XiaoMi-AI文件搜索系统
World File Search System随机模型
具有可解释的基于ML的糖尿病预测的石灰和外形解释者的比较分析
抽象可解释的人工智能有益于将不透明的机器学习模型转换为透明的模型，并概述了每个人如何在医疗保健行业做出决策。理解影响糖尿病预测的决策的变量，这些变量可以由模型不可知的技术解释。在这个项目中，我们研究了如何为基于逻辑回归体系结构建立的机器学习模型生成本地和全局解释。我们使用可解释的AI技术石灰和摇动对糖尿病患者的253,680次调查反应进行了培训。石灰和外形来解释有关验证和测试集的逻辑回归和基于森林的随机模型产生的预测。通过讨论未来的工作，提供了对石灰和摇动之间各种实验发现的比较分析和讨论，以及它们在解释方面的优势和劣势。在测试集中，我们使用具有空间注意机制的LR体系结构的高精度为86％，证明了合并机器学习和可解释AI的可能性，以改善糖尿病的预测，诊断和治疗。我们还专注于石灰和塑造口译员的机器学习模型的各种应用，困难和可能的未来方向。
评估能源社区对零售商在电力市场中平衡位置的影响
，由于监管限制限制了能源社区（EC）在批发市场中的参与，因此当当地一代不足时，这些市场可能依赖零售商的供应。作为平衡负责方的平衡，零售商对将市场交易的量与客户的实际需求相匹配。但是，有关ECS操作的信息不足可能会使此任务复杂化。本文探讨了与ECS的合同协议下对零售商的互动和财务影响。我们设计了一个新颖的建模框架，包括：（1）考虑到不平衡成本，参与前一天市场的战略零售商的随机模型，（2）社区模型根据与零售商的商定关税订阅优化其运营的社区模型，以及（3）对不平衡和解过程的模拟。该框架的适用性是通过伦敦（英国）的案例研究来证明的。的结果表明，零售商的主要利润损失来源是由于属于EC的客户的自给自足而引起的。另一方面，偏离市场承诺对零售商的财务成果的影响有限。这是通过向系统运营商提供被动平衡服务获得的收益来解释的。此外，该论文强调了零售商需要重新评估其业务模式，而不仅仅是与EC建立运营数据交换。
在随机MPC中使用深层生成干扰模型的贝叶斯预测，用于构建能量系统 /作者= Sorouifar，Farshud；鲍尔森（Joel A。）；王，你们； Quirynen，Rien； Laughman，Christopher R。； Chakrabarty，Ankush /creationDate = 2024年8月22日 /受试者=控制，机器学习，优化< /div < /div>
抽象预测控制在很大程度上取决于干扰预测的质量。虽然重新干扰建模效果已经采用了概率的观点来防止不可靠的确定性预测，但这种概率模型通常仅适用于数据丰富的设置或涉及对基本分布的简化假设。生成模型，例如条件变异自动编码器（CVAE），为从数据中学习分布提供了一种表达和自动化的方法。通过对学习的潜在空间进行采样，可以产生看不见的干扰实现。在本文中，我们开发了利用这些生成模型的方法来设计经济随机模型预测控制（SMPC），该模型利用CVAE产生的干扰信号进行在线适应。CVAE产生的方案可以转换为对学到的潜在矢量的条件概率，其中条件与影响干扰信号形状本身的因素（例如，工作日/周末在内部热载荷上的影响）以及观察到的数据（即，基于观测的数据）。因此，我们可以生成最相关的干扰信号，以在基于情况的SMPC方法中使用，以减少控制策略的保守性，同时满足约束。
有向链生成对抗网络
现实世界数据可以是多模态分布的，例如描述社区中的意见分歧、神经元的脉冲间隔分布以及振荡器的自然频率的数据。生成多模态分布式现实世界数据已成为现有生成对抗网络 (GAN) 的挑战。例如，我们经常观察到神经 SDE 仅在生成单模态时间序列数据集方面表现出成功的性能。在本文中，我们提出了一种新颖的时间序列生成器，称为有向链 GAN（DC-GAN），它将时间序列数据集（称为有向链的邻域过程或输入）插入到具有分布约束的有向链 SDE 的漂移和扩散系数中。DC-GAN 可以生成与邻域过程相同分布的新时间序列，并且邻域过程将提供学习和生成多模态分布式时间序列的关键步骤。所提出的 DC-GAN 在四个数据集上进行了测试，包括两个来自社会科学和计算神经科学的随机模型，以及两个关于股票价格和能源消耗的真实世界数据集。据我们所知，DC-GAN 是第一个能够生成多模态时间序列数据的作品，并且在分布、数据相似性和预测能力的度量方面始终优于最先进的基准。
具有每周储能功能的发电机组随机调度：一种混合分解方法
我们提出了一种解决大规模随机机组组合 (SUC) 问题的方法，该问题具有每周调度的储能和显著的天气依赖性随机发电能力。每周储能设施主要在周末充电，在工作日放电，需要每周调度发电机组，这会导致大规模优化问题。该 SUC 问题被表述为两阶段随机模型，我们使用条件风险价值作为风险度量。使用 Benders 框架，提出的解决方法将问题分解为混合整数线性主问题和线性和连续子问题。主问题对应于整个星期的第一阶段决策，包括所有承诺（二进制）变量及其相应的约束。子问题对应于每周对发电机组的实际调度。基于列和约束生成算法在解决稳健优化问题方面的成功经验，我们通过将子问题的原始变量和约束添加到主问题中，改进了标准 Benders 分解中主问题和子问题之间的低通信量，从而提供了更好的补救函数近似值。我们的计算实验使用南卡罗来纳州合成系统实例（在 40 种场景下有 90 个发电机组）证明了所提出的分解方法的有效性。
