XiaoMi-AI文件搜索系统
World File Search System估计器
基于 非参数 感应 电机 转子 磁链 估计 器 的 研究 .
基于电流模型和电压模型的传统感应电机转子磁通观测器对参数不确定性很敏感。本文提出了一种基于前馈神经网络的非参数感应电机转子磁通估计器。该估计器无需电机参数即可运行，因此不受参数不确定性的影响。该模型采用 Levenberg-Marquardt 算法离线训练。所有数据收集、训练和测试过程均在 MATLAB/Simulink 环境中完成。训练过程中强制迭代 1,000 个时期。此建模过程总共使用了 603,968 个数据集。该四输入两输出神经网络模型能够为磁场定向控制系统提供转子磁通估计，其误差为 3.41e-9 mse，训练时间为 28 分 49 秒。该模型在参考速度阶跃响应和参数不确定性下进行了测试。结果表明，所提出的估计器改进了电压模型和电流模型转子磁通观测器的参数不确定性。
变分...
HAMON FZCO，研发摘要这项工作提出了一个广义梯度估计器，该梯度估计器优化了涉及已知或黑框函数的期望，用于离散和连续的随机变量。我们合成并扩展了用于构建梯度估计器的标准方法，提供了一个框架，该框架会产生最小的计算开销。我们提出的方法证明了各种自动编码器的有效性，并引入了对加强学习，适应离散和连续的动作设置的直接扩展。实验结果揭示了提高的训练性能和样本效率，突出了我们在各个领域中估计器的实用性。未来的应用程序包括具有复杂注意力机制的培训模型，具有非差异可能性的连续远值模型，以及将我们的方法与现有方差减少技术和优化方法相结合。关键字：梯度估计，变异自动编码器（VAE），增强学习，重新聚集技巧，控制变体，策略梯度方法1。简介基于坡度的增强支持AI中的推进和支持学习。反向传播[16,19,12]的数字确定了可区分目标的斜率，而重新聚集技巧[24,4,4,13]赋予了概率模型的实际改进。尽管如此，许多目标需要斜率进行反向传播，例如，支持学习的黑盒能力[18]或离散抽样的不连续性[7,2]。[22]通过持续的放松提出了一个有思想的，低裂开的评估者。2。正在进行的技术通过角度评估者（包括艺人专家方法[21]和持续放松[7,2]来解决这一问题。我们通过学习基于大脑网络的控制变量来扩大这一点，即使没有一致的放松，也可以产生较低的，公平的评估材料，例如在支持学习或黑盒改进中。背景2.1。倾斜度估计器简化边界θ扩大支持学习中显示的假设（预期奖励Eτ〜π [r]）和休眠变量模型（增强p（x |θ）= e p（z |θ）[p（x | z）]）。我们增强L（θ）= E P（B |θ）[F（B）]。（1）
机器学习的基础
我们首先介绍了分类和预测的近似正确的学习理论。然后，我们考虑调谐参数的正则化和数据驱动的选择。我们将讨论如何使用Python和Scikit-Learn软件包执行监督的学习任务。我们将讨论规范正常手段模型。在此模型中，我们将以不同的方式激励收缩估计器，并证明收缩估计器可以统一地主导常规估计器的著名结果。我们接下来将引入深度神经网，这是一种非常成功的监督学习方法。在这种情况下，我们还将考虑用于训练神经网的数值方法，例如随机梯度下降。我们通过讨论变压器和（大型）语言模型来完成课程的这一部分，这是深度神经网的应用，最近在最近受到了特别关注。课程的下一部分将涵盖在线和自适应学习的不同框架。我们将从对抗性在线学习设置开始，那里根本没有对数据生成的概率假设。我们将接下来考虑多臂匪徒，并回顾一些理论结果，为在土匪设置中用于学习的算法提供性能保证（后悔界限）。
raghav singal
本文代表了我在针对统计鲁棒性的基于邻里的技术的新方法中的工作。这项工作偏离了使用邻里方法来建立稳健估计器的经典思想，通过构造估计器来抵抗与观察到的训练数据经验分布的偏差，而不是与某些参数模型的偏差。通过在分布强大的优化，经验过程理论和所谓的最大遗嘱遗嘱距离之间建立新的联系，这项工作估计了受惩罚回归问题的通用错误。据我所知，这是直接将基于概率指标空间的最佳基于基于运输的度量的最佳度量连接到所考虑的损失函数以提供鲁棒性保证的工作。
使用通过进化枝概率参数的树分布进行精确的贝叶斯系统发育点估计
使用MCMC算法的贝叶斯系统发育分析产生了以系统发育树和相关参数样本形式的系统发育树的poserior分布。树空间的高维度和非欧几里得性质使总结树空间中后验分布的核心趋势和方差复杂。在这里，我们介绍了一个可从树的后部样本构建的可构造的新的树木分布和相关的点估计器。通过模拟研究，我们表明，这一点估计器的性能也至少要比产生贝叶斯后摘要树的标准方法更好。我们还表明，执行最佳的摘要方法取决于样本量和以非平凡的方式的尺寸 - 问题。
Tanya P. Garcia博士 课程Vitae Larelle H. Bookhart博士，...
