XiaoMi-AI文件搜索系统
World File Search System数据驱动
欧洲地震参考站的数据驱动和机器学习识别
sumary日益增长的地震网络和越来越多的永久性地震站可以帮助改善地震危害评估的物理基础。为此，参考站点条件的定义非常重要。如果已知参考地面运动的可靠估计，则可以根据该参考位点对任何给定位点进行修改。由于选择良好的参考位点的选择并不简单，这主要是由于浅层层的较高可变性，因此这种选择被证明会受到大型不确定性的影响。虽然最上层30 m（v s 30）的平均s波速度之类的代理参数可能有助于表征参考站点条件，但此类参数既不可用，也不允许结论一下该站点不受放大和减弱效应的影响。在这项研究中，我们以统一和完全数据驱动的方式确定欧洲的前瞻性参考地点。所有分析均基于免费可用的地质和地球物理数据，不需要现场测量或特定地点代理。研究既说明了扩增的影响，又是较大频率范围内的衰减。为了解决关键概念问题，我们基于机器学习技术验证了我们的分类，其中研究了单个站点表征参数的影响。我们的研究表明，在2000多个研究中，欧洲大约250个地点不受当地现场效应的影响，并且可以根据所应用的标准将事实视为参考地点。
制造：通过数据驱动的材料科学提高耐用性，轻巧和生命周期优化
汽车行业正在朝向可持续和高性能材料的范式转变，这是由于需要提高燃油效率，降低碳排放和增强的车辆耐用性而驱动的。先进的材料创新，包括轻型合金，高强度复合材料和基于生物的聚合物，正在改变汽车设计和制造。由人工智能（AI）和机器学习（ML）提供支持的数据驱动材料科学的整合正在加速材料发现，性能优化和生命周期评估。本研究探讨了可持续材料在汽车制造中的作用，重点是它们对轻巧，结构完整性和可回收性的影响。关键重点是用于材料选择的AI增强预测分析，从而实现了机械性能，耐腐蚀性和热稳定性的实时优化。此外，数字双胞胎模型在各种操作条件下促进了对物质行为的深入模拟，从而确保了长期的性能和安全性。采用智能制造技术，例如增材制造和高级涂料，进一步提高了材料效率和可持续性。此外，这项研究强调了循环经济原则在材料生命周期管理中的重要性，解决了可回收性，再制造和减少废物的策略。创新材料的案例研究，包括碳纤维增强的聚合物，铝 - 含量合金和石墨烯增强复合材料，在减轻体重和耐用性方面表现出显着的进步。通过利用数据驱动的见解，AI驱动的材料信息学和生命周期优化策略，汽车行业可以实现更大的可持续性而不会损害绩效。本研究对不断发展的材料格局进行了全面分析，为未来趋势，挑战以及计算建模在下一代汽车制造中的作用提供了见解。
数字化转型在塑造大流行时代企业家成功中的作用：数据驱动分析
Covid-19带来的时代在企业企业领域带来了许多转变，这不仅是因为在几周内而不是几个月内采用了先进的数字技术。这项研究探讨了数字转型与不同行业的企业家成功的关系。基于混合方法方法，包括定性调查数据和定量模型，该研究强调了数字工具影响企业家绩效，可伸缩性和弹性的方式。调查结果表明，尽管数字采用大大提高了业务效率，市场覆盖率和创新，但它也带来了与资源分配和技能开发相关的挑战。4）这项研究为希望利用数字技术利用现代企业家的可持续增长的企业家和政策制定者提供了路线图。
数据驱动的交流行为产生：调查
0的数据集持续时间用于培训和测试分裂的培训和测试分裂，并在以下方面受到其可用性的限制。1报告的数据集持续时间用于培训和测试分裂，来自该表和以下工作的培训持续时间受其可用性的限制。2作者已经处理了以下每个数据集，以提取语音和头部运动的特征，以训练拟议的模型，除了ding等人。[46]和Sadoughi和Busso [165]提供了视听数据和功能[20，158]。3不适用，W.R.T评估度量标准，在工作中不应用特定指标。4作者没有提供有关培训和测试数据大小的明确信息。5个数据集尺寸不可用。6 Greenwood等。 [77]没有使用任何客观或主观措施。 相反，他们讨论了有关地面真理的产生头部运动的特征。6 Greenwood等。[77]没有使用任何客观或主观措施。相反，他们讨论了有关地面真理的产生头部运动的特征。
使用机器学习对太阳能PV输出的数据驱动预测：一种长期预测的综合方法
本文研究了细节，并选择了用于预测太阳能光伏（PV）植物的长期产量的机器学习算法。因此，使用10分钟的数据实时测试了几种算法。为了生成结果，用正面和负的实际功率和时间参数喂食，训练和验证了模型。在测试阶段，模型是训练和拟合的。具有最准确的预测目标变量的能力与当前值（预期的输出值）进行比较，以验证预测。基于统计评估，还评估了该算法的性能。输出导致了有关光伏植物生产的假设。基于这些假设的信息，做出了必要的决定。随机森林回归在植物中太阳产量的长期预测中比其他模型具有更高的准确性。此类发现对太阳能能源部门的太阳能工程师和网格运营商很有用。太阳能领域的太阳能工程师和网格运营商将从这些发现中受益。
通过数据驱动的共享控制方法降低机器人群的认知负载
摘要 - 多种机器人系统在医学，环境监测等各种领域的多种影响都增加了。尽管有明显的优势，但群体的协调对人类运营商带来了重大挑战，尤其是关于有效控制机器人所需的认知负担。在这项研究中，我们提出了一种新的方法，可以使人类操作员有效控制多个机器人的运动。利用共享控制数据驱动的方法，我们使单个用户能够控制与群体的姿势和形状相关的9度自由度。我们的方法是通过在模拟的3D环境中进行的实验运动进行了评估的，该环境具有狭窄的圆柱路径，可以代表例如血管，工业管道。使用经验后的问卷评估了认知载荷的主观测量，并比较了系统的不同级别的自主权。结果表明，与传统的远程操作技术相比，操作员认知负载的大幅减少，伴随着任务绩效的提高，包括减少完成时间和与障碍的接触实例更少。这项研究强调了我们方法在增强人类机器人相互作用和提高多机器人系统中运行效率方面的效率。
