XiaoMi-AI文件搜索系统
World File Search System收敛速度
大规模数据中心中的基于LSTM的资源和工作量的改进的预测方法
摘要 - 准确的工作量和资源预测是为了实现积极，动态和自适应资源分配，用于构建具有成本效益，能源良好和绿色云数据中心（CDC），为用户提供令人满意的优质服务，并为云提供者提供高收入。这很具有挑战性，因为CDC中急剧增加和大规模的工作量和资源使用的模式随时间而变化显着。当前的预测方法通常无法处理隐式噪声数据，并在工作量和资源时间序列中捕获非线性，长期和短期和空间特征，从而导致预测准确性有限。为解决这些问题，这项工作设计了一种名为VSBG的新型预测方法，该方法无缝且创新地结合了变分模式分解（VMD），Savitzky Golay（SG）滤波器（SG）滤波器，双向长期短期内存（LSTM）和GRID LSTM和GRID LSTM和GRID LSTM，以预测工作量和资源在CDC中的工作量和资源使用。vsbg在执行其预测之前，以四步骤的方式以四步方式整合VMD和SGFURTER。VSBG利用VMD将非机构工作负载和资源时间序列分为多种模式函数。然后，在VSBG中，这项工作设计了二次惩罚，用拉格朗日乘数将其最小化，并采用对数操作和SG滤波器来平滑第一个模式功能，以消除噪声干扰。最后，VSBG首次系统地捕获了具有两个Bilstm层的流量和复杂时间序列数据的深度和时间特征，在此之间，GridLSTM层在其中，从而准确地预测了CDC中的工作量和资源。具有不同现实世界数据集的广泛实验证明，VSBG在预测准确性和收敛速度上的整体最新算法都优于整体。
基于ANFIS的双向网格连接的EV充电站与
与将储能技术（例如电池和水电存储）合并到太阳能PV安装中相关的挑战和机会，强调了存储在增强电网稳定性和最大化可再生能源利用率方面的作用。[9] Nwaigue等人（2019年）对太阳能光伏系统的智能电网整合进行了综述。The study examines the challenges and potential solutions for integrating solar PV into existing power grids, focusing on aspects like grid stability, power quality, and control strategies, highlighting the need for advanced grid management techniques to optimize solar PV integration [16] Raugei et al (2017) investigate the EROI of photovoltaic as compared to fossil fuel life cycles.该研究提出了一种评估Eroi的综合方法，并提供了有见地的比较，强调了太阳能光伏系统的有利能源回报特征。[21] 1.2基于ANFIS的MPPT技术Kumar等人（2021）描述了基于ANFIS的MPPT技术，用于独立太阳能PV系统。所提出的方法利用ANFI来估计最佳工作点，实现有效的跟踪性能并提高能量产量。[10] Bendary等人（2021）描述了用于光伏系统中MPPT的ANFIS（基于网络的模糊推理系统）。提议的基于ANFIS的MPPT控制器适应不断变化的环境条件，确保准确跟踪并提高整体系统效率。[11] G. Liu等（2020）引入了对独立太阳能PV系统的不同基于ANFIS的MPPT算法的比较研究。它由两个主要该研究评估了算法的跟踪准确性，收敛速度和稳定性，为选择最佳的基于ANFIS的MPPT方法提供了宝贵的见解。[14] U. Yilmaz等人（2019）开发了MPPT（“最大功率点跟踪”）方法。
