XiaoMi-AI文件搜索系统
World File Search System平均误差
跨孔CT方法在地质灾害中的准确性统计评估
摘要摘要喀斯特地质危害对广东港大湾大湾地区的城市建设和地下太空发展和利用构成了重大挑战，尤其是在广州和深圳。喀斯特探索通常涉及通过钻探和地球物理信息结合识别和评估洞穴。近年来，跨孔计算机断层扫描（CT）地球物理方法由于其易于运行和获得地质信息的能力而广泛用于大湾地区的喀斯特勘探中。但是，该方法在识别洞穴方面的准确性仍需要进行定量评估。本文使用模型因子方法对统计分析了大量有关喀斯特钻孔和探索的数据，跨孔CT喀斯特识别的准确性进行了统计分析。结果表明，该方法可以准确检测到洞穴屋顶，地板和高度的埋入深度，平均误差小于5％。洞穴屋顶埋入深度的预测准确性仅具有极低的变异性，只有5％，而洞穴高度的预测精度具有中等变化，超过35％。交叉孔CT喀斯特识别方法的精度稳定性令人满意，并且不受CT方法类型，洞穴填充条件，发射和接收点距离，钻孔类型，洞穴屋顶厚度，钻孔距离和验证孔距离等因素的影响。最后，分析证实了预测洞穴高度的模型因素遵循威布尔分布。本文还对当前的跨孔CT方法进行了简单的校正，该方法将模型的平均准确性提高了4％，并使变异性降低了3％，而不会增加计算复杂性。研究结果可以为喀斯特地区的喀斯特洞穴探索和风险评估提供理论支持。
Hazus 飓风模型技术手册
图 2-1 哈祖斯飓风模型方法示意图..................................................................................................................... 2-3 图 2-2 哈祖斯飓风分析层次..................................................................................................................................... 2-6 图 4-1 平均风廓线......................................................................................................................................................... 4-4 图 4-2 所有 MBL 情况下 RMW 附近的水滴的平均和拟合对数廓线............................................................. 4-6 图 4-3 RMW 附近 10 米处海面阻力系数随平均风速的变化............................................................. 4-7 图 4-4 RMW 外情况的平均风廓线和拟合对数廓线............................................................................................. 4-8 图 4-5 RMW 外情况 10 米处海面阻力系数随平均风速的变化......................................................................... 4-9 图 4-6 10 – 30公里和 30 – 60 公里 RMW 情况..................................................................................................................................................... 4-10 图 4-7 回归模型、Kepert（2001）模型与观测到的边界层高度的比较......................................................................................................................... 4-13 图 4-8 10 至 30 公里和 30 至 60 公里 RMW 情况下 RMW 附近观测到的和建模的速度剖面......................................................................................................... 4-14 图 4-9 在 RMW 附近采集的投掷探空仪数据的建模风速与高度的平均误差......................................................................................... 4-14 图 4-10 RMW 附近 10 米处平均风速与边界层顶部平均风速的建模与观测比值比较......................................................................................................................... 