XiaoMi-AI文件搜索系统
World File Search System回归技术
基于 SSVEP 的 BCI 系统的正则化张量管道
大脑中周期性信号称为稳态视觉诱发电位 (SSVEP)，由闪烁刺激引起。它们通常通过回归技术检测，该技术需要相对较长的试验长度来提供反馈和/或足够数量的校准试验才能在脑机接口 (BCI) 的背景下可靠地估计。因此，对于设计用于使用 SSVEP 信号操作的 BCI 系统，可靠性是以速度或额外记录时间为代价的。此外，无论试验长度如何，当存在影响对闪烁刺激的注意力的认知扰动时，无校准回归方法已被证明会出现显著的性能下降。在本研究中，我们提出了一种称为振荡源张量判别分析 (OSTDA) 的新技术，该技术提取振荡源并使用新开发的基于张量的收缩判别分析对其进行分类。所提出的方法对于只有少量校准试验可用的小样本量设置非常可靠。此外，它在低通道数和高通道数设置下都能很好地工作，试验时间短至一秒。 OSTDA 在不同实验设置（包括具有认知障碍的实验设置）下的表现与其他三种基准最新技术相似或明显更好（即具有控制、听力、口语和思考条件的四个数据集）。 总体而言，在本文中，我们表明 OSTDA 是所有研究管道中唯一能够在所有分析条件下实现最佳结果的管道。 2021 由 Elsevier BV 出版
基于机器学习的推断作物种植成本
摘要。重要的是要理解诸如劳动，种子，灌溉，杀虫剂，肥料和肥料成本等运营费用之间的关系。种植农作物的精确成本可以为农业决策提供重要的信息。该研究的主要目标是比较机器学习（ML）技术，以衡量在生长季节开始之前使用农业部和印度政府农民福利提供的数据集在生长季节开始之前预测作物种植成本的关系。本文介绍了各种ML回归技术，比较了各种学习算法，并根据数据集，样本和属性来确定最有效的回归算法。用于预测1680个实例成本的数据集包括12年（2010- 2011年至2021 - 2022年）的14种不同作物的不同成本。考虑了十种不同的ML算法，并预测了农作物培养成本。评估结果表明，随机森林（RF），决策树（DT），扩展梯度提升（XR）和K-Neighbours（KN）回归在确定系数（R 2），均方根误差（RMSE）和训练时间时提供了更好的性能。这项研究还比较了不同的ML技术，并使用方差统计分析（ANOVA）检验显示出显着差异。关键字：机器学习，农作物种植成本，预测，ANOVA，GRIDSEARCHCV，RANCTAL SEARCHCV。使用GridSearchCV和随机搜索功能找到了ML模型的最佳超参数，从而提高了模型的泛化能力。
电器 - 美国国家经济研究局
除汽车和电子计算机外，家用电器一直是使用享乐回归技术进行研究的最受欢迎的产品。除了 Burstein (1960, 1961) 的开创性研究外，Dhrymes (1971) 和 Triplett 和 McDonald (1977) 都发表了关于家电价格的享乐回归研究，重点研究了冰箱。除了先前的文献之外，家电也是本书中一个有吸引力的主题，其重点是质量变化以运行效率的变化形式出现。能源成本占几种家电总运行成本的很大一部分，特别是冰箱-冰柜、房间空调和干衣机，而调整能源效率变化值的影响将是本章的重点。例如，据估计，电费占冰箱终生成本的 58%，购买成本占 36%，服务成本占剩余的 6%（《消费电器》，无日期，6）。本章开发的主要电器价格指数基于两个独立的信息来源。冰箱、房间空调和洗衣机（包括绞干机和自动洗衣机）的享乐回归方程是从战后最早的日期到 1983 年估算出来的，使用从连续的 Sears、Roebuck 目录中转录的价格和质量特征数据。连续的《消费者报告》（CR）对电器的评估提供了一个单独的价格和特征数据来源。在本章中，CR 数据不用于估计特征回归方程，而是用于根据第 3 章中讨论的比较“非常相似的模型”的技术开发一组单独的价格指数。能源使用的 CR 数据允许估计