数据驱动的字云
基于人IPSC的3D微生物生理系统，用于在微重力（工程心组织）中建模心脏功能障碍 - Mair DB，Tsui JH，Higashi T，Koenig PM，Dong Z等。在自动化的心脏芯片平台中，太空飞行引起的收缩和线粒体功能障碍。美国国家科学院的会议记录。2024年10月； 121（40）：E2404644121。doi：10.1073/pnas.2404644121。国际空间站内部环境（ISS内部环境） - Laranja SR，Fejer BG，Ridenti MA，Amorim J，Swenson CM。基于国际空间站上的FPMU测量值的离子密度气候。 地球物理研究杂志：太空物理学。 2023年12月20日； 128（12）：E2023JA031980。 doi：10.1029/2023JA031980。离子密度气候。地球物理研究杂志：太空物理学。2023年12月20日； 128（12）：E2023JA031980。doi：10.1029/2023JA031980。
Riken ADSP国际研讨会2025人工智能和数据驱动医学
扬声器和tittles Miles C. Andrews，医学博士，博士医学肿瘤学家，澳大利亚莫纳什大学高级研究员肿瘤，患者和微生物组：对癌症免疫疗法的广角观察10:05〜10:45
利用数据驱动的光伏能力预测的气象预测
抽象背景：旋转阳极X射线源的允许输入功率密度受到可用目标材料的性能的限制。尽管使用临床实践的变化，但使用的用于焦点表面温度的简化公式忽略了管电压。如本工作所提出的那样，改进了电子传输和靶标侵蚀的建模，可改善X射线输出降解对X射线输出降解，绝对X射线剂量输出以及诊断成像的质量和Orthovolt Cancer Cherapy的质量，用于广泛的技术因素。目的：改进电子功率吸收的建模以包括体积效应和表面侵蚀，以提高对X射线输出降低的理解，增强X射线管的可靠性并安全地扩大其使用场。方法：我们结合了蒙特卡洛电子传输模拟，耦合的热弹性有限元建模，侵蚀引起的表面粒度以及热物理和热机械目标特性的温度依赖性。提出了半经验的热机械标准来预测目标侵蚀。我们模拟了侵蚀的钨 - 侵蚀目标的吸收电子功率，并用带有球形单层的toge靶模仿，并与原始目标进行比较。Results: The absorbed electronic power and with it the conversion efficiency varies with tube voltage and the state of erosion.With reference to 80 kV (100%), the absorption of a severely eroded relative to a pristine target is 105% (30 kV), 99% (100 kV), 97% (120 kV), 96% (150 kV), 93% (200 kV), 87％（250 kV）和79％（300 kV）。我们表明，尽管表面加热的简单的müller -oosterkamp模型低估了较高的管电压相对于在80 kV下的运行的好处，但该误差限制为30 kV的误差低于-6％（建议还原），而300 kV + 13％（输入功率增加允许）。结论：纠正侵蚀目标材料的X射线转换效率，通常无法通过测量管电流来访问，这可能意味着对现有的X射线剂量计算进行校正。随着管电压增加的旋转阳极X射线试管的相对增加，其量大的电压易于预测的agnosmmüller– oosterkamp age agnosism age age agnosism age agnosism age age ageostermism age age age agnosism age age age age age agnosism agn依赖性的依赖性依赖于焦距的依赖性，这显着的量加热模型要小得多。钨孔和粒度的扩散率随着管电压增加的旋转阳极X射线试管的相对增加，其量大的电压易于预测的agnosmmüller– oosterkamp age agnosism age age agnosism age agnosism age age ageostermism age age age agnosism age age age age age agnosism agn依赖性的依赖性依赖于焦距的依赖性，这显着的量加热模型要小得多。钨孔和粒度的扩散率
数据驱动方程发现揭示人类的非线性强化学习
强化学习 (RL) 的计算模型对我们理解人类行为和决策做出了重大贡献。然而，传统的 RL 模型通常采用线性方法来更新奖励预期，这可能会过度简化人类行为与奖励之间的微妙关系。为了应对这些挑战并探索强化学习的新模型，我们利用了一种使用方程发现算法的新型模型发现方法。这种方法目前主要用于物理学和生物学，它试图通过从一系列建议的线性和非线性函数中提出微分方程来捕获数据。使用这种新方法，我们能够识别一种新的 RL 模型，我们称之为二次 Q 加权模型。该模型表明，奖励预测误差服从非线性动力学并表现出负偏差，导致在期望值较低时奖励权重过低，而在期望值较高时奖励缺失权重过高。我们通过将我们的模型与 9 项已发表研究中使用的经典模型进行比较来测试其通用性。在已发布的九个数据集中的八个数据集中，我们的模型在预测准确度方面超越了传统模型，这不仅证明了其普遍性，还表明它有可能为人类学习的复杂性提供新的见解。这项工作展示了将新颖的行为任务与先进的计算方法相结合，作为揭示人类认知复杂模式的有效策略，标志着在开发可解释且广泛适用的计算模型方面迈出了重要一步。