XiaoMi-AI文件搜索系统
World File Search System输入变量
326.pdf - 船舶结构委员会
8.1 简介 8.2 输入变量的分布 8.2.1 初始缺陷尺寸的分布 8.2.2 焊趾半径和参数 Y 和 Kt 的分布 8.2.3 裂纹扩展参数 C、Al 和 A2 的分布 8.2.4 使用寿命内载荷循环次数的分布 8.2.5 应力范围和寿命内一次应力的分布 8.3 线性 S-N 模型、灵敏度和概率分析 8.3.1 线性模型的灵敏度 8.3.2 线性模型的概率分析 8.4 三组分模型近似解析表达式 8.4.1 三组分模型灵敏度分析 8.4.2 三组分模型概率分析 8.5 总结和结论 CHKIXE 8.0 ~CES
BASED-XAI：分解消融研究，实现可解释的人工智能
可解释的人工智能 (XAI) 方法缺乏基本事实。取而代之的是，方法开发人员依靠公理来确定其解释行为的理想属性。对于需要可解释性的高风险机器学习用途，仅仅依靠公理是不够的，因为实现或其使用可能无法达到理想状态。因此，目前存在对验证 XAI 方法性能的积极研究。在依赖 XAI 的领域，验证的需求尤其突出。一种经常用于评估其效用（在某种程度上是其保真度）的程序是消融研究。通过按重要性排序扰动输入变量，目标是评估模型性能的敏感性。扰动重要的
用 Clifford 和 π/8 表示量子电路......
如果我们在这个基上用 T 2 门代替 T 门，情况就会发生显著变化。执行幺正运算 P=T 2 的门称为相位门。基 {H, P, CNOT} 上的量子电路通常被称为稳定器电路或克利福德电路。Gottesman-Knill 定理指出，基 {H, P, CNOT} 上的电路并不比经典计算机更强大（例如，参见 [6，第 10.5.4 章]）。还推导出克利福德电路的更强限制 [1, 3]。最近，Buhrman 等人 [3] 表明，每个能用克利福德电路计算的布尔函数都可以写成输入变量子集的奇偶校验或其否定。
可解释的多元时间序列分类
许多现实世界应用，例如医疗保健，当前的多变量时间序列预测问题。在此类设置中，除了模型的预测准确性之外，模型透明度和解释性至关重要。我们考虑从多变量时间序列数据中构建可解释的分类器的问题。理解此类预测模型的关键标准涉及将时间变化的输入变量对分类变化的贡献。因此，我们引入了一种新颖的，模量的，基于卷积的特征提取和注意机制，同时识别变量以及确定分类器输出的时间间隔。我们通过几个基准数据集提出了广泛的实验结果，这些数据集表明该方法在多变量时间序列分类任务上优于最新基线方法。我们的案例研究结果表明，相对于可用域知识，所提出的方法确定的变量和时间间隔是有意义的。
脑电微状态特征作为稳定运动输出的生物标志物
摘要 目的。本研究旨在通过优化基于整体和频谱大脑动力学特征的预测多元模型，阐明在视觉引导的等长收缩任务中维持恒定力量水平背后的大脑动力学。方法。18 名受试者被要求按压灯泡并保持恒定的力量水平（屏幕上的条形图显示），并获取脑电图 (EEG)。对于 500 毫秒的间隔，我们计算了力量稳定性指数以及大脑动力学指数：微状态指标（持续时间、发生率、整体解释方差、方向优势）和 θ、低 alpha、高 alpha 和 beta 波段的 EEG 频谱幅度。我们优化了一个多元回归模型（偏最小二乘 (PLS)），其中微状态特征和频谱幅度是输入变量，力量稳定性指数是输出变量。使用 PLS 嵌套交叉验证方法解决了输入变量之间的共线性和模型的普遍性相关问题。主要结果。优化的 PLS 回归模型达到了良好的普遍性，并成功显示了微状态和光谱特征在推断施加力的稳定性方面的预测价值。与视觉和执行控制网络相关的微状态持续时间越长、发生率越高，收缩性能就越好，这与视觉系统和执行控制网络在视觉运动整合中所起的作用一致。意义。微状态指标和脑节律幅度的组合不仅可以在群体层面，而且在个体层面被视为稳定的视觉引导运动输出的生物标志物。我们的研究结果可能对更好地理解单次试验或实时应用中的运动控制以及运动控制研究发挥重要作用。