IEEE ACCESS 特别版块社论 - ePrints Soton
I.引言 工业 4.0，又称第四次工业革命，是许多科学家和制造商正在追求的领域。工业 4.0 包括许多主题，例如物联网 (IoT)、大数据、云计算、智能制造等。智能制造是一个至关重要且有价值的主题，旨在开发先进技术来提高制造质量和成本。通过传感器、网络和高性能计算机，可以开发和实施用于智能制造的强大算法。得益于各种创新的传感器，可以收集和利用可靠且高分辨率的信息。网络允许传感器、机器和计算机之间快速交换信号。人工智能 (AI) 需要巨大的计算能力。现代计算机提供了具有并行计算功能的图形卡，打破了这一限制。与智能制造相关的算法将比以前更加复杂。因此，本专题旨在加快智能制造的发展，吸引社区的关注，并传播新颖的研究。本 IEEE A CCESS 专题包括十篇具有不同创新主题的研究文章，以帮助读者深入了解该领域并促进和启发他们的研究。这些被接受的文章由专业和独立的研究人员审阅。以下是每篇文章的简要介绍。第一篇文章“使用混合田口遗传算法优化车床切削参数”，由 Chu 等人撰写，使用多目标混合田口遗传算法 (HTGA) 来搜索最佳加工参数。根据加工质量和加工参数定义线性回归模型。然后，使用 HTGA 优化参数。实验结果表明，HTGA 在收敛速度和鲁棒性方面优于传统遗传算法。第二篇文章“基于随机森林的球形多孔气体轴承系统高精度最大 Lyapunov 指数预测模型”，由 Kuo 等人撰写，提出了一种基于机器学习的球形多孔气体轴承（SPAB）系统高精度最大 Lyapunov 指数 (MLE) 预测模型。在本文中，控制
会议日程
摘要：将网络资源分配给竞争需求是有效设计和管理未来通信网络的重要问题。资源需求和可用性波动的系统动力学加剧了这一问题的复杂性。在未来的通信网络上，用户不仅期望它们支持传统的多媒体服务，还期望它们支持未来的人工智能（AI）和机器学习（ML）传感和通信应用。在本次演讲的第一部分，演讲者将讨论网络资源分配问题。具体来说，他将提出一种新的机器学习方法，该方法使用两个耦合长短期记忆（CLSTM）网络在一系列系统参数上快速而稳健地产生最佳或接近最佳的资源分配，这被建模为约束优化问题。将提供网络资源分配的数值示例以验证所提方法的有效性。在第二部分，演讲者将介绍支持联邦学习（FL）的新方法，并通过模型修剪来改进具有资源约束的通信网络中的学习过程。 FL 技术从分布式节点收集的数据中学习模型参数，并根据有限的资源可用性进行调整。模型修剪的关键思想是删除不重要的模型参数，以减少计算和通信负担并加快学习收敛速度，同时保持模型准确性。使用真实数据集，实验结果表明，所提出的方法表现接近最优或比其他方法有显著的性能改进。简历：Kin K. Leung 获得香港中文大学学士学位，加州大学洛杉矶分校硕士和博士学位。1986 年至 2004 年，他在新泽西州的 AT&T 贝尔实验室及其继任公司工作。此后，他一直担任伦敦帝国理工学院电气和电子工程 (EEE) 和计算系的 Tanaka 讲座教授。他还曾于 2009 年至 2024 年担任帝国理工学院 EEE 系通信和信号处理组负责人。他目前的研究重点是优化和机器学习，用于大型系统设计和控制
医疗保健中联合学习的量子：从开发到部署以及从模型到数据的转变
