XiaoMi-AI文件搜索系统
World File Search System绝对误差
数据驱动的数字焊接预测性维护方法...
摘要 数字焊接机（DWM）是一种先进的材料成型工具。DWM 的寿命和健康状况与其安全性和可靠性密切相关。针对 DWM 寿命预测准确率不高的问题，提出了一种基于免疫算法（IA）和带注意机制的长短期记忆网络（LSTM）的模型。首先，评估并筛选 DWM 寿命的退化特征指标。然后，利用线性回归构建健康指数，定量反映 DWM 的寿命状态。使用优化模型预测剩余寿命，并使用 5 个指标与各种模型进行比较。最后，基于产品检验和生产调度对 DWM 进行预测性维护。得到目标函数的最优解，计算出数字焊机的最佳预测维护方法。在寿命预测过程中，优化模型与传统LSTM模型相比，均方根误差降低了20%，均方误差降低了35.8%。平均绝对误差降低了14.2%，平均绝对百分比误差更接近于0，判定系数提高了23%。结合实际的产线安排，可以在最合适的时间对DWM进行维护，以最大限度地降低维护成本。
融合算法启用的电动汽车电池的电荷估计，考虑到极端温度
使用扩展的Kalman滤波器（EKF）来估计锂离子电池（LIBS）的电荷状态（SOC），系统的噪声协方差矩阵和能量收集器的观察声音大多是随机给出的，这使得无法优化噪声问题。这会导致SOC估计的准确性和稳定性较低。为解决这些问题，提出了一种基于长期短期记忆 - 自适应的无知的卡尔曼滤波器（LSTM – AUKF）融合的方法来提高估计Libs Soc的准确性和稳定性。首先，从混合脉冲功率表征（HPPC）实验数据中鉴定出Thevenin模型的离线参数。然后，为电源LIB构建了SOC估计窗口的LSTM结构，并且电池SOC训练网络是通过电池电流，电压，温度和历史数据实时预测的。最后，设计了估计权力液体SOC的AUKF算法，然后提出了融合策略。实验验证表明，用于估计研究窗口中LSTM -AUKF混合动力锂电池的均方根平方误差（RMSE），最大（最大）和平均绝对误差（MAE）分别为1.13、1.74和0.39％。与窗口LSTM网络相比，融合算法提高了SOC估计功率LIB的准确性和稳定性。
卷∙17∙编号∙4∙2024 页码∙1423 描述性...
摘要 本研究旨在调查 CBCT 分析和 DNA 甲基化测量通过同一颗拔除牙齿估计人类年龄的潜力。对印度尼西亚帕查贾兰大学牙科医院的三颗拔除的下颌前磨牙进行了横断面方法的描述性研究设计。使用 ITK-SNAP 测量牙髓和牙齿体积进行 CBCT 分析，并使用组内相关系数 (ICC) 进行可靠性测试。同时，使用焦磷酸测序分析对 ELOVL2 基因进行 DNA 甲基化测量。使用平均绝对误差 (MAE) 和均方根误差 (RMSE) 量化每个样本的估计年龄和实际年龄之间的差异。在 CBCT 分析中，MAE 范围为 0.44 至 3.97 岁，RMSE 范围为 0.52 至 4.01 岁。至于 DNA 分析，MAE 为 1.37 岁，RMSE 为 1.67 岁。 CBCT 分析和 DNA 甲基化测量均已证明能够根据同一颗拔除的牙齿估计人类年龄。在这项初步研究中，基于牙髓-牙齿体积比的 CBCT 分析估计的人类年龄比 DNA 甲基化水平测量更接近实际年龄。
使用 LLM 框架评估电池健康状态
摘要 — 电池健康监测对于电动汽车 (EV) 的高效可靠运行至关重要。本研究引入了一种基于变压器的框架，利用基于循环和瞬时放电的数据来估计钛酸锂 (LTO) 电池的健康状态 (SoH) 并预测其剩余使用寿命 (RUL)。我们在 500 次循环中对 8 个 LTO 电池在各种循环条件下进行测试，展示了充电时间对能量存储趋势的影响，并应用差分电压分析 (DVA) 来监测电压范围内的容量变化 (dQ/dV)。我们的 LLM 模型实现了卓越的性能，平均绝对误差 (MAE) 低至 0.87%，并且具有支持高效处理的各种延迟指标，展示了其实时集成到 EV 中的强大潜力。该框架通过高分辨率数据中的异常检测有效地识别了退化的早期迹象，从而促进了预测性维护以防止电池突然故障并提高能源效率。索引词 — 电池退化、健康状态 (SoH)、剩余使用寿命 (RUL)、钛酸锂 (LTO)、差分电压分析 (DVA)、大型语言模型 (LLM)
ginet：整合顺序和上下文感知...