有向链生成对抗网络
现实世界数据可以是多模态分布的，例如描述社区中的意见分歧、神经元的脉冲间隔分布以及振荡器的自然频率的数据。生成多模态分布式现实世界数据已成为现有生成对抗网络 (GAN) 的挑战。例如，我们经常观察到神经 SDE 仅在生成单模态时间序列数据集方面表现出色。在本文中，我们提出了一种新颖的时间序列生成器，称为有向链 GAN（DC-GAN），它将时间序列数据集（称为有向链的邻域过程或输入）插入具有分布约束的有向链 SDE 的漂移和扩散系数中。DC-GAN 可以生成与邻域过程相同分布的新时间序列，并且邻域过程将提供学习和生成多模态分布式时间序列的关键步骤。所提出的 DC-GAN 在四个数据集上进行了测试，包括两个来自社会科学和计算神经科学的随机模型，以及两个关于股票价格和能源消耗的真实世界数据集。据我们所知，DC-GAN 是第一个能够生成多模态时间序列数据的作品，并且在分布、数据相似性和预测能力的度量方面始终优于最先进的基准。
应用于 GPS/INS 集成系统的 MEMS 不同误差建模之间的比较
摘要：微机电系统 (MEMS) 的发展进步使得制造廉价、小尺寸的加速度计和陀螺仪成为可能，它们被用于许多需要进行全球定位系统 (GPS) 和惯性导航系统 (INS) 集成的应用中，即，识别轨道缺陷、地面和行人导航、无人驾驶飞行器 (UAV)、许多平台的稳定等。虽然这些 MEMS 传感器成本低廉，但它们会出现不同的误差，从而在短时间内降低导航系统的准确性。因此，有必要对这些错误进行适当的建模，以尽量减少这些错误，从而提高系统性能。在本研究中，我们展示并比较了目前用于分析影响这些传感器的随机误差的最常用技术：我们详细研究了自相关、Allan 方差 (AV) 和功率谱密度 (PSD) 技术。随后，还实现了惯性传感器的分析和建模，其中结合了自回归 (AR) 滤波器和小波去噪。由于低成本 INS（MEMS 级）的误差源包括短期（高频）和长期（低频）分量，我们引入了一种通过对 Allan 方差、小波去噪和选择分解级别进行完整分析来补偿这些误差项的方法，以实现这些技术的适当组合。最后，为了评估使用这些技术获得的随机模型，扩展卡尔曼
新的全球热带气旋模型
热带气旋（也称为飓风和台风）是最危险的自然危害之一，大约有10亿人暴露于它们。预计他们将来会变得更加破坏（1）。很多关于他们引人入胜的起源，强化和衰减的理解不足。在数值物理模型中建模这种现象是很具有挑战性的，因为时间和空间的规模范围很广，以及涉及的许多物理过程。所有大气物理过程都会影响热带气旋：动力学，热力学，辐射。当前的气候模型不会模拟最强烈，最具破坏性的风暴，这使得未来的预测非常不确定。另一种选择是使用合成或随机模型的特殊模拟类别，对于公共和私营部门所需的风险评估非常有力。新的帝国大学风暴模型（IRIS）是一种最先进的随机模型，也受到物理的约束（2）。可以使用全球热带气旋的长期气候变化影响，也可以实现受太平洋Elnino振荡影响的年度登陆风险预测。在这个项目中，您将帮助热带气旋研究小组进一步开发虹膜模型。我们还可以访问公众在智能手机上运行虹膜的超级计算机功率（3）。您将加入欧洲最大的研究小组，从事热带气旋。
通过随机优化管理农业供应链中的质量，供应商选择和冷藏合同
脱水苹果（Apple）这样的加工农业产品的质量与新鲜收获产品的质量和种类相关，并与整个农业供应链中的浪费减少有关。为此，冷藏管理对于避免或减轻存储在冷藏系统中的新鲜产品的质量衰减很重要。本文通过选择生产商的选择以及管理冷藏量来探讨了两个阶段随机编程模型的好处，以使质量降低并保证维持质量。在案例研究中介绍了一项具有农业综合企业公司的真实数据的案例研究，以说明和评估随机方法的适用性。确定性以及系统中苹果的购买成本是通过历史数据产生的情况来表示的。追索行动包括购买额外的水果和租用额外的冷店来满足需求。基于不同的情况，随机解决方案的值表明，建模和解决所提出的随机模型平均成本降低约为6.4％。此外，完美信息的预期价值表明，使用主动策略可以将成本降低多达9％。这些结果确保了该模型在收获季节和在收获季节进行计划和重新培训的实践中的适用性，因为在滚动范围内揭示了不确定性。
预防性适应策略模型...
本文介绍了针对复杂技术对象预防性维护计划所开发的模型的分析结果。我们开发了基于两组不同假设的模型。解决的一般问题是确定一组零件或子组件的预防性更新联合时间。第一个模型（计划预防性维护策略模型）的目的是确定对进行故障后更新的零件持续应用先前开发的预防性维护计划的盈利能力。第二个模型（系统预防性维护的自适应策略模型）允许人们在每次其中一个零件进行故障后更新时确定一组零件的新预防性更新联合时间。使用典型的维护规划工具（基于动态规划和贝尔曼最优原理的决策随机模型）获得每个零件或子组件的初始预防性维护策略。使用这两个模型进行了示例模拟计算，并将其结果呈现为所开发的更新策略的估计总维护成本。分析对象是所选轨道车辆车轮在运行过程中因磨损而变化的几何特征。基于此类分析，可以为特定应用领域选择更好的预防性维护模型。