医疗组织具有大量敏感数据，传统技术的存储容量和计算资源有限。由于与患者隐私相关的公司法规，共享机器学习的医疗数据的前景更加艰巨。对医疗保健数据的确定性，完整性和可用性的良好保护已成为古典数据安全考虑之外的主要关注点。近年来，联邦学习为加速分布式机器学习的解决方案解决了与数据隐私和治理有关的问题。目前，量子计算和机器学习的融合已经引起了学术机构和研究社区的注意。量子计算机表明，通过在几个量子节点上的有效分布培训为医疗保健部门带来巨大的好处。这项工作的最终目标是开发一个量子联合学习框架（QFL），以应对医疗和医疗成像任务的医疗保健和临床行业的优化，安全和隐私挑战。在这项工作中，我们提出了联合量子卷积神经网络（QCNN），并在边缘设备上进行了分布式培训。为了证明拟议的QFL框架的可行性，我们在医疗数据集（肺炎MNIST和CT-Kidney疾病分析）上进行了广泛的实验，这些实验是非独立和非独立地分区的医疗机构/客户/客户/客户的。通过大规模模拟对拟议的量子联合学习框架进行了验证和评估。量子联盟全球模型保持了高分类测试的准确性和义务的能力，并且无论医疗数据如何在客户之间分配如何不平衡，都超过了本地培训客户。与本地客户相比，全球模型在接收器操作特征曲线（Auc-Roc）（0.953）和全类平均（0.98）方面取得了最佳性能，以预测肺炎和CT-Kidney数据集的结果。此外，提出了客户选择机制，以减少每个通信的计算开销，从而有效地提高了收敛速度。基于我们来自数值模拟的结果，分布式和安全的量子机学习算法的部署用于启用可扩展和隐私的智能医疗保健应用程序将非常有价值。
CAFQA：Clifford Ansatz 量子精度 - NSF-PAR
摘要 — 变分量子算法 (VQA) 依赖于参数化单元电路针对目标函数的迭代优化。由于量子机器噪声大且资源昂贵，因此必须适当选择 VQA 的假设，并使其初始参数尽可能接近最优值，因为这将改善并加速算法在量子设备上执行的精确收敛。这项工作通过提出 CAFQA（一种用于量子精度的 Clifford 假设）来解决寻找初始假设参数的问题。CAFQA 假设是一种仅使用 Clifford 门构建的硬件高效电路。在此假设中，通过经典模拟在 Clifford 参数空间中进行有效搜索来选择可调门的初始参数，从而产生合适的稳定器状态。结果表明，产生的稳定器状态始终等于或优于传统的经典初始化方法（例如 Hartree-Fock），即找到合适的计算基态，并且通常在量子设备上执行和探索之前就产生高精度估计。此外，该技术适用于经典计算，因为 a) 仅 Clifford 量子电路可以在多项式时间内进行经典精确模拟，以及 b) 离散 Clifford 空间虽然量子比特数量呈指数级增长，但可以通过贝叶斯优化进行有效搜索。对于变分量子特征求解器 (VQE) 任务（即估计多达 20 个量子比特的分子系统的基态能量），CAFQA 的 Clifford Ansatz 实现了接近 99% 的平均准确度，并且能够恢复高达 99.99% 的 Hartree-Fock 初始化分子相关能量。值得注意的是，该方法的可扩展性允许对具有挑战性的铬二聚体 (Cr 2 ) 进行初步的基态能量估计，其精度高于 Hartree-Fock 所达到的精度。CAFQA 还在优化任务上进行了评估，特别是高达 18 个量子比特的 MAXCUT 问题。借助 CAFQA 的高精度初始化，VQA 的收敛速度加快了 2.5 倍。总之，这项工作表明稳定器状态是变分算法的高精度假设初始化。此外，它突出了量子启发式经典技术作为 NISQ 时代及以后 VQA 的替代方案和支持方法的潜力。
用于脑 MRI 分割的 3D 胶囊网络
1 耶鲁大学医学院放射学和生物医学成像系，康涅狄格州纽黑文 06510 2 耶鲁大学医学院治疗放射学系，康涅狄格州纽黑文 06510 3 耶鲁大学医学院结果研究与评估中心，康涅狄格州纽黑文 06510 4 耶鲁大学医学院心血管医学部，康涅狄格州纽黑文 06510 5 耶鲁大学统计与数据科学系，康涅狄格州纽黑文 06511 摘要 简介：在脑图像上分割肿瘤周围的脑结构对于放射治疗和手术计划非常重要。当前的自动分割方法通常无法分割因肿瘤而扭曲的脑解剖结构。目的：开发和验证 3D 胶囊网络（CapsNets），该网络可以分割具有训练数据中未表示的新型空间特征的脑结构。