4-16 图 4-11 投掷探空仪数据的建模风速与高度的平均误差在 RMW 区域外拍摄的照片 ............................................................................................................................................. 4-16 图 4-12 完全过渡的陆地平均风速（z 0 =0.03 米）与水面平均风速（z 0 =0.0013 米）与边界层高度的比值 ............................................................................. 4-18 图 4-13 ESDU 和修改后的 ESDU 风速过渡函数 ............................................................................................. 4-18 图 4-14 使用平板模型计算的朝向页面顶部移动的飓风的喷射强度 ............................................................................................................................................. 4-20 图 4-15 显示模拟和观测到的风速、表面气压和风向的示例图......................................................................................................................................... 4-22 图 4-16 显示模拟和观测到的风速、表面气压和风向的示例图（续）......................................................................................................................................... 4-23 图 4-17 显示模拟和观测到的风速、表面气压和风向的示例图（续）......................................................................................................................................... 4-24 图 4-18 显示模拟和观测到的风速、表面气压和风向的示例图（续）......................................................................................................................................... 4-25 图 4-19 显示模拟和观测到的风速、表面气压和风向的示例图（结束）......................................................................................................................... 4-26 图 4-20 比较图 4-21 美国登陆飓风在开阔地形中模拟和预测的最大地面峰值阵风风速示例比较 ............................................................................................................. 4-29 图 4-22 已消除的剖面示例 ......................................................................................................................................... 4-36 图 4-23 穿越给定飓风的表面气压剖面示例 ......................................................................................................... 4-374-25 图 4-19 显示模拟和观测到的风速、表面气压和风向的示例图（完结）......................................................................................................................................... 4-26 图 4-20 15 个登陆飓风的模拟和观测到的最大峰值阵风风速比较......................................................................................................... 4-28 图 4-21 美国登陆飓风在开阔地形中模拟和预测的最大表面峰值阵风风速的示例比较............................................................................. 