XiaoMi-AI文件搜索系统
World File Search System绝对误差
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。
基于深度强化学习的控制器设计...
在本研究中，将深度确定性策略梯度 (DDPG) 算法（该算法由人工神经网络和强化学习组成）应用于垂直起飞和着陆 (VTOL) 系统模型以控制俯仰角。之所以选择该算法，是因为传统控制算法（例如比例-积分-微分 (PID) 控制器）无法始终生成合适的控制信号来消除干扰和不必要的环境对所考虑系统的影响。为了控制该系统，在 Simulink 环境中对 VTOL 系统数学模型中的正弦参考进行训练，通过深度强化学习方法中具有连续动作空间的 DDPG 算法，该算法可以产生控制动作值，这些动作值采用能够根据确定的奖励函数最大化奖励的结构，以实现控制目的和人工神经网络的泛化能力。对于正弦参考和恒定参考，将俯仰角（指定 VTOL 系统的输出）的跟踪误差性能与传统 PID 控制器在均方误差、积分平方误差、积分绝对误差、百分比超调和稳定时间方面的性能进行了比较。通过模拟研究给出了得到的结果。
机器学习的药品销售预测
摘要：这项研究探讨了机器学习策略估算药品协议的适当性，并显示了对四个计算的比较研究：随机森林，梯度增长，长期记忆（LSTM）和自动性综合运动平均值（ARIMA）。现实世界中的药物交易信息用于评估使用测量值的预定计算的先见优先执行，例如残酷绝对误差（MAE），均方误差（MSE）和根残酷平方误差（RMSE）。结果表明，LSTM击败了其他计算，完成了最大的900个MAE，13000的MSE和113.96的RMSE。此外，该研究对不同部门的有先见之明分析和机器学习的后续进展进行了全面调查，计算医疗保健，供应链给药，背部和自然支持性。这些发现强调了进步分析在推动关键决策，优化资产分配以及缓解药品交易中的危险方面的变革潜力。向前迈进，将机器学习驱动的确定模型集成到组织程序中将继续彻底改变制药行业，并为可维护的开发和进步扫清道路。
基于贝叶斯优化的Informer锂离子储能电站电压异常预测方法
1 新疆大学可再生能源发电与并网教育部工程研究中心，乌鲁木齐 830049，新疆，中华人民共和国。2 新疆电力有限公司电力科学研究院，乌鲁木齐 830049，新疆，中华人民共和国。通讯作者：吴嘉辉 (wjh229@xju.edu.cn)。摘要：随着储能电站领域的蓬勃发展，电池系统状态和故障的预测受到广泛关注。电压作为各类电池故障的主要指示参数，准确预测电压异常对确保电池系统的安全运行至关重要。本研究采用基于 Informer 的预测方法，利用贝叶斯优化算法对神经网络模型的超参数进行微调，从而提高储能电池电压异常预测的准确性。该方法以1分钟为采样间隔，采用一步预测，训练集占总数据的70%，将预测结果的均方根误差、均方误差和平均绝对误差分别降低至9.18mV、0.0831mV和6.708mV。还分析了实际电网运行数据在不同采样间隔和数据训练集比例下对预测结果的影响，从而得到一个兼顾效率和准确性的数据集。所提出的基于贝叶斯优化的方法可以实现更准确的电压异常预测。
基于 CEEMD 和... 的飞机故障率预测方法
准确预测飞机故障率可以提高飞行安全和备件供应效率，有效提供良好的维修保养决策和健康管理指导。为了实现非线性非平稳飞机故障率的准确预测，提出了一种基于互补集经验模态分解（CEEMD）与组合模型融合的飞机故障率预测方法。首先利用互补集经验模态将故障率分解为多个不同频率的分量，然后选取集成移动平均自回归模型（ARIMA）模型和灰色Verhulst模型对不同分量进行预测，利用熵权重法求解组合模型的系数，最后将各预测模型的预测结果乘以各自的权重系数，得到最终的预测结果。以飞机燃油控制系统故障率数据的实际案例应用为例进行试验，采用7个评价函数作为评价标准来评估组合模型的性能。实验结果表明，所开发的组合模型优于其他误差平方和（SSE）、平均绝对误差（MAE）等模型，可以显著提高飞机故障率的预测精度，证明了该模型可以提高飞机故障率的预测精度。
使用各种机器学习算法评估电力需求预测
能源部门在很大程度上依赖于电力负载预测的各种机器学习算法，该算法在制定发电和发电的政策中起着关键作用。功率载荷预测的精度取决于反映数据中非线性特征的许多因素。值得注意的是，机器学习算法和人工神经网络已成为当代电力负载预测中必不可少的组件。这项研究专门针对机器学习算法，涵盖支持向量机（SVM），长期短期记忆（LSTM），集合分类器，复发性神经网络和深度学习方法。该研究通过利用过去5年来利用昌迪加尔UT电力数据来精心研究短期电力负载预测。对预测准确性的评估利用了指标，例如归一化平方误差（NMSE），均方根误差（RMSE），平均绝对误差（MAE）和相互信息（MI）。与其他算法相比，LSTM的预测结果表明，LSTM的性能出色，预测误差是LSTM中最低的，而SVM中的误差最低，高13.51％。这些发现为不同机器学习算法的优势和局限性提供了宝贵的见解。使用MATLAB R2018软件进行了建议的方法的验证实验。