基于 SSVEP 的 BCI 系统的正则化张量管道
大脑中闪烁刺激会引发周期性信号，即稳态视觉诱发电位 (SSVEP)。它们通常通过回归技术检测，这种技术需要相对较长的试验长度来提供反馈和/或足够数量的校准试验，以便在脑机接口 (BCI) 的背景下可靠地估计。因此，对于设计用于 SSVEP 信号操作的 BCI 系统，可靠性是以牺牲速度或额外记录时间为代价的。此外，无论试验长度如何，当存在影响对闪烁刺激的注意力的认知扰动时，基于无校准回归的方法已被证明会出现显著的性能下降。在本研究中，我们提出了一种称为振荡源张量判别分析 (OSTDA) 的新技术，该技术提取振荡源并使用新开发的基于张量的收缩判别分析对其进行分类。对于只有少量校准试验可用的小样本量设置，所提出的方法非常可靠。此外，它在低通道数和高通道数设置下都能很好地工作，使用短至一秒的试验。在不同的实验环境下，包括具有认知障碍的实验环境（即具有控制、听力、说话和思考条件的四个数据集），OSTDA 的表现与其他三种基准最新技术相似或明显更好。总体而言，在本文中，我们表明 OSTDA 是所有研究的管道中唯一可以在所有分析条件下实现最佳结果的管道。2021 作者。由 Elsevier BV 出版这是一篇根据 CC BY-NC-ND 许可开放获取的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。
在生态危机时期，绿色技术创新，环境政策以及向可再生能源物质的过渡是否？迈向生态可持续性的一步
在过去的几十年中，生态损害一直是人类的最大威胁。绿色技术创新，环境政策和可再生能源消耗等因素可能在实现生态可持续性的过程中起着至关重要的作用。因此，本研究旨在调查绿色技术创新，环境政策和可再生能源消耗的影响，以及经济增长，贸易开放性和城市化对环境可持续性在现成的Kuznets曲线曲线假设的存在下，从1994年到2018年。为此，我们采用了长期的平均估计方法（FMOL，DOLS，FE-OLS）以及小组分数回归技术，以在各种生态足迹水平上产生异质结果。小组分数回归发现报告报告说，绿色技术创新，环境政策，可再生能源消耗和城市化，通过减少所有分位数来促进生态可持续性。然而，可再生能源消耗对生态可持续性的影响在第10个分位数上在统计学上微不足道。此外，经济增长和经济增长广场对生态足迹的负面影响的重大积极影响证实了环境的库兹尼特曲线假设。此外，研究结果表明，贸易开放性刺激了生态足迹，因此降低了生态可持续性。此外，长期平均估计值的发现类似于小组的分位数回归结果。本研究的发现表明，与不可再生和通过经济援助中的G-7促进绿色技术创新相比，强调和帮助这些国家 /地区需要精心设计的严格政策，并通过经济援助和严格的环境政策政策工具（例如，税收）确保这些国家可持续可持续性。
http://dx.doi.org/10.18576/jsap/120224 在多重线性模型下，稳健主成分分析用于估计尼日利亚的经济增长
摘要：本研究考察了存在多重共线性和异常值的情况下经济增长 (RGDP) 与内部债务 (INDT)、外部债务 (EXDT)、利率 (RINR)、汇率 (REXR) 和贸易开放度 (OPEN) 的关系。使用了 1986 年至 2021 年从尼日利亚中央银行收集的季度数据。使用方差膨胀因子和 Grubb 检验进行的探索性数据分析和诊断揭示了所研究变量之间的线性关系，并确定了数据集中存在多重共线性和异常值。主成分分析显示 INDT 和 EXDT 分别占方差的 38.4% 和 29.2%，因此选择它们的成分 PINDT 和 PEXDT 来降低共线性。