XiaoMi-AI文件搜索系统
World File Search System绝对误差
应用数学和非线性科学
本研究解决了当前的体育培训方法在实时监控，数据传输和智能分析方面面临的挑战。我们引入了一种数值模拟和优化方法，用于体育培训，利用嵌入式无线通信网络。通过结合现实的空间金字塔池（ASPP）和长期记忆（LSTM）网络，我们的方法有效地处理并分析了运动员的多规模空间特征和时间序列数据。在PAMAP2和MHealth数据集上进行的实验表明，我们的方法超过了关键指标中的其他主流方法，例如最大F量，平均绝对误差（MAE），加权F-量度和结构相似性度量，并且具有显着的优势在增强的比对度量方面具有显着优势。消融研究进一步验证了ASPP和LSTM模块的贡献。此方法增强了培训成果的准确性和实时预测，为智能体育培训系统的发展提供了宝贵的见解。
对比特币算法交易的机器学习模型的全面分析
摘要 - 这项研究评估了41个机器学习模型的性能，包括21个分类器和20个回归器，以预测算法交易的比特币价格。通过在各种市场条件下检查这些模型，我们强调了它们的准确性，鲁棒性和对挥发性加密市场的适应性。我们的全面分析揭示了每个模型的优势和局限性，为制定有效的交易策略提供了关键的见解。我们使用机器学习指标（例如，平均绝对误差，根平方错误）和交易指标（例如，损益百分比，Sharpe比率）来评估模型性能。我们的评估包括对历史数据进行回测，对最新看不见的数据的前瞻性测试以及现实世界的交易方案，以确保我们的模型的鲁棒性和实际适用性。关键发现表明，某些模型，例如随机森林和随机梯度下降，在利润和风险管理方面都优于其他模型。这些见解为旨在利用机器学习进行加密货币交易的贸易商和研究人员提供了宝贵的指导。
基于EEG的眼动追踪技术又迈进了一步
在本文中，我们介绍了两种适应感兴趣区域的方法和算法。我们提出了一种新的深度神经网络 (DNN)，可用于使用 EEG 数据直接确定注视位置。基于 EEG 的眼动追踪是眼动追踪领域的一个新的、困难的研究课题，但它提供了一种基于图像的眼动追踪的替代方案，其输入数据集与传统图像处理相当。所提出的 DNN 利用 EEG 信号的空间依赖性，并使用类似于空间滤波的卷积，用于预处理 EEG 信号。通过这种方式，与最先进的技术相比，我们将从 EEG 信号进行的直接注视判断提高了 3.5 厘米 MAE（平均绝对误差），但不幸的是仍然没有实现直接适用的系统，因为与基于图像的眼动追踪器相比，不准确性仍然明显较高。链接：https://es-cloud.cs.uni-tuebingen.de/d/8e2ab8c3fdd444e1a135/?p=%2FEEGGaze&mode=list
锂离子电池寿命预测方法在热梯度条件下
摘要：锂离子电池组中不可避免的热梯度由于热量产生和耗散不均，这会影响电池老化。在本文中，建立了用于模拟实用热梯度条件的实验平台。实验结果表明高非线性电池降解程度很高。考虑到高度非线性，高度非平稳性和随时间变化的数据的极限学习机器（ELM），它具有良好的学习能力和拟合能力。在本文中提出了基于麻雀搜索算法（SSA）的电池寿命预测模型，以优化ELM网络的随机权重和偏置，并通过实验数据进行验证。结果表明，与传统的ELM和后传播神经网络相比，SSA优化的ELM的预测结果具有较低的平均绝对误差百分比和均方根误差，这表明SSA-ELM模型具有较高的预测准确性，并且具有更好的稳定性，并且具有高非线性程度的处理数据方面具有明显的优势。
用于自动胎儿脑生物测量的双重对抗校准框架
本文介绍了一种新颖的胎儿脑部自动生物测量方法，该方法旨在满足中低收入国家的需求。具体而言，我们利用高端 (HE) 超声图像为低成本 (LC) 临床超声图像构建生物测量解决方案。我们提出了一种新颖的无监督域自适应方法来训练深度模型，使其对图像类型之间显著的图像分布变化保持不变。我们提出的方法采用双对抗校准 (DAC) 框架，由对抗途径组成，可强制模型对以下方面保持不变：i) 来自 LC 图像的特征空间中的对抗性扰动，以及 ii) 外观域差异。我们的双对抗校准方法估计低成本超声设备图像上的小脑直径和头围，平均绝对误差 (MAE) 为 2.43 毫米和 1.65 毫米，而 SOTA 分别为 7.28 毫米和 5.65 毫米。