摘要 - 电池的飙升需求需要高级电池管理系统，其中电池容量建模是关键功能。在本文中，我们旨在通过从电池动力学的历史测量中学习来实现电池容量的预测。我们提出了一个封闭式的复发单元G i n et，以预测电池的容量。G I N等的新颖性和竞争力在于它的能力，可以从原始电池数据中捕获顺序和上下文信息，并以时间动力和长期依赖性来反映电池的复杂行为。我们根据公开可用的数据集进行了一项实验研究，以展示G I N等人对电池行为的全面了解并准确预测电池容量的力量。g i n et达到0.11的平均绝对误差，用于在不知道历史电池容量的情况下以一系列未来的时间插槽预测电池容量。与知情人相比，它的表现也胜过最新算法，平均误差降低了27％。有希望的结果强调了算法和电池知识的定制和优化集成以及对其他行业应用的启示的重要性。索引术语 - 电池能力，充电状态，机器学习，工业人工智能
使用 Bat 算法对微型水力发电厂负载频率控制的储能进行优化设计 Muhammad Ruswandi Djalal 1*，Nasrun Kad
摘要 发电机的转速影响产生的频率和电压，而这种变化会影响负载侧。为此，我们需要一种能够优化微水力发电性能的控制设备。因此，我们需要一种通过应用负载频率控制 (LFC) 来优化微水力发电性能的技术。LFC 通过实施超导磁能存储 (SMES) 和电容能存储 (CES) 而设计，此应用将提供功率补偿以减少甚至消除由消费者电力负载变化引起的频率振荡。为了获得最佳的微水力发电性能，必须为 SMES 和 CES 设置正确的参数。本研究中的 SMES 和 CES 参数调整提出使用 Bat 算法。该算法使用的目标函数是优化积分时间绝对误差 (ITAE)。对于性能分析，在负载变化的情况下测试系统，然后分析调速器、涡轮机和系统频率响应。为了测试系统的可靠性，本研究采用了几种控制、SMES、CES 与基于比例、积分、微分 (PID) 的传统控制相结合的方案。正确的控制参数将更优化地改善系统性能。最佳系统性能可以从调速器、涡轮机的响应和频率的最小超调以及系统切换到稳定状态的快速稳定时间中看出。
脑肿瘤序列配准挑战：建立弥漫性胶质瘤患者术前和随访 MRI 扫描之间的对应关系
摘要 — 由于组织外观的变化，包含病理的纵向脑磁共振成像 (MRI) 扫描的配准具有挑战性，这仍然是一个未解决的问题。本文介绍了第一个脑肿瘤序列配准 (BraTS-Reg) 挑战，重点是估计同一患者被诊断为脑弥漫性胶质瘤的术前和随访扫描之间的对应关系。BraTS-Reg 挑战旨在为可变形配准算法建立一个公共基准环境。相关数据集包括去识别化的多机构多参数 MRI (mpMRI) 数据，根据通用解剖模板针对每次扫描的大小和分辨率进行整理。临床专家已经对扫描中的标志点生成了大量注释，描述了时间域内不同的解剖位置。训练数据以及这些基本事实注释将发布给参赛者，以设计和开发他们的注册算法，而验证和测试数据的注释将由组织者保留，并用于评估参赛者的容器化算法。每个提交的算法都将使用几个指标进行定量评估，例如中位数绝对误差 (MAE)、稳健性和雅可比行列式。
MERGED_COMPREDSES.pdf -IRIS -IRIS -UNIXPAR- di bologna