方法：我们使用在一项多机构研究中获取的 3430 个脑部 MRI 开发、训练和测试了 3D CapsNets。我们使用多种性能指标将我们的 CapsNets 与 U-Nets 进行了比较，包括分割各种脑结构的准确性、分割具有训练数据中未表示的空间特征的脑结构的准确性、使用有限数据训练模型时的性能、内存要求和计算时间。结果：3D CapsNets 可以分割第三脑室、丘脑和海马，Dice 得分分别为 94%、94% 和 91%。3D CapsNets 在分割训练数据中未表示的脑结构方面优于 3D U-Nets，Dice 得分高出 30% 以上。与 3D U-Nets 相比，3D CapsNets 的模型也小得多，可训练参数减少了 93%。这使得 3D CapsNets 在训练过程中收敛速度更快，与 U-Nets 相比，它们的训练速度更快。这两个模型在测试过程中的速度一样快。结论：3D CapsNets 可以高精度地分割大脑结构，在分割具有训练期间未表示的特征的大脑结构方面优于 U-Nets，并且与 U-Nets 相比效率更高，在实现类似结果的同时，其规模却小了一个数量级。
学习通过增强学习来控制相机曝光
相机曝光控制是通过控制曝光时间，增益和光圈来调整展示水平的任务，以达到给定场景的所需亮度和图像质量水平。调整较差的暴露参数导致暴露过度，暴露不足，模糊或嘈杂的图像，这可能会导致基于图像的应用程序中的性能降解，并且在最坏的情况下甚至是威胁生命的事故。因此，找到适当的相机暴露是确保计算机VI- sion应用功能的第一步，例如对象检测[5，16]，语义分割[9，17]，深度估计[10，26]和视觉传感器[1，13]。相机外观控制中有几个基本要求。必须保证快速收敛以在动态降低的情况下保持适当的暴露水平。此外，曝光控制环是相机系统中最低的循环之一。因此，必须考虑轻巧的算法设计用于车载级操作。最后，不应牺牲融合图像的质量以满足要求。此外，同时控制的参数数的数量也很重要，因为它会影响收敛时间和收敛图像的最终质量。单一控制方法[14，18，20]以一种方式控制暴露参数，以达到所需的暴露水平，而不是控制暴露参数。但是，收敛的参数通常不是最佳的，例如[长时间曝光时间，低增益]和[短曝光时间，高增益]对。结果，该值导致不良图像伪像，例如由于长时间的暴露时间或由于高增益而引起的严重噪声而导致运动模糊。关节曝光参数控制[7，8，8，21，23，24]通常需要在广泛的搜索空间中进行多个搜索步骤，以找到最佳组合。结果，它们会引起闪烁效果和缓慢的收敛速度。此外，由于其优化算法[7，8]，图像评估指标[7，8，20，21]和GPU推论，因此需要高级计算复杂性[23]。在本文中，我们提出了一种新的联合暴露参数控制方法，该方法利用了增强学习来实现即时收敛和实时处理。所提出的框架由四个贡献组成：•简化的训练场，以模拟现实世界的di-verse和动态照明变化。•闪烁和图像属性感知奖励设计，以及用于实时处理的轻巧和直观的状态设计。•静态的动态照明课程学习，以提高代理的暴露能力。•域随机技术减轻训练场的限制并在野外实现无缝的一般性，而无需额外的训练。
评估教师对坦桑尼亚和印度的行政支持的看法
抽象的心脏病是世界上最公认和致命的疾病之一，许多人每年都会因这种疾病而失去生命。早期发现这种疾病对于存储人们的生命至关重要。机器学习（ML）是一种合成的智能技术，是发现疾病的最方便，最快，最低成本的方法之一。在此浏览中，我们旨在达到一种ML模型，该模型可以期望心脏病，并可能具有最高的性能，即使用Cleveland冠心病数据集。用于训练版本的数据集中的功能，而ML算法的选择在模型的性能上具有显着影响。由于克利夫兰数据集内部的功能大量功能而避免过度拟合（由于维度的诅咒），该数据集降低到较低的维度子空间，因此使用了jelly鱼优化规则的使用集。水母算法具有过高的收敛速度，并且可以灵活地找到特殊功能。