文章 使用机器学习算法对锂离子 NMC 电池进行充电状态 (SoC) 预测建模 Farah Apit Tantri 1、Dewanto Harj
6 文莱理工大学工程学院电气工程系，文莱达鲁萨兰国加东 *电子邮件：elhanif@staff.uns.ac.id（通讯作者）摘要。充电状态 (SoC) 估计对于锂离子电池至关重要，以防止过度充电和放电，影响电池的安全性、稳定性和效率。传统技术是估算 SoC 最常用的方法。然而，由于它们的计算敏感性和难以适应复杂环境，它们在预测 SOC 方面不太准确。本研究提出了四种机器学习模型：线性回归、多层感知器、决策树和随机森林，用于锂离子 NMC 电池的 SoC 预测。模型的性能是根据相关系数和误差值（平均绝对误差或 MAE 和均方根误差或 MRSE）进行评估的。结果显示，随机森林模型性能最佳，相关系数为1，MAE和MRSE值分别为0.2052和0.2712。相反，线性回归模型性能最差，相关系数为0.9534，MAE和MRSE值分别为5.9064和8.2602。关键词：充电状态（SoC），NMC电池，机器学习。
机器学习在预测分子特性中的应用
由于开发新化合物并确定其性能是昂贵且可能危险的，因此有必要开发一个模型来预测分子特性，而无需合成和实验测试。表示化合物的两种系统方法是通过分子结构的示意图和简化的分子输入线 - 进入系统（Smiles）。在这项研究中，这些表示分别用于训练两个神经网络模型，一个卷积神经网络（CNN）和一个经常性神经网络（RNN），以预测化合物的熔点。通过将化合物表示为结构的图像，CNN在拟合给定数据的拟合时不成功，似乎在给定数据的平均熔点附近保持恒定。然而，通过将化合物表示为系统生成的文本字符串，RNN成功地拟合了数据，总体趋势类似于实际趋势，平均绝对误差较低。但是，与结构图数据不同，用于RNN的微笑数据不包含方向信息。对于将来的研究，可能可以将两种表示形式结合起来，以达到更准确的预测模型。
大规模的人工神经网络建模...
抽象的人工神经网络（ANN）是一种人工智能方法的方法，为复杂过程提供了有效的预性模型。开发了三种经过反向传播算法训练的独立ANN模型，以预测EF的化学氧需求（COD），悬浮固体（SS）和曝气罐混合酒悬浮固体（MLSS）浓度的Ankara Central Wastewater处理厂。通过对模型的训练和测试进行多个步骤来确定ANN模型的适当体系结构。ANN模型产生了令人满意的预测。均方根误差，平均绝对误差和平均绝对百分比误差的结果为3.23、2.41 mg/l，COD为5.03％； SS的1.59、1.21 mg/L和17.10％； MLSS分别为52.51、44.91 mg/L和3.77％，表明可以充分使用开发的模型。总体上还证实了ANN建模方法可能具有巨大的模拟，精确的性能预测和废水处理厂的过程控制的实施潜力。
基于高血压患者的机器学习的组推荐系统
高血压，一种严重的慢性疾病和心血管问题的主要危险因素，对医师的治疗和决策提出了重大挑战。推荐系统提出了一种有希望的途径，用于增强高血压护理决策过程。但是，诸如协作过滤之类的传统方法会遇到诸如数据稀疏性和可扩展性等挑战。为了应对这些挑战，已经探索了基于机器的建议系统。本研究提出了一种增强的协作过滤方法，集成了聚类和小组建议技术。使用静态和动态方法，建议每个群集提出的研究聚合组建议。对于新患者，采用三种相似性措施从最相似的病例群集中选择相关建议。这些发现证明了模型的令人满意的性能，尤其是在采用动态组建议和欧几里得相似性时，就平均绝对误差（MAE）表明精度提高了精度。
使用深钢筋学习
摘要 - 对患有1型糖尿病的个体的血糖水平的准确预测有助于通过特定的胰岛素递送来调节血糖。在我们的工作中，我们提出了与长期术语内存网络结合使用的密集连接编码网络的设计。我们将血糖预测提出为深度增强学习问题，并在OHIOT1DM数据集上评估我们的结果。OHIOT1DM数据集包含5分钟内的血糖监测记录，在8周内为12例患有1型糖尿病的患者。先前的工作旨在预测30分钟和45分钟的预测视野中的血糖水平，分别对应于6和9个数据点。与先前的工作相比，到目前为止，相对于平均绝对误差的最佳预测准确性，我们在30分钟和45分钟的预测范围内分别提高了18.4％和22.5％。此外，为了在我们的预测中进行风险评估，我们可视化错误并通过监视错误网格方法评估临床风险。索引术语 - 深处增强学习，长期术语记忆，血糖预测，1型糖尿病