摘要 - 建模手运动学和动力学是研究人机界面的关键目标，表面电子学（SEMG）是最常用的传感方式。尽管研究了未经研究的，但基于SEMG回归的手动运动和力模型具有比将固定手势映射到固定手势所允许的更精细的控制的承诺。我们提出了基于事件的SEMG编码，用于在微控制器单元（MCU）上实现的多指力估计。我们是第一个针对Hyser高密度（HD）-SEMG数据集的人，在最接近实际情况的多日条件下，没有固定的力模式。我们的最大自愿收缩（MVC）（MVC）的（8.4±2.8）％的平均绝对误差与最新的（SOA）相提并论，可在更易于的设置（例如日内，单指或固定运动）上工作。We deploy our solution for HYSER's hardest task on a parallel ultra-low power MCU, getting an energy consumption below 6.5 uJ per sample, 2.8× to 11× more energy-efficient than SoA single-core solutions, and a latency below 280 us per sample, shorter than HYSER's HD-sEMG sampling period, thus compatible with real-time operation on embedded devices.
使用机器学习预测利率预测的预测模型：比较分析和实际应用Abdorwf A Mohamed Salem 1
摘要预测利率是财务计划，投资策略和决策的基本任务。传统统计模型虽然广泛使用，但通常无法充分捕获复杂的非线性关系和财务数据固有的时间依赖性。本研究通过探索机器学习模型的潜力来提高利率预测的准确性和可靠性来解决这些局限性。这项研究的主要目标是评估和比较多个机器学习模型的性能，包括线性回归，支持向量机和深度学习技术，以预测利率趋势。历史数据跨越了二十年，并进行了预处理，以确保数据质量和一致性。使用明确定义的评估指标（例如平均绝对误差和均方根误差）在该数据集上训练和测试模型，以确保稳健的性能评估。结果表明，机器学习方法，尤其是深度学习模型，优于捕获复杂模式并提供更准确的预测方面的传统方法。这些发现进一步讨论了在现实世界财务环境中实施机器学习技术的实际含义，从而强调了机遇和挑战。总而言之，本研究提供了可行的见解和强大的框架，可以将机器学习整合到利率预测中，从而有助于财务预测建模的发展。
基于AI的预测算法，用于增强废物管理系统：比较分析
摘要。由于城市化，人口增长和经济发展，废物管理已成为越来越紧迫的问题。根据世界银行的预测，到2050年，废物生产将达到34亿吨。该论文的重点是对必须改进的废物管理技术的详细分析，并且必须最大程度地提高资源，以便能够处理各种类型的废物，包括农业废物，工业废物，市政固体废物（MSW）和电子废物（电子废物（E-Waste））。各个领域的人工智能的进步吸引了利用其利益来实现对不同类型废物的优化管理。本文的重点是对回收的废物的描述，这些废物可以通过使用废物到能量（WTE）技术将其转化为能量。正在研究不同扇区中产生的不同类型的废物，并详细介绍了它们在处理废物时的数量和挑战。文献强调了各种废物处理方法的绩效分析，其效率，经济影响和生态含义。就r 2值和平均绝对误差（MAE）均方根误差（RMSE）讨论了预测模型及其性能，以找到最合适的算法。结论表明，这些基于AI的优化方法可以使各种废物的能源转换过程中的各种废物加强，从而使废料的管理更加可持续和可靠。