4-29 图 4-22 已消除剖面的示例......................................................................................................................... 4-36 图 4-23 穿越给定飓风的表面气压剖面示例......................................................................................................... 4-374-25 图 4-19 显示模拟和观测到的风速、表面气压和风向的示例图（完结）......................................................................................................................................... 4-26 图 4-20 15 个登陆飓风的模拟和观测到的最大峰值阵风风速比较......................................................................................................... 4-28 图 4-21 美国登陆飓风在开阔地形中模拟和预测的最大表面峰值阵风风速的示例比较............................................................................. 4-29 图 4-22 已消除剖面的示例......................................................................................................................... 4-36 图 4-23 穿越给定飓风的表面气压剖面示例......................................................................................................... 4-37
骨细胞EGLN1/PHD2通过FGF23
目的：评估用以下3种治疗方式治疗的食管癌患者的辐射诱导淋巴细胞耗竭的可能差异：强度调节放射治疗（IMRT），被动散射质子治疗（PSPT）和强度调节的蛋白质治疗（IMPT）。方法和材料：我们使用了2个预测模型来估计基于剂量分布的淋巴细胞耗竭。模型我使用了淋巴细胞存活与体素剂量之间的分段线性关系。Model II假定淋巴细胞作为总剂量的函数呈指数耗尽。模型可以使用每周的绝对淋巴细胞计数在整个治疗过程中收集的测量。我们随机选择了45例在我们机构中用IMRT，PSPT或IMPT治疗的食管癌患者（每种模式15），以证明这两种模型的适应性。在多种模态的计算机模拟中纳入了已接受PSPT的10例食管癌患者。使用我们的每种模式的我们的实践标准制定了一个IMRT和一个IMPT计划，作为每个患者现有PSPT计划的竞争计划。我们拟合了用于治疗的PSPT计划的模型，并预测了IMRT和IMPT计划的绝对淋巴细胞计数。结果：对每个患者模式组的模型验证表明，在模态和模型中，测得的和预测的绝对淋巴细胞计数之间的良好一致性，其平均误差为0.003至0.023。结论：质子计划在治疗课程后的预测风险低于光子计划。在对10名PSPT患者的IMRT和IMPT的仿真研究中，预测的绝对淋巴细胞计数（ALC）NADIRS分别在IMRT，PSPT和IMPT治疗后，使用Model I和0.14、0.22，以及0.14、0.22，以及0.22 k/ l L L L LINES II使用模型。此外，IMPT计划在预测的淋巴细胞保存方面优于PSPT。
通过临床 T1 加权 MRI 预测大脑年龄的可行性
通过 MRI 获得的个人大脑预测年龄减去实际年龄 (brain-PAD) 可成为研究中疾病的生物标志物。然而，尽管医院提供了丰富的临床信息，但来自临床 MRI 的大脑年龄报告却很少。由于临床 MRI 协议用于特定的临床目的，因此需要测试大脑年龄预测在临床数据上的表现。我们探索了使用 DeepBrainNet（一种之前在面向研究的 MRI 上训练过的深度网络）来预测佛罗里达州一家医疗系统的 15 个设施的 840 名患者的大脑年龄的可行性。由于预计我们的临床样本会出现强烈的预测偏差，我们对其进行了表征，以在大脑-PAD 的组级回归中提出一个协变量模型（建议避免 I 型、II 型错误），并测试了它的普遍性，这是在新的单个临床病例中进行有意义的大脑年龄预测的必要条件。最佳的偏差相关协变量模型与扫描仪无关，且与年龄呈线性关系，而估计无偏差脑年龄的最佳方法是与扫描仪无关且与脑年龄函数呈二次函数的倒数。我们证明了使用考虑所选协变量模型的组级回归来检测脑 PAD 中的性别相关差异的可行性。这些差异在偏差校正后得以保留。独立数据中预测的平均误差 (MAE) 约为 8 年，比使用 DeepBrainNet 的研究导向型 MRI 报告大 2-3 年，而 R 2（假设无偏差）分别为未校正和校正脑年龄的 0.33 和 0.76。DeepBrainNet 在临床人群中似乎是可行的，但需要更精确的算法或迁移学习再训练。
基于遗传算法优化的最小电极子集的自动选择方法，用于精确的 EEG 源估计