已经检查了通过训练使用独家ML算法的功能选择的数据集获得的模型，并将其性能进行了比较。使用水母算法在数据集上教育的SVM分类器版本获得了最高的性能，其敏感性，特异性，准确性和面积为98.56％，98.37％，98.47％和94.48％。我们查看研究中正在发生的事情，指出当前方法中缺少的内容，并勾勒出我们对系统布局的想法。结果表明，水母优化的规则和SVM分类器的总体具有最佳的性能，可用于冠心病的预测。本文研究如何使用机器学习来预测心脏问题。通过挖掘数据，处理一些数字和建筑模型，我们希望添加到早期创建更好，更快的工具，以便早期发现心脏病，这应该有助于早日捕捉并促进患者护理。关键字：以下是这项研究中使用的一些关键字，深度学习，心力衰竭，水母优化，支持向量机•心脏病预测 - 想象一组复杂的计算机模型和算法，这是科幻电影中的东西。他们旨在评估您使用血压，胆固醇水平，心率和其他关键健康指标等医学数据的机会。这里的最终目的是早期发现任何潜在威胁，并在情况恶化之前立即进行干预。•机器学习 - 好吧，所以，您知道人工智能或AI的简称是如何的
LGHAP V2：无全球无间隙的气溶胶光学深度和PM 2。自2000年以来，通过大地数据分析得出的5个浓度数据集
摘要。我们先前研究中产生的长期无缘高分辨率空气污染物（LGHAP）浓度数据集提供了空间连续的每日气溶胶光学深度（AOD）和细节颗粒物（PM 2。5）自2000年以来，中国1公里的网格分辨率的浓度。这一进步赋予了对区域气溶胶变化的前所未有的评估及其对过去20年中环境，健康和气候的影响。但是，有必要增强这种高质量的AOD和PM 2。5浓度数据集具有新的可靠功能和扩展的空间覆盖范围。在这项研究中，我们介绍了全球尺度LGHAP数据集（LGHAP V2）的版本2，该版本是通过使用多功能数据科学，模式识别和机器学习方法的无缝集成的改进的Big Earth Data Analytics生成的。特定的，从相关卫星，地面监测站获得的多模式AOD和空气质量测量值通过利用基于随机的数据驱动模型的能力来协调。随后，开发了改进的基于张量流的AOD重建算法，以编织统一的多源AOD产品共同填充数据差距，以填补大气孔校正（MAIAIA）AOD AOD AOD从Terra的多角度实现。消融实验的结果表明，在收敛速度和数据准确性方面，基于张量的间隙填充方法的改进性能更好。for pm 2。5浓度测量。 验证结果表明无间隙PM 2。 55浓度测量。验证结果表明无间隙PM 2。5Ground-based validation results indicated good data accuracy of this global gap-free AOD dataset, with a correlation coefficient ( R ) of 0.85 and a root mean square error (RMSE) of 0.14 compared to the worldwide AOD observations from the AErosol RObotic NETwork (AERONET), outperforming the purely re- constructed AODs ( R = 0.83, RMSE = 0.15), but they were比原始的Maiac AOD检索稍差（r = 0.88，RMSE = 0.11）。5浓度映射，一种新颖的深度学习方法，称为场景意识到的集合学习图表网络（SCAGAT）。在考虑到跨区域的数据驱动模型的场景代表性时，SCAGAT算法在空间外推时进行了更好的表现，在很大程度上降低了对有限和/甚至不存在原位PM 2的区域的建模偏差。5浓度估计值具有更高的预测精度，与PM 2相比，R为0.95，RMSE为5.7 µg m-3。