此外，稳健 M 估计方法的结果表明，PINDT、PEXDT、RINR、REXR 和 OPEN 对 RGDP 的影响为正，且对 PEXDT 和 OPEN 对 RGDP 的影响显著。具体而言，在所研究的时期内，PINDT、PEXDT、RINR、REXR 和 OPEN 分别使尼日利亚的经济增长提高了 0.10%、0.02%、0.04%、0.06% 和 3.01%。因此，将主成分与以 4.685 为转折点并以中位数为中心的加权双方 M 估计量相结合，被发现是最有效的估计技术，可联合解决两个已确定的假设违反问题。这是基于拟合模型的预测能力，该模型表明，与 S 估计量和 MM 估计量相比，M 估计量的均方根误差 (RMSE) 和平均绝对误差 (MAE) 最小。因此，可以得出结论，研究期间经历的经济挑战极大地影响了已确定的决定因素，而这些决定因素又转化为经济增长。因此，当数据集中同时存在多重共线性和异常值时，稳健主成分回归技术仍然是建模和估计线性模型参数的最佳和无偏技术。关键词：经济增长、多重共线性、异常值、主成分和稳健估计量。
PLOS气候
雄心勃勃的气候政策要求数百万的人接受，他们的日常生活将以昂贵的方式受到影响。反过来，这需要了解如何使大众公众进入船上，并防止政治反对昂贵的气候政策。许多学者都将“框架”，特别量身定制的信息强调某些人口亚组的政治论据的特定子集，这是改变气候信念，态度和行为的有效沟通策略。相反，其他学者认为，人们持有相对稳定的意见，并怀疑框架会改变对气候变化等明显问题的舆论。我们通过两种方式为这场辩论做出了贡献：首先，我们对121个关于气候和环境政策框架的实验研究进行了系统的映射，该研究发表在46个同行评审期刊上，并与这些研究的作者进行了调查的结果。第二，我们说明了使用新型计算方法检查亚组效应的鲁棒性并确定省略的相互作用偏差。我们发现大多数实验都报告了重要的主要和亚组效应，但很少使用高级方法来解释潜在的省略相互作用偏差。此外，只有少数研究使他们的数据公开可用以轻松复制它们。我们对框架研究人员的调查表明，当学者成功发布非显着影响时，这些效果通常与其他重大效果捆绑在一起，以增加出版物的机会。最后，使用贝叶斯计算稀疏回归技术，我们提供了一项说明性的重新分析，该研究重点是通过党派化的亚组框架差异（气候变化态度的关键驱动力），并表明这些效果在计算省略相互作用偏见时通常并不强大。
缩小技术应用于高维，低样本量神经生理数据集
抽象背景：神经生理信号处理中的一个常见问题是从高维，低样本量数据（HDLSS）中提取有意义的信息。我们提出了Roldsis（低维跨度输入空间的回归），这是一种基于降低性降低的回归技术，将解决方案限制在可用观测值所跨越的子空间中。这避免了收缩回归方法中需要的回归过程中的正则参数。结果：我们将Roldsis应用于语音识别实验中收集的EEG数据。在实验中，连续/da/–/ta/中的变形音节作为声学刺激显示给参与者，并记录与事件相关的电位（ERP），然后通过离散小波转换在时间频率结构域中作为一组特征表示。从参与者执行的初步识别任务中选择每组刺激。身体和心理物理属性与每个刺激有关。roldsis推断与每个属性相关的特征空间中的神经生理轴。我们表明，这些轴可以可靠地估计，并且它们的分离与语音分类的个体强度相关。Roldsis提供的结果在时频域中可以解释，可用于推断语音分类的神经物理学相关性。通过交叉验证进行了与常用的正则回归技术的比较。结论：Roldsis获得的预测误差与脊回归获得的预测误差相当，并且比用Lasso和SPLS获得的预测误差较小。然而，Roldsis无需交叉验证就可以实现这一目标，该程序需要从数据中提取大量观测值，并且在平均试验时，降低了信噪比的降低。我们表明，即使Roldsis是一种简单的技术，它也适用于神经生理信号的处理和解释。关键字：脑电图，事件相关电位，线性回归，高尺寸低样本量问题，尺寸减小，音素分类，离散小波转换
