XiaoMi-AI文件搜索系统
World File Search System平均误差
使用生成模型预测绝对蛋白质折叠稳定性
摘要8尽管我们预测由于氨基酸取代为9的蛋白质稳定性变化的能力取得了很大的进步，但方法的进展速度很慢，可以预测蛋白质的绝对稳定性10。在这里，我们展示了如何利用蛋白质序列的生成模型来预测绝对蛋白质的稳定性。我们基准在一系列蛋白12的蛋白质中进行基准测试，并发现对绝对稳定性13的平均误差为1.5 kcal/mol，相关系数为0.7，跨一系列小型中间大小的蛋白质的预测为0.7。150个氨基酸残基。 我们分析了14个当前局限性和未来方向，包括该模型如何可用于预测15个构象自由能。 我们的方法易于使用，并且可以通过在线16实施中自由使用。 17150个氨基酸残基。我们分析了14个当前局限性和未来方向，包括该模型如何可用于预测15个构象自由能。我们的方法易于使用，并且可以通过在线16实施中自由使用。17
使用生成模型预测绝对蛋白质折叠稳定性
摘要8尽管我们预测由于氨基酸取代为9的蛋白质稳定性变化的能力取得了很大的进步，但在预测蛋白质的绝对稳定性10的方法上的进展速度较慢。在这里，我们展示了如何利用蛋白质序列的生成模型来预测绝对蛋白质的稳定性。我们基准在一系列蛋白质12中进行预测，并发现对绝对稳定性13的平均误差为1.5 kcal/mol，相关系数为0.7，跨一系列天然的小型中间大小的蛋白质，直至CA。150个氨基酸残基。 我们14分析当前局限性和未来方向，包括该模型如何对15个预测构象自由能有用。 我们的方法易于使用，并且可以通过16个在线实施自由使用。 17150个氨基酸残基。我们14分析当前局限性和未来方向，包括该模型如何对15个预测构象自由能有用。我们的方法易于使用，并且可以通过16个在线实施自由使用。17
基于物联网的监控系统用于能源消耗...
摘要 - 必须实时监控电池，以确保其符合其设计的寿命。此外，必须计算和控制电池供应的能源成本，以使太阳能发电厂企业家实际上获利。该项目旨在为电池条件开发基于IoT的监视和控制系统，尤其是电池供应的能源消耗成本。该系统使用ESP32微控制器，INA219传感器，单个通道5 VDC OptocOpoler继电器和OLED显示器。ESP32从INA219传感器中处理电流和电压，然后在OLED显示屏上显示。显示的参数包括消耗的能源成本，电流，电压，电源，消耗的能源和使用的电池容量。数据也将使用IoT发送到Blynk网站，从而可以实时监视这些参数。基于测试结果，计算能源成本的平均误差为0.046％，其他测量或计算的参数低于1％。此系统还可以使用Blynk平台将功率流驱散到负载。可以得出结论，该系统运行良好，从而实现了电池参数的基于IoT的监视和控制。
使用机器学习从现场数据预测电动汽车能源
摘要 - 这项研究解决了准确预测电动汽车能源消耗（EV）的挑战，这对于减少范围焦虑和进步的充电和能量优化至关重要。尽管当前预测方法（包括经验，基于物理和数据驱动的模型）的局限性，但本文介绍了一种新颖的基于机器学习的预测框架。它整合了物理知识的功能，并将离线全球模型与特定于车辆的在线改编相结合，以提高预测准确性并评估不确定性。我们的框架经过来自现实世界中电动汽车车队的数据的广泛测试。虽然领先的全球模型，即分位数回归神经网络（QRNN）的平均误差为6.30％，但在线适应进一步降低至5.04％，两者都超过了现有模型的性能。此外，对于95％的预测间隔，在线改编的QRNN将覆盖范围提高到91.27％，并将预测间隔的平均宽度减少到0.51。这些结果证明了利用基于物理的特征和基于车辆的在线适应来预测EV能源消耗的有效性和效率。
基于机器学习的车辆到电网策略，用于提高公共建筑的能源性能
摘要：碳中和建筑依赖于有效的能源管理系统和从不可预测的可再生能源中获取能源。一种策略是利用电动汽车的容量，而可再生能源无法根据需求提供。车辆到电网 (V2G) 技术只有在有资金和实现其有效性的情况下才能扩展，因此必须首先进行投资，首先是充电站和电动汽车。充电站的安装者将获得经济利益或获得激励，反之亦然。本文介绍了一种有效的 V2G 策略，该策略是为运营中的大学校园开发和实施的。还开发了一种机器学习算法来预测所研究建筑物的能源消耗和能源成本。发现所开发的算法在预测能源消耗方面的准确率在 94% 到 96% 之间，成本预测的平均误差小于 5%。所取得的结果表明，能源消耗节省在 35% 左右，如果始终应用该策略，则有可能达到 65% 左右。这证明了机器学习算法在减少碳排放方面的有效性。
EEG数据分析与堆叠的可区分神经计算机EEG数据分析与堆叠的可区分神经计算机
