XiaoMi-AI文件搜索系统
World File Search System指标
机械系统预测和健康管理 (PHM) 中采用的人工智能 (AI) 算法的性能指标
摘要。近年来，人工智能 (AI) 算法在预测和健康管理 (PHM) 领域的应用研究，特别是用于预测受状态监测的机械系统的剩余使用寿命 (RUL) 的研究，引起了广泛关注。为 RUL 预测建立置信度非常重要，这样可以帮助运营商和监管机构就维护和资产生命周期规划做出明智的决策。在过去十年中，许多研究人员设计了指标或指标来确定 AI 算法在 RUL 预测中的性能。虽然大多数常用的指标（如平均绝对误差 (MAE)、均方根误差 (RMSE) 等）都是从其他应用程序中改编而来的，但一些定制指标是专门为 PHM 研究而设计和使用的。本研究概述了应用于机械系统 AI 驱动的 PHM 技术的关键绩效指标 (KPI)。它介绍了应用场景的详细信息、在不同场景中使用特定指标的适用性、每个指标的优缺点、在选择一个指标而不是另一个指标时可能需要做出的权衡，以及工程师在应用指标时应该考虑的一些其他因素。
布里斯托尔大学─投资组合气候指标
我们根据投资对人和星球的影响水平（正面或负面）进行分类。投资对他们的工作和运营方式进行了评估。这些分类源自影响管理项目对影响投资定义的工作。对A类的投资至少表明他们正在积极寻求避免社会或环境伤害。B类投资还必须表明他们正在带来积极的社会和环境福利。在C类中的投资还必须为人和/或地球提供有意义的变化。对C+类的投资是最大的影响，并为服务不足的群体带来了有意义的变化，这些变化不太可能发生。
评估指标用于评估糖尿病预测模型的性能
日期：6 06,2024摘要：评估指标在评估糖尿病预测模型的性能中起着至关重要的作用。这些模型旨在根据年龄，体重，家族病史和血糖水平等各种因素来预测个体发展糖尿病的可能性。对这些模型的准确评估对于确保其有效性和可靠性至关重要。本文概述了常用的评估指标，以评估糖尿病预测模型的性能。本文讨论的评估指标包括准确性，灵敏度，特异性，精度，接收器操作特征（ROC）曲线，ROC曲线下的面积（AUC）（AUC），F1分数和Matthews相关系数（MCC）。定义了每个度量标准，并解释了其计算方法，解释和局限性。本文强调了考虑模型的目标和应用以及不同指标之间的权衡的重要性，以选择最合适的评估方法。此外，本文重点介绍了模型评估中的其他考虑因素，例如用于模型概括，偏见和公平评估以及预测校准的交叉验证。这些因素有助于全面的评估过程，并确保糖尿病预测模型的可靠性和公平性。
奥兰治-罗克兰-威斯特彻斯特经济指标
奥兰治-罗克兰-威斯特彻斯特地区位于纽约州南部哈德逊河谷下游，人口为 170 万。威斯特彻斯特县是三个县中人口最稠密的县，占总人口的一半以上。该地区最大的城市包括扬克斯、白原市和新罗谢尔，均位于威斯特彻斯特县。许多居民从该地区通勤到纽约市，尽管威斯特彻斯特本身已成为一个主要的就业中心。几十年前，制造业是一个大型雇主，但如今制造业工人的比例还不到全国的一半。在疫情爆发之前，卫生和教育部门一直在快速增加就业岗位，尽管有一些工作岗位流失，但它仍然是该地区的重要雇主。休闲和酒店业也一直在大幅增长，并已从疫情低谷中反弹。这三个县的收入都高于平均水平，教育水平很高，尤其是威斯特彻斯特县。
RDRS 使用情况指标 2025 年 1 月
简介 3 数据摘要 4 用户数据 6 指标 1 和 2：参与注册商 6 指标 3 和 4：请求者 6 指标 5：披露请求 7 指标 6.1：非参与注册商的数据请求表使用情况 8 指标 6.2：参与注册商的数据请求表使用情况 9 请求类型数据 10 指标 7：按优先级划分的披露请求 10 指标 8：按请求类型划分的披露请求 12 指标 9：按请求者划分的披露请求 14 指标 10：域名查询数量 15 请求交易数据 18 指标 11：未结请求 18 指标 12：已结请求 19 指标 13：按结果类型划分的已结披露请求数量 20 结果数据22 指标 14：按原因类型划分的拒绝率 22 指标 15：平均披露请求响应时间（天数） 23 指标 16：响应时间分布 24 指标 17：机密披露请求数量 25 指标 18：按国家代码和请求类别划分的披露请求 26 指标 19：按处理管辖区和请求类别划分的披露请求 30 参与注册商列表 34
加密货币价格预测指标-IJRPR
此方法提供了[1]有见地的信息，可促进在极其不可预测的比特币市场中改善风险管理和决策。实验结果[2]表明，SVR模型对于加密货币价格预测的准确性可以通过综合学习模型有效地改进。这是通过考虑[3]长期任期内存（LSTM）和变形金刚神经网络来完成的，这些术语（LSTM）和使用历史差异以及使用历史差异以及这些型号的技术指示器以及这些模型（ELNCO）（ELNCO）（ELNCO）（ELNCO）（BITCO）（BITCO）（BITCO）（BITCO）（BITCO）（BITCO）（BIT）（BITCO）（BT） Litecoin（LTC）。我们的实验表明，[4]脊回归模型优于更复杂的预测模型，例如RNN和LSTM，在预测确切的关闭价格时。另一方面，LSTM可以比其他人更好地预期加密货币价格的方向。
如何引用这篇文章Krymchantowski A，Jevoux C，Silva-NétoRP等。 （2025年3月10日）抗卡西素治疗的反应指标