通过卷积神经网络混合模型对脑电信号进行抑郁症连续评分
摘要 — 传统上，抑郁评分是通过贝克抑郁量表 (BDI) 测试来确定的，这是一种定性问卷。通过分析和分类预先记录的脑电图 (EEG) 信号，也可以实现抑郁症的定量评分。在这里，我们更进一步，将原始 EEG 信号应用于提出的混合卷积和时间卷积神经网络 (CNN-TCN)，以连续估计 BDI 分数。在本研究中，119 名受试者的 EEG 信号通过连续的闭眼和睁眼间隔被 64 个头皮电极捕获。此外，所有受试者都参加 BDI 测试并确定他们的分数。所提出的 CNN-TCN 在睁眼状态下提供 5.64 ± 1.6 的均方误差 (MSE) 和 1.73 ± 0.27 的平均绝对误差 (MAE)，在闭眼状态下提供 9.53 ± 2.94 的 MSE 和 2.32 ± 0.35 的 MAE，这显著超过了最先进的深度网络方法。在另一种方法中，从连续帧的 EEG 信号中提取常规 EEG 特征，并将它们与已知的统计回归方法结合应用于所提出的 CNN-TCN。我们的方法提供了 10.81 ± 5.14 的 MSE 和 2.41 ± 0.59 的 MAE，在统计上优于统计回归方法。此外，使用原始 EEG 的结果明显优于使用 EEG 特征的结果。
引用：Imran M，Jannat Mishu NE，Khaliq H，Shahzad F（2025）评估机器学习模型，用于上游印度河上的降水预测
降水在有效管理水资源和维持储层水位中起着至关重要的作用。然而，气候变化发生了显着改变的降水模式，导致了极端的水文事件，例如干旱和洪水，这些事件具有深远的社会经济和环境影响。本研究的重点是使用机器学习模型预测上印度河盆地（UIB）中的降水事件。在这项研究中，采用了三种广泛使用的机器学习算法支持向量机（SVM），K-Nearest邻居（KNN）和随机森林（RF），以预测UIB中的降水事件。数据集分为培训（80％）和测试（20％）子集进行模型评估。在测试的算法中，KNN表现出最佳的预测性能，得出的平均绝对误差（MAE）为2.662，根平均平方误差（RMSE）为16.3，R²得分为0.879，总准确度为83.16％。结果表明，KNN算法是UIB中降水预测的最有效的机器学习模型。这项研究的结果有助于改善预警系统，并在面对气候变化和极端天气事件的情况下促进有效的水资源管理。
使用长期记忆的每日气候预测...
通讯作者： - Jinxin XU1*摘要： - 气候预测在包括农业，灾难管理和城市规划在内的各个部门中起着至关重要的作用。用于气候预测的传统方法通常依赖于复杂的物理模型，这些模型需要大量的计算资源，并且可能无法准确捕获当地天气模式。本研究探讨了长期记忆（LSTM）网络（一种复发性神经网络）的潜力，用于预测每日气候变量，例如温度，降水和湿度。利用德里市的历史气候数据，我们开发了一种LSTM模型来预测短期气候趋势。该模型由两个LSTM层组成，然后是三个密集的层，并与Adam Optimizer，平均平方误差丢失以及平均绝对误差作为度量组成。我们的结果证明了该模型在气候数据中捕获时间依赖性的能力，从而达到了温度预测的令人满意的准确性水平。这项研究强调了机器学习技术，尤其是LSTM网络的潜力，以增强气候预测，并促进对天气敏感部门更明智的决策。关键字： - 机器学习，预测模型，时间序列预测，长期记忆。
利用人工智能预测马拉松成绩
尽管研究使用机器学习算法来预测体育活动中的表现，但据我们所知，没有一项研究在马拉松跑步项目中使用和验证两种人工智能技术：人工神经网络 (ANN) 和 k 最近邻 (KNN)，并比较预测表现的准确度或精确度。通过 820 名运动员（年龄 21 岁，同年跑过 10 公里和一场跑得较慢的马拉松等）的数据集，对 2019 年法国 10 公里公路和马拉松赛事的官方排名进行了审查。对于 KNN 和 ANN，使用相同的输入（10 公里比赛时间、身体质量指数、年龄和性别）来解决线性回归问题以估计马拉松比赛时间。两种方法的实际马拉松表现和预测表现之间没有差异（p > 0,05）。所有预测成绩与实际成绩均具有显著相关性，相关系数非常高（r > 0.90；p < 0.001）。KNN 优于 ANN，平均绝对误差为 2.4 vs 5.6%。该研究证实了两种算法的有效性，KNN 在预测马拉松成绩方面的准确性更高。因此，这些人工智能方法的预测可用于训练计划和比赛。