抽象可区分的神经计算机（DNC）在解决复杂问题方面表现出了显着的功能。在本文中，我们建议将增强的可区分神经计算机堆叠在一起，以扩展其学习能力。首先，我们对DNC进行了直观的解释来解释建筑本质，并通过将其与常规的经常性神经网络进行对比，证明了堆叠的可行性。其次，提出了堆叠DNC的结构，并修改了脑电图（EEG）数据分析的构建。我们用经常性的卷积网络控制器替换原始的长期短期内存网络控制器，并调整用于处理EEG EEG地形数据的内存访问结构。第三，我们提出的模型的实用性由开源的EEG数据集验证，其平均精度最高。然后，在调整参数后，我们显示了在专有EEG数据集上获得的最小平均误差。最后，通过分析训练有素的堆叠DNCS模型的行为特征，我们强调了在EEG信号处理中利用堆叠的DNC的适当性和潜力。
比较和应用电池建模方法用于概念电气
对电气化飞机推进概念的设计和优化越来越兴趣促使需要准确，灵活和有效的方法来建模电池系统。是在NASA的Glenn研究中心使用的三种电池建模方法，每个方法都代表不同的数学或电气方法。比较X-57 Maxwell Electric Aircraft技术演示器的电池电池测试数据进行比较。然后使用NASA的六乘客电动四极管概念在简单的多学科优化上下文中应用这些方法，以确定其适用性和性能。归一化方法对于稳定和不稳定的放电率的最高准确性，平均误差百分比分别为0.423％和1.186％。模型之间的最佳四极管任务范围最高为0.5 NMI，将当前的电池建模方法识别为任务分析错误的潜在重要贡献者。在本文中确定了一组相关的工具和概念电池建模的技术，并得出了针对各种设计挑战的每种建模方法的实用性得出的结论。
eeg-data-Analysis-antals-and-dist-Differentiable-nural- ...
可区分的神经计算机（DNC）在解决复杂问题方面具有显着的功能。在本文中，我们建议将增强的可区分神经计算机堆叠在一起，以扩展其学习能力。首先，我们对DNC进行了直观的解释，以解释建筑本质，并通过将其与常规的经常性神经网络（RNN）进行对比，证明了堆叠的可行性。其次，提出并修改了堆叠DNC的架构以进行脑电图（EEG）数据分析。我们将原始的长期记忆（LSTM）网络控制器替换为经常性的卷积网络控制器，并调整用于处理EEG EEG地形数据的内存访问结构。第三，我们提出的模型的实用性由开源的EEG数据集验证，其平均精度最高；然后，在微调参数后，我们显示了在专有EEG数据集上获得的最小平均误差。最后，通过分析训练有素的堆叠DNCS模型的行为特征，我们强调了在EEG信号处理中利用堆叠的DNC的适当性和潜力。
已发布版本的引用 (APA)：Alilou, M., Azami, H., Oshnoei, A., Mohammadi-ivatloo, B., & Teodorescu, R. (2023)。分数阶控制技术
摘要：为了应对日益严重的能源危机和温室气体排放，全球能源革命加速了需求侧可管理能源系统的利用，例如风力涡轮机、光伏板、电动汽车和储能系统。可再生能源单元和储能系统的控制系统对其性能有很大影响，并且绝对影响整个电网的效率。经典控制器基于整数阶微分和积分，而分数阶控制器具有改变阶数以更好地建模和控制系统的巨大潜力。本文对可再生能源单元和储能设备的能源系统进行了全面的回顾。对各种论文进行了评估，并介绍了它们的方法和结果。此外，还提到了分数阶方法的数学基础，并根据不同的参数对各种研究进行了分类。还使用其数学公式解释了分数阶微积分的各种定义。不同的研究和数值评估表明，分数阶技术在估计、控制和改善各种运行条件下的能源系统性能方面具有适当的效率和准确性，因此分数阶方法的平均误差明显低于其他方法。
使用JNN
抽象心力衰竭是全球死亡的主要原因。早期检测和干预对于改善积极结果的机会至关重要。本研究提出了一种新的方法，可以预测使用神经网络模型患有心力衰竭的人的可能性。数据集包含918个样品，具有11个特征，例如年龄，性别，胸痛类型，静息血压，胆固醇，空腹血糖，静静心心电图结果，最大的心率，达到的最大心率，运动诱导的心绞痛，Oldpeak，Oldpeak，ST_SLOPE和心脏疾病。在数据集上训练了具有四层（1输入和1个输出）的神经网络模型，并获得了90％的精度，平均误差为0.009。发现心力衰竭预测中最有影响力的因素是Oldpeak，ST_SLOPE，性别，禁食库，ChestPainType，锻炼，胆固醇，胆固醇，Restingbp，Maxhr，Maxhr，静林BP，静林BP和年龄。这项研究为早期发现和干预心力衰竭提供了宝贵的工具，从而为健康和医学领域做出了贡献。