表1显示了研究参与者的基线特征。大多数参与者中有33名（52.4％）接受了加仑氮单抗240 mg的加载剂量和120毫克/月，而对其他受试者则接受了弗雷曼卫生225 mg/月的规定，以预防性治疗偏头痛。大多数参与者（81.2％，n = 51）是女性。32名参与者的年龄组为41至50岁，参与者的平均年龄为45.46±9.26岁。大约45名参与者（71.4％）表现出正常的BMI，平均BMI为24.17±1.22。在三分之二的参与者中存在三分之二（66.7％）的合并症。三十（47.6％）的参与者报告了频繁的失眠。有10名（15.9％）的参与者报告了视觉光环。在这项研究中，有26名（41.3％）参与者有单方面的头痛。 严重的恶心，27（42.9％）；呕吐，七（11.1％）；严重的恐惧症，45（71.4％）；严重的语音恐惧症，九（14.3％）；攻击期间有27％（42.9％）和严重的渗透恐惧症是患者报告的相关特征。 在26（41.3％）中看到了单侧头痛，在29名（46.0％）的参与者中出现头痛的快速进展。 托吡酯，三环抗抑郁药和β受体阻滞剂分别使用33（52.4％），28（44.4％）和14（22.2％）。 大多数患者，26名（41.3％），有16至30年的偏头痛病史，参与者中有25名（39.7％）患有偏头痛超过30年。 偏头痛的平均持续时间为27.29±10.11岁。在这项研究中，有26名（41.3％）参与者有单方面的头痛。严重的恶心，27（42.9％）；呕吐，七（11.1％）；严重的恐惧症，45（71.4％）；严重的语音恐惧症，九（14.3％）；攻击期间有27％（42.9％）和严重的渗透恐惧症是患者报告的相关特征。在26（41.3％）中看到了单侧头痛，在29名（46.0％）的参与者中出现头痛的快速进展。托吡酯，三环抗抑郁药和β受体阻滞剂分别使用33（52.4％），28（44.4％）和14（22.2％）。大多数患者，26名（41.3％），有16至30年的偏头痛病史，参与者中有25名（39.7％）患有偏头痛超过30年。偏头痛的平均持续时间为27.29±10.11岁。
通过定量指标对网络物理系统的弹性估计
摘要本文是关于估计网络物理系统（CPS）的网络弹性的估计。我们定义了两个新的弹性估计指标：k-步骤性和ℓ-对监控性。他们旨在帮助设计师在面对隐形攻击时评估和增加CPS的网络释放能力。k-步骤度量指标反映了控制器对单个植物状态变量作用的能力，至少可以处理k个功能多样的输入信号的k个不同组。ℓ-对测量性度量指示控制器可以监视具有不同功能多样的输出组的单个植物状态变量的能力。配对，指标导致CP达到（k，ℓ） - 弹性。当K和ℓ都大于一个时，CP可以吸收并适应控制输入和输出信号的控制理论攻击。我们还将参数K和ℓ与系统的可恢复性联系起来。我们定义可恢复性策略来减轻犯罪攻击的影响。我们表明，可以通过组合硬件和软件中的冗余和多样性来增强K和ℓ的值，以应用移动的目标范例。我们通过模拟和数字结果验证该方法。
定量磁共振学指标与疾病的严重程度和原发性硬化性胆管炎患者的结局有关
在过去的几年中，已使用两种主要方法来研究Fe 2+的分布和局部协调环境和固体中的Fe 3+离子在微米或亚微米计尺度上：（1）X射线吸收光谱（XAS）与同步型光源（尤其是第二个和第三代能量的启发）（尤其是较高的能量射击量和高量）（尤其是较高的能量范围）（2001）和（2）具有透射电子显微镜的电子能量损失光谱（EEL）（在纳米尺度上提供高空间分辨率）（Van Aken等人。1998，1999）。 For XAS and EELS, the methodology consists first of probing the absorption jump on either side of the Fe- K edge [1s → con- duction band (CB) electronic transitions], or the Fe- L 2,3 edge (2p → CB), or the Fe- M 2,3 edge (3p → CB), and then of processing the experimental absorption to extract the information from both Fe 2+ and Fe 3+ components. 铁表现出未填充的3D状态（3d 51998，1999）。For XAS and EELS, the methodology consists first of probing the absorption jump on either side of the Fe- K edge [1s → con- duction band (CB) electronic transitions], or the Fe- L 2,3 edge (2p → CB), or the Fe- M 2,3 edge (3p → CB), and then of processing the experimental absorption to extract the information from both Fe 2+ and Fe 3+ components.铁表现出未填充的3D状态（3d 5