高密度脑电图 (HD-EEG) 已被证明是估计大脑内部神经活动精度最高的 EEG 蒙太奇。多项研究报告了电极数量对特定源和特定电极配置的源定位的影响。这些配置的电极通常是手动选择的，以均匀覆盖整个头部，从 32 个电极到 128 个电极，但电极配置通常不是根据它们对估计精度的贡献来选择的。在本文中，提出了一项基于优化的研究，以确定可使用的最小电极数量，并确定可以保持 HD-EEG 重建定位精度的最佳电极组合。这种优化方法结合了广泛使用的 EEG 蒙太奇的头皮标志位置。这样，可以针对单源和多源定位问题系统地搜索最小电极子集。非支配排序遗传算法 II (NSGA-II) 结合源重建方法用于制定多目标优化问题，该问题同时最小化 (1) 每个源的定位误差和 (2) 所需的 EEG 电极数量。该方法可用于评估低密度 EEG 系统（例如消费级可穿戴 EEG）的源定位质量。我们对已知真实值的合成和真实 EEG 数据集进行了评估。实验结果表明，对于单个源情况，具有 6 个电极的最佳子集可以达到与 HD-EEG（具有 200 多个通道）相同或更好的精度。在重建特定大脑活动时，在合成信号中超过 88% 的情况和在真实信号中超过 63% 的情况都会发生这种情况，而在考虑具有 8 通道的最佳组合时，分别在超过 88% 和 73% 的情况下也会发生这种情况。对于三源多源情况（仅使用合成信号），研究发现，在至少 58%、76% 和 82% 的情况下，8、12 和 16 个电极的优化组合可达到与 231 个电极 HD-EEG 相同或更好的精度。此外，对于这样的电极数量，获得的平均误差和标准偏差低于 231 个电极。
网络安全的新兴趋势和未来方向...
海得拉巴奥斯曼尼亚大学工程学院摘要：环境监测对于解决气候变化的影响至关重要，要求创新的方法以更好地预测和管理。这项研究探讨了除传统模型（如CNN和LSTMS）之外的先进人工智能（AI）技术。它结合了生成性对抗网络（GAN），以增强稀疏数据集，合奏学习的合理预测以及可解释的AI（XAI），以增强模型透明度和可用性。gan通过产生综合，高保真环境数据来解决数据稀缺，而基于变压器的体系结构改善了长期气候预测。集合方法表明，与传统模型相比，预测的精度较高，将平均误差降低了15％。强化学习（RL）通过实时分析动态环境来优化自适应气候策略。这些方法共同增强了AI驱动的环境监测系统的精度，可解释性和可伸缩性。未来的研究应探索联合学习和量子计算，以进一步提高计算效率和可访问性。20023年的政府间气候变化小组（IPCC）[1]报告说，全球温度已经高于工业水平高1.1°C，这导致了极端天气事件（如飓风，干旱，干旱，干旱，和热带）的频率和强度的增加。在响应中，环境监测已成为缓解气候风险的基石，提供了设计有效的干预措施和政策所需的数据。这项研究突出了AI在促进积极和数据驱动的气候弹性关键词方面的变革潜力：人工智能（AI），环境监测，气候变化管理，生成性对抗网络（GAN），可解释的AI（XAI），解释AI（XAI），合奏学习，增强气候变化，逐渐变化，尤其是“增强气候变化”，这是一家人的一部分。经济和人类健康。传统的环境监测技术，例如手动数据收集和统计建模，长期以来一直是气候研究的骨干。然而，这些方法通常在解决气候系统的动态和复杂性质方面通常缺乏。例如，手动抽样方法的范围有限，并且无法提供实时见解，而传统统计模型则与非线性竞争
基于视频的光学系统产生的高能波下的波滤波浪区环流
摘要：本文探讨了基于光流视频的技术在存在波浪破碎诱导泡沫的近岸估计波浪滤波表面电流的潜力。该方法使用破碎波通过后留下的漂流泡沫作为准被动示踪剂并跟踪它以估计表面水流。首先从图像序列中去除与海浪相关的光学特征，以避免捕获传播波而不是所需的泡沫运动。通过对图像的每个像素应用时间傅立叶低通滤波器来去除波浪。然后将低通滤波图像输入光流算法以估计泡沫位移并产生平均速度场（即波浪滤波表面电流）。我们使用一周连续的 1 Hz 采样帧，这些帧是在白天通过位于 La Petite Chambre d'Amour 海滩（法国西南部安格雷）的单个固定摄像机收集的，当时处于高能条件，显著波高范围为 0.8 至 3.3 米。将光流计算的速度与从安装在水下礁石上的一个洋流剖面仪获取的时间平均原位测量值进行了比较。将计算出的环流模式与不同场条件下的碎浪区漂流物轨迹进行了比较。光流时间平均速度与洋流剖面仪测量值显示出良好的一致性：判定系数（r2）= 0.5–0.8；均方根误差（RMSE）= 0.12–0.24 m/s；平均误差（偏差）= − 0.09 至 − 0.17 m/s；回归斜率 = 1 ± 0.15；相干性 2 = 0.4–0.6。尽管低估了持续波浪冲击礁石时的离岸速度，但光流能够正确再现漂流轨迹所描绘的平均流模式。这些模式包括裂口环流、主要的向岸表面流和充满活力的沿岸流。我们的研究表明，开源光流算法是一种很有前途的沿海成像应用技术，特别是在高能波浪条件下，当现场仪器部署可能具有挑战性时。
车辆估值的混合策略 - UON数字存储库