业务决策的定量分析：机器学习
本课程应用多个回归技术，包括线性和逻辑模型拟合，推理和诊断。降低文本采矿的应用。将强调具有大量功能的数据集的特殊适用性的方法。示例包括但不限于前后选择，套索和脊正规化。模型复杂性，偏差差异和模型验证的问题将在大型数据集的背景下进行研究。也少于分布假设的方法也被引入，包括交叉验证和非参数方法。 学生还将被介绍给文本分类和神经网络。 还包括 EDEN，历史和工业方面的数据科学，以及机器学习在会计，经济学，财务，信息系统，管理，市场，媒体和社会学等领域的特定应用。 本课程的重要部分将涵盖大型语言模型，单词嵌入，情感分析以及将其应用于大型文本库所需的所有相关定量和编程背景。 在这些讲座中，我们关注机器学习，文本挖掘和业务交集的最新论文。 学生将学习方法论背后的直觉，假设和权衡，重点是现实世界中的问题。 所有编程工作将在Python进行。 完成本课程后，学生将能够：也少于分布假设的方法也被引入，包括交叉验证和非参数方法。学生还将被介绍给文本分类和神经网络。EDEN，历史和工业方面的数据科学，以及机器学习在会计，经济学，财务，信息系统，管理，市场，媒体和社会学等领域的特定应用。本课程的重要部分将涵盖大型语言模型，单词嵌入，情感分析以及将其应用于大型文本库所需的所有相关定量和编程背景。在这些讲座中，我们关注机器学习，文本挖掘和业务交集的最新论文。学生将学习方法论背后的直觉，假设和权衡，重点是现实世界中的问题。所有编程工作将在Python进行。完成本课程后，学生将能够：
文章 石灰石采石场爆炸引起的地面振动预测：一种人工智能方法
摘要：地面振动是爆破活动最不利的环境影响之一，会对邻近的房屋和建筑物造成严重损坏。因此，有效预测其严重程度对于控制和减少其复发至关重要。不同的研究人员提出了几种常规振动预测方程，但大多数仅基于两个参数，即单位延迟使用的炸药量和爆炸面与监测点之间的距离。众所周知，爆破结果受许多爆破设计参数的影响，例如负担、间距、火药系数等。但这些都没有被考虑在任何可用的常规预测器中，因此它们在预测爆炸振动时显示出很高的误差。如今，人工智能已广泛应用于爆破工程。因此，本研究采用了三种人工智能方法，即高斯过程回归 (GPR)、极限学习机 (ELM) 和反向传播神经网络 (BPNN)，来估计印度 Shree Cement Ras 石灰石矿爆破引起的地面振动。为了实现该目标，从矿场收集了 101 个爆破数据集，其中粉末系数、平均深度、距离、间距、负担、装药重量和炮泥长度作为输入参数。为了进行比较，还使用相同的数据集构建了一个简单的多元回归分析 (MVRA) 模型以及一种称为多元自适应回归样条 (MARS) 的非参数回归技术。本研究是比较 GPR、BPNN、ELM、MARS 和 MVRA 以确定其各自预测性能的基础研究。八十一 (81) 个数据集（占总爆破数据集的 80%）用于构建和训练各种预测模型，而 20 个数据样本（20%）用于评估所开发的预测模型的预测能力。使用测试数据集，将主要性能指标，即均方误差 (MSE)、方差解释 (VAF)、相关系数 (R) 和判定系数 (R2) 进行比较，作为模型性能的统计评估指标。本研究表明，与 MARS、BPNN、ELM 和 MVRA 相比，GPR 模型表现出更出色的预测能力。GPR 模型显示最高的 VAF、R 和 R 2 值分别为 99.1728%、0.9985 和 0.9971，最低的 MSE 为 0.0903。因此，爆破工程师可以采用 GPR 作为预测爆破引起的地面振动的有效且合适的方法。