统计学在人工智能中的作用 - IJEAST
一个或多个独立变量。该方法用于人工智能，根据一组输入变量对结果进行建模和预测。 贝叶斯统计贝叶斯统计是一种统计方法，用于人工智能根据先验知识和新数据估计事件的概率。该方法用于人工智能对数据进行分类、做出预测和优化决策。 机器学习算法机器学习算法是人工智能用来从数据中学习而无需明确编程的统计方法。这些算法用于人工智能识别模式、对数据进行分类和做出预测。 神经网络神经网络是一种机器学习算法，用于人工智能模仿人脑的结构和功能。神经网络在人工智能中用于图像和语音识别、自然语言处理和机器人技术。三、统计学在人工智能中的应用
![ARXIV：2006.03407V2 [QUANT-PH] 2020年9月22日](/simg/g:\will\search\icon\source\b\b3cb998fdbce89ed9ee799c237ec458de7f385ee.webp)
ARXIV：2006.03407V2 [QUANT-PH] 2020年9月22日
时间序列数据在各种各样的现实应用中都普遍存在，它呼吁Peo-Ple的可信赖和可解释的模型，以理解和完全信任AI Solutions的决定。我们考虑从多变量时间序列数据中构建可解释的分类器的问题。理解此类预测模型的关键标准涉及阐明和量化与分类的输入变量变化的时间的争议。因此，我们引入了一种新颖的，模块化的基于卷积的特征外推和注意机制，同时识别变量以及确定分类输出的时间间隔。我们通过几个基准数据集提出了广泛的实验结果，这些数据集表明所提出的方法超过了多变化时间序列分类任务的最新基线方法。我们的案例研究结果表明，通过采用方法识别的变量和时间间隔相对于可用领域知识是有意义的。
使用天气变量的甘蔗产量预测的机器学习技术
摘要。天气对农作物的生长，发育和产量有深远的影响。本研究涉及天气参数用于甘蔗产量预测的使用。机器学习技术（例如K-最近的邻居（KNN）和随机森林模型）已用于甘蔗产量预测。天气参数，即最高温度和最低温度，降雨，早晨和晚上相对湿度，阳光小时，蒸发以及甘蔗产量被用作输入变量。诸如R 2，均方根误差（MSE），平均绝对误差（MAE），均方根误差（RMSE），平均绝对百分比误差（MAPE）之类的性能指标已用于选择预测作物产量的最佳模型。在模型中，根据高R 2和最小误差值选择随机森林算法作为最佳拟合。结果表明，在傍晚的天气变量中，降雨和相对湿度对甘蔗产量有重大影响。
叠加与纠缠对混合量子场的影响...
近来，量子计算的算法和生成的量子计算机技术不断发展。另一方面，机器学习已成为解决计算机视觉、自然语言处理、预测和分类等许多问题的重要方法。量子机器学习是一个结合这两种主要方法的优点而发展起来的新领域。作为量子和经典计算的混合方法，变分量子电路是一种机器学习的形式，它可以根据输入变量预测输出值。在本研究中，当数据集较小时，使用变分量子电路模型研究了叠加和纠缠对天气预报的影响。在变分层之间使用纠缠层对电路性能进行了显着的改善。在数据编码层之前使用叠加层可以减少变分层的使用。
视图中的模型，版本死亡002 ∗
基于这些原始数据变量，视图还通过应用数据转换（例如时间和空间滞后，填充丢失数据的弹药）以及其他常见的数据处理技术来构建一组其他变量。一起，通知各种视图模型的原始和处理的数据变量被称为功能，这些功能将基于功能集分组为基于功能集；它们与他们得出的数据提供商相关的总体主题，以优化性能。表1和表2中的Prio-Grid级别列出了该国级别的概述。输入变量和转换的完整列表可以在视图中找到存储库，有关国家 /地区级别，请参见CM_QUERYSETS，有关PRIO-GRID级别，请参见PGM_QUERYSETS。有关转换的更多详细信息，请在视图转换库中咨询源代码。