57。Vazquez，J.E.，MA，Y.，Marder，K。和Garcia，T.P。 调整关节建模方法来处理审查的协变量。 56。 Grosser，K.，MA，Y.，Marder，K。和T.P. Garcia 用审查协变量纠正非线性轨迹中的偏差。 55。 li，K.，Ma，Y.，Marder，K。和T.P. Garcia 超级双重稳健的估计器，用于提供信息的协变量审查。 54。 Lee，S。 *，理查森，B.D。 ∗（ *共享第一个作者身份），MA，Y.，Marder，K。和Garcia，T.P。 右审查协变量的双重稳定估计器。 53。 Vazquez，J.E.，MA，Y.，Marder，K。和Garcia，T.P。 纵向混合模型的估计器，以解释正确的审查协变量。 52。 Vazquez，J.E.，Ashner，M.C.，Ma，Y.，Marder，K。和Garcia，T.P。 评估估计量的鲁棒性，以审查提供信息的协变量。 51。 Zhao，B.，Zeng，D.，Garcia，T.P。 ，Li，H.，Xie，W.，Tang，Y.，Lopez，J.S。和Cai，J。在西班牙裔社区健康研究/拉丁美洲人研究中，用于分析具有复杂采样设计的相关数据的多级建模。Vazquez，J.E.，MA，Y.，Marder，K。和Garcia，T.P。调整关节建模方法来处理审查的协变量。56。Grosser，K.，MA，Y.，Marder，K。和T.P. Garcia 用审查协变量纠正非线性轨迹中的偏差。 55。 li，K.，Ma，Y.，Marder，K。和T.P. Garcia 超级双重稳健的估计器，用于提供信息的协变量审查。 54。 Lee，S。 *，理查森，B.D。 ∗（ *共享第一个作者身份），MA，Y.，Marder，K。和Garcia，T.P。 右审查协变量的双重稳定估计器。 53。 Vazquez，J.E.，MA，Y.，Marder，K。和Garcia，T.P。 纵向混合模型的估计器，以解释正确的审查协变量。 52。 Vazquez，J.E.，Ashner，M.C.，Ma，Y.，Marder，K。和Garcia，T.P。 评估估计量的鲁棒性，以审查提供信息的协变量。 51。 Zhao，B.，Zeng，D.，Garcia，T.P。 ，Li，H.，Xie，W.，Tang，Y.，Lopez，J.S。和Cai，J。在西班牙裔社区健康研究/拉丁美洲人研究中，用于分析具有复杂采样设计的相关数据的多级建模。Grosser，K.，MA，Y.，Marder，K。和T.P. Garcia用审查协变量纠正非线性轨迹中的偏差。55。li，K.，Ma，Y.，Marder，K。和T.P. Garcia超级双重稳健的估计器，用于提供信息的协变量审查。54。Lee，S。 *，理查森，B.D。 ∗（ *共享第一个作者身份），MA，Y.，Marder，K。和Garcia，T.P。 右审查协变量的双重稳定估计器。 53。 Vazquez，J.E.，MA，Y.，Marder，K。和Garcia，T.P。 纵向混合模型的估计器，以解释正确的审查协变量。 52。 Vazquez，J.E.，Ashner，M.C.，Ma，Y.，Marder，K。和Garcia，T.P。 评估估计量的鲁棒性，以审查提供信息的协变量。 51。 Zhao，B.，Zeng，D.，Garcia，T.P。 ，Li，H.，Xie，W.，Tang，Y.，Lopez，J.S。和Cai，J。在西班牙裔社区健康研究/拉丁美洲人研究中，用于分析具有复杂采样设计的相关数据的多级建模。Lee，S。 *，理查森，B.D。∗（ *共享第一个作者身份），MA，Y.，Marder，K。和Garcia，T.P。右审查协变量的双重稳定估计器。53。Vazquez，J.E.，MA，Y.，Marder，K。和Garcia，T.P。 纵向混合模型的估计器，以解释正确的审查协变量。 52。 Vazquez，J.E.，Ashner，M.C.，Ma，Y.，Marder，K。