肯尼亚的车辆数量每年以12％的速度增长，截至2018年，国家注册舰队为400万。所有这些车辆都必须定期估值，原因是多种原因不限于保险，转售，租赁和会计。因此，重要的是要有一个易于使用，可靠，易于使用的系统，该系统可以确定车辆的价值，并给出有关该车辆的某些特性。从不同估值师获得的相同车辆获得的值的变化暴露了当代汽车估值系统中的违规行为。在需要快速汽车估值服务时，缺乏一致，准确且随时可用的工具来执行所需的估值，因为获得估值的汽车的主要方法是与有执照的评估公司或保险代理商的专家联系。现有的汽车估值机制主要依靠专家意见和使用公式来计算二手车的复合年度折旧，该折旧是从0英里处的价格中减去的，多年来根据通货膨胀进行了调整。已经尝试通过使用机器学习来自动化车辆估值，这产生了令人鼓舞的结果。已采用多元回归分析来确定对车辆值最大的车辆性质，并预测不同参数的给定值。这种方法也已成功地用于其他领域，以估计土地和FMCG等资产。在这项研究中，采用多代理系统体系结构封装了三个用于车辆价值预测的回归模型，以及一种自然语言处理模型，以从非结构化文本中从车辆描述中提取车辆功能。构建和培训了这三个模型以生成预测，每个模型都利用了基于SVM的回归和神经网络（ANN）在WEKA中的实现，或者在WEKA中实现了，或WekadeEplearning 4J版本3.8.5提供的深度学习回归。最佳性能模型为车辆估值提供了可靠的选择，其相对平均误差为11％，仅在可能的200,000条记录中接受了1000行数据的培训，因此被用于功能原型的设计。鉴于这项研究的时间，预算和计算资源限制，在给定时间，数据和计算能力的情况下，提高预测模型的性能有很大的潜力。
Echo-Vision-FM：超声心动图视频视频基础模型
背景：超声心动图为心脏健康提供了基本见解，但是它们复杂的多维数据为分析和解释带来了重大挑战。现有用于超声心动图分析的深度学习模型通常严重依赖于监督培训，这限制了它们在不同数据集和临床环境中的普遍性和鲁棒性。目的：开发和评估Echo-Vision-FM（Echo Cardiogram视频视频视频f oundelation M Odel），这是一个自我监督的视频学习框架，旨在预先培训视频编码器，以大规模，未标记的超声心动图数据进行预编码。Echo-Vision-FM旨在产生可靠且可转移的视频表示形式，从而改善超声心动图数据集和临床条件的下游性能。方法：所提出的框架通过掩盖的自动编码技术采用高级自我监督的视频学习，该技术可以压缩视频数据的片段，并通过掩盖非重叠视频补丁来重建完整的视频。不对称的编码器架构架构是此方法的基础。为了进一步增强学习的表示形式，我们介绍了STF-NET，这是一个patial-t emporal f usion Net，该网络整合了视频表示的空间和时间相关性。我们使用MIMIC-IV-ECHO数据集进行了预训练的Echo-Vision-FM，并在多个下游数据集中进行了微调，以进行特定的临床任务，包括形态学价值估计以及心脏功能和疾病的诊断。在回归任务中，Echo-Vision-FM优于最先进的模型，对于LV EF预测，达到平均绝对误差（MAE）为3.87％，R 2的平均误差（MAE）为0.825。结果：Echo-Vision-FM在分类左心室射血分数（LV EF）方面取得了出色的性能，精度为0.905，F1得分为0.941，AUC为0.931。该模型在估计终端施加局和末期量体积方面也有显着改善，R 2值分别为0.782和0.742。合并STF-NET进一步增强了所有任务的性能。结论：我们的结果表明，关于Echocarigon图数据的大规模自学视频学习可以提取可转移和临床相关的特征，超过现有方法。Echo-Vision-FM框架，特别是在包含STF-NET的情况下，显着改善了时空特征的提取，从而提高了一系列心脏参数的预性准确性。Echo-Vision-FM为超声心动图分析提供了可扩展有效的解决方案，并在临床诊断和研究中采用了有希望的应用。
在异质碳酸盐储层中通过机器学习改善渗透率预测：中新世无效的中新世，Ras Fanar Field，Suez of Suez of Suez，埃及
抽象预测和插值井之间获得3D分布的渗透性是用于保护模拟的具有挑战性的任务。无碳酸盐储层中的高度异质性和成岩作用为准确预测提供了重要的障碍。此外，储层中存在核心和井记录数据之间的复杂关系。本研究提出了一种基于机器学习（ML）的新方法，以克服此类困难并建立强大的渗透性预测模型。这项研究的主要目的是开发一种基于ML的渗透性预测方法，以预测渗透率日志并填充预测的对数以获得储层的3D渗透率分布。该方法涉及将储层的间隔分组为流量单位（FUS），每个储层单位都有不同的岩石物理特性。概率密度函数用于研究井日志和FUS之间的关系，以选择可靠的模型预测的高加权输入特征。已实施了五种ML算法，包括线性回归（LR），多项式回归（PR），支持矢量回归（SVR），决策树（DET）和随机森林（RF），以将核心渗透性与有影响力的孔集成与有影响力的孔原木以预测渗透率。数据集随机分为训练和测试集，以评估开发模型的性能。对模型的超参数进行了调整，以提高模型的预测性能。为了预测渗透率日志，使用了两个包含整个重点毒的关键井来训练最准确的ML模型，以及其他井来测试性能。的结果表明，RF模型优于所有其他ML模型，并提供最准确的结果，其中调整后的确定系数（R 2 ADJ）在预测的渗透率和核心渗透率之间的训练集为0.87，对于测试集，平均绝对误差和平均正式误差（MSSE）的平均误差和0.32和0.19和0.19和0.19和0.19，均为0.82。据观察，当在包含整个储层FUS的井上训练RF模型时，它表现出较高的预测性能。这种方法有助于检测井的孔原木和渗透率之间的模式，并捕获储层的广泛渗透率分布。最终，通过高斯随机函数模拟地统计学方法填充了预测的渗透率日志，以构建储层的3D渗透率分布。研究成果将帮助ML的用户对适当的ML算法做出明智的选择，以在碳酸盐储层表征中使用，以进行更准确的通透性预测，并使用有限的可用数据进行更好的决策。