XiaoMi-AI文件搜索系统
World File Search System装袋
平衡的装袋分类器机器学习模型 -
Features n % Median Mean Standard deviation Chemotherapy cycles 3439 100 General Cancer type Breast cancer 1315 38 Lung cancer 890 26 Colorectal cancer 1159 34 Other cancers 75 2 Stage 1 to 3 1927 4 1512 Involved systems number* 0 0.8 1.1 Gender Female 1811 53 Male 1628 47 Age 55 55.1 11.4 ECOG performance status 1 0.7 0.7 Coronary disease No 3133 91 Yes 306 9慢性阻塞性肺疾病（冷）否3252 95是187 5放疗3372 98在3372 98之前没有接受67 2先前的化疗NO 1922 56是1517 44治疗治疗方法作为住院NO 3240 94是3240 94是3240 94 YES 199 6 CSF YES 199 6 CSF否2543 74 YES 896 26 26 26 26 26 NO 311 NO 311 NO 311 11 11 1117剂量重新降差 neutropenia No 3211 93 Yes 228 7 Febrile neutropenia after chemotherapy No 3306 96 Yes 133 4 Drug number** 1 336 10 2 1644 48 3 1076 31 4 382 11 5 1 0 Regimen risk*** 1 938 27 2 2157 63 3 344 10 Cycle no on current protocol 3 2.8 1.4 Laboratory LDH (IU/ml) 343 370 235 ALT （IU/mL）18 22 20 20肌酐（mg/dl）0.71 0.76 0.22淋巴细胞计数（x1000/mm3）1.7 1.7 1.9 1.3白蛋白（mg/dl）4.2 4.2 4.2 0.4
Shakingbot：装袋的动态操作
通过机器人的抽象袋操纵是由于袋子的可变形性而变得复杂而挑战。基于动态操纵策略，我们为行李任务提出了一个新框架，Shakingbot。Shakingbot Utiz liz liz liz liz the感知模块，从任意初始配置中识别塑料袋的关键区域。根据细分，摇晃迭代地执行了一套新颖的动作，包括调整袋，双臂摇动和一臂固定，以打开袋子。动态动作，双臂摇动，可以有效地打开袋子，而无需考虑弄皱的配置。然后，机器人插入物品并抬起袋子进行运输。我们在双臂机器人上执行我们的方法，并获得21/33的成功率，以在各种初始袋子配置中插入至少一个项目。在这项工作中，我们证明了与包装任务中的准静态操纵相比，动态摇动动作的性能。我们还表明，尽管袋子的尺寸，图案和颜色，我们的方法仍会概括为变化。补充材料可从https://github.com/zhangxiaozhier/shakingbot获得。
用于锂离子电池健康估算状态的基于装袋的ELM算法中的超参数优化
daniel-ioan Stroe能源系Aalborg University Aalborg，丹麦des@energy.aau.dk摘要 - 广泛研究了人工神经网络的健康状况（SOH）估计锂离子电池的估计，因为它们可以从原始数据中识别全球功能，并能够与多二维数据相处。，但模型的性能在一定程度上取决于选择超参数的选择，而超参数在模型训练期间保持恒定。为了提高概括性能和准确性，为电池SOH估算提供了一个集合学习框架，其中将多个极端学习机与装袋技术结合在一起。然后，基本模型的袋子和神经元的数量通过五种常用的高参数优化方法调节。此外，选择具有最大概率密度的SOH值作为输出估计，以进一步提高估计精度。最后，对NMC和LPF电池的实验结果表明，具有超参数优化的提出的方法可以实现稳定而准确的电池SOH估计。无论使用哪种优化方法，NMC和LFP电池的SOH估计的平均百分比误差分别可以保持在1％和1.2％以下。