和Garcia，T.P。 评估估计量的鲁棒性，以审查提供信息的协变量。 51。 Zhao，B.，Zeng，D.，Garcia，T.P。 ，Li，H.，Xie，W.，Tang，Y.，Lopez，J.S。和Cai，J。在西班牙裔社区健康研究/拉丁美洲人研究中，用于分析具有复杂采样设计的相关数据的多级建模。Vazquez，J.E.，MA，Y.，Marder，K。和Garcia，T.P。纵向混合模型的估计器，以解释正确的审查协变量。52。Vazquez，J.E.，Ashner，M.C.，Ma，Y.，Marder，K。和Garcia，T.P。 评估估计量的鲁棒性，以审查提供信息的协变量。 51。 Zhao，B.，Zeng，D.，Garcia，T.P。 ，Li，H.，Xie，W.，Tang，Y.，Lopez，J.S。和Cai，J。在西班牙裔社区健康研究/拉丁美洲人研究中，用于分析具有复杂采样设计的相关数据的多级建模。Vazquez，J.E.，Ashner，M.C.，Ma，Y.，Marder，K。和Garcia，T.P。评估估计量的鲁棒性，以审查提供信息的协变量。51。Zhao，B.，Zeng，D.，Garcia，T.P。 ，Li，H.，Xie，W.，Tang，Y.，Lopez，J.S。和Cai，J。在西班牙裔社区健康研究/拉丁美洲人研究中，用于分析具有复杂采样设计的相关数据的多级建模。Zhao，B.，Zeng，D.，Garcia，T.P。，Li，H.，Xie，W.，Tang，Y.，Lopez，J.S。和Cai，J。在西班牙裔社区健康研究/拉丁美洲人研究中，用于分析具有复杂采样设计的相关数据的多级建模。
多阶段固定治疗政策的渐近推断，可变选择
动态治疗方案或政策是针对单个特征量身定制的多个阶段的决策功能的序列。实践中的一类重要的治疗政策，即多阶段固定治疗政策，规定了使用相同决策功能在各个阶段使用相同决策功能的治疗分配概率，在该阶段中，该决定基于相同的相同特征，这些功能集成了时间改进的变量（例如，经常收集的，常规收集的疾病生物标志物）。尽管有广泛的文献来构建与动态治疗策略相关的价值函数的有效推断，但很少的工作集中在策略本身上，尤其是在存在高维特征变量的情况下。我们旨在填补这项工作的空白。具体来说，我们首先使用增强的价值加权估计器来估算多阶段固定治疗策略，以提高渐近效率，并进一步应用惩罚来选择重要的特征变量。然后，我们为有效推理构建策略参数估计器的一步改进。从理论上讲，我们表明改进的估计器在渐近上是正常的，即使在较慢的收敛速率上估算了滋扰参数，并且特征变量的尺寸随样本尺寸而增加。我们的数值研究表明，所提出的方法估计具有近乎最佳价值函数的稀疏政策，并对策略参数进行有效的推断。
传感器故障检测、隔离和调节...
摘要 — 传感器技术通过将现场和实时原始数据集成到数字孪生中来赋能工业 4.0。然而，由于固有问题和/或环境条件，传感器可能不可靠。本文旨在检测传感器测量中的异常，识别故障数据并用适当的估计数据进行调整，从而为可靠的数字孪生铺平道路。更具体地说，我们提出了一种基于机器学习的通用传感器验证架构，该架构基于一系列神经网络估计器和分类器。估计器对应于所有不可靠传感器的虚拟传感器（用于重建正常行为并替换系统内孤立的故障传感器），而分类器用于检测和隔离任务。对三个不同的真实世界数据集进行了全面的统计分析，并在硬和软合成故障下验证了所提出的架构的性能。
![识别GOarxiv：2502.07152v1 [stat.me] 2025年2月11日](/simg/g:\will\search\icon\source\c\c0d38841188ce8f6f2ea20a930ae622410b7dd28.webp)
识别GOarxiv：2502.07152v1 [stat.me] 2025年2月11日
表E 3的平均平方误差（MSE）和跨样本尺寸n = 100、300和500的方差组件估计量的平均绝对误差（MAE）。MSE和MAE都随着样本量的增加而减小，从而验证了估计器的准确性和收敛性。