project aims to develop a 2D game engine with an Al subsystem for state-driven agents, which is rarely implemented by a lot of 2D engines out there. In this study, a 2D game engine was designed with an FSM (Finite State Machine)--based AL subsystem using state-driven game agents. The engine was implemented using the Javascript programming language and the WebGL 2.0 graphics library/API. It is targeted at web-based games/simulations. Components and subsystems include physics, audio, math, rendering, and AI (based on finite-state machines). The FSM-based AI subsystem is a solution aimed at reducing the ambiguity and performance hits associated with creating 2D game AI in the naive approach. The AI subsystem creates an interface for 2D games to be created with a common paradigm, and simulated with a great level of realism. The state machine used in this study is used to represent a variety of behaviours, such as wandering, attacking, and fleeing. The following conclusions were drawn as regards the impact of the AI approach used on rendering performance; the naive approach to implementing game AI is also compared with the FSM approach in terms of rendering (frames per second/ FPS, or frame rate). With the naive approach (vector math) being used to implement AI, there was a drop in the rendering frame rate to 50 FPS. The FSM approach didn't affect the frame rate, which is usually at 60FPS. With a well-developed FSM (Finite State Machine), game agents can transition between states easily as a response to user input or stimulus from the game environment. The proposed method was tested by creating a prototype game with the 2D game engine. The prototype game was a straightforward side-scrolling platformer featuring a cast of non-player characters (NPCs). This approach to implementing 2D game AI goes a long way toward improving performance and mitigating ambiguity in the code.

In this paper, we propose a novel method for producing image captions through the utilization of Generative Adversarial Networks (GANs) and Vision Transformers (ViTs) using our proposed Image Captioning Utilizing Transformer and GAN (ICTGAN) model. Here we use the efficient representation learning of the ViTs to improve the realistic image production of the GAN. Using textual features from the LSTM-based language model, our proposed model combines salient information extracted from images using ViTs. This merging of features is made possible using a self-attention mechanism, which enables the model to efficiently take in and process data from both textual and visual sources using the self-attention properties of the self-attention mechanism. We perform various tests on the MS COCO dataset as well as the Flickr30k dataset, which are popular benchmark datasets for image-captioning tasks, to verify the effectiveness of our proposed model. The outcomes represent that, on this dataset, our algorithm outperforms other approaches in terms of relevance, diversity, and caption quality. With this, our model is robust to changes in the content and style of the images, demonstrating its excellent generalization skills. We also explain the benefits of our method, which include better visual–textual alignment, better caption coherence, and better handling of complicated scenarios. All things considered, our work represents a significant step forward in the field of picture caption creation, offering a complete solution that leverages the complementary advantages of GANs and ViT-based self-attention models. This work pushes the limits of what is currently possible in image caption generation, creating a new standard in the industry.