XiaoMi-AI文件搜索系统
World File Search System预测方法
聚合物和聚合物复合材料的环境老化建模——耐久性预测方法
摘要：聚合物和聚合物复合材料受到环境老化的负面影响，从而缩短了它们的使用寿命。材料与环境相互作用的不确定性损害了它们的优异强度和刚度。新型复合材料和结构的验证通常涉及冗长而昂贵的测试程序。因此，建模是一种经济实惠的替代方案，可以部分替代大量测试，从而降低验证成本。耐久性预测模型通常会受到多功能性和验证所需的最少实验工作量之间相互冲突的要求。基于对复合材料宏观性能的物理观察，工程和现象学模型提供了复杂机械模型的可管理表示。本综述系统地概述了用于预测聚合物和聚合物复合材料长期机械性能的最新模型和加速测试方法。概述了在环境因素的单一或耦合影响下预测各种聚合物和聚合物复合材料的静态、蠕变和疲劳寿命的加速测试方法。通过降解率模型、叠加原理和参数化技术预测使用寿命。本综述是作者关于聚合物复合材料环境老化建模工作的延续：综述的第一部分涵盖了环境降解的多尺度和模块化建模方法。本研究的重点是工程机械性能建模。
使用机器学习算法的数据驱动的电池统计预测方法
1,2和3 S V大学，Tirupati，Andhra Pradesh，印度摘要：随着新能源电动汽车的迅速发展，对电池的需求正在增加。 电池管理系统（BMS）在电池供电的储能系统中起着至关重要的作用。 锂离子电池是电动汽车的主要电源，其剩余使用寿命的预后对于确保电动汽车的安全性，稳定性和寿命长至关重要。 基于数据驱动方法的剩余使用寿命（RUL）预后已经成为研究的重点。 在电池健康管理领域至关重要的是，具有高精度，高概括和强大鲁棒性的机器学习方法的开发是必不可少的。 本文总结了使用机器学习算法对数据驱动方法的当前研究。 参数（例如电压，电流和温度值）作为数据集。 提出了一种幼稚的贝叶斯（NB）算法和梯度提升（GB）算法，以用于对电池进行RUL预测，并进行了模型的误差分析以优化电池的性能参数。 选择了MAE，MSE和RMSE等统计指标来数字评估预测结果。 实验后果表明，与其他机器学习技术相比，考虑到各种性能标准的其他机器学习技术可获得更好的结果。1,2和3 S V大学，Tirupati，Andhra Pradesh，印度摘要：随着新能源电动汽车的迅速发展，对电池的需求正在增加。电池管理系统（BMS）在电池供电的储能系统中起着至关重要的作用。锂离子电池是电动汽车的主要电源，其剩余使用寿命的预后对于确保电动汽车的安全性，稳定性和寿命长至关重要。基于数据驱动方法的剩余使用寿命（RUL）预后已经成为研究的重点。在电池健康管理领域至关重要的是，具有高精度，高概括和强大鲁棒性的机器学习方法的开发是必不可少的。本文总结了使用机器学习算法对数据驱动方法的当前研究。参数（例如电压，电流和温度值）作为数据集。提出了一种幼稚的贝叶斯（NB）算法和梯度提升（GB）算法，以用于对电池进行RUL预测，并进行了模型的误差分析以优化电池的性能参数。选择了MAE，MSE和RMSE等统计指标来数字评估预测结果。实验后果表明，与其他机器学习技术相比，考虑到各种性能标准的其他机器学习技术可获得更好的结果。
医疗保险和国民健康总支出的长期预测方法
首先，需要强调的是，本节中描述的超额成本增长假设和方法仅生成 75 年长期预测期的最后 51 年（即第 25 至第 75 年）的预测。对于第 1 至第 10 年，OACT 使用关于每类支出的支付率更新、服务利用率变化以及服务强度或平均复杂性变化的假设，在服务级别（例如，住院医院服务、医生服务或家庭保健）制定预测，如《医疗保险受托人报告》中详细描述的那样。对于第 11 至第 24 年，OACT 根据部分超额成本增长方法准备预测 - 在时间加权的基础上转换（i）第 10 年短期预测中隐含的医疗保险子部分 A、B 和 D 的超额成本增长率和（ii）第 25 年预计的医疗保险子部分的长期超额成本增长率。3
的机会和预测方法的挑战来利用遗传资源的潜力
识别有希望的种质库加入，这可能会带来具有重大影响或有益的定量变化的单个等位基因，通常类似于在干草堆中寻找针头。实际上，由于高成本，适应性，受限的设施资源和时间压力，几乎永远不可能表现出很大一部分可用的种质。需要对可用配件进行明智的预筛选。此外，当确定具有假定等位基因的特性性状的加入时，尚未完成任务，因为必须将有益的变化整合到精英种质中。在简单的遗传结构（例如鉴定出的主要效应基因）的情况下，可以通过标记辅助反向交叉（MABC）渗入新颖的等位基因，也可以通过基因编辑来接近。然而，需要进行先前的发现研究来识别与表型变异相关的遗传变异。特别是基因编辑需要有关因果变异的非常精确的信息。与MABC中应用可能相关的性状相关标记的可用性可能是基因编辑方法不足的。这项研究是资源和耗时的，并且在与精英材料的遗传背景结合使用时，由于等位基因的影响改变了，因此具有固有的验证实验的固有风险。处理定量变化时，不需要专用的映射实验。但是，将定量变化带入精英背景并使育种者可以接受的产品更加困难。陆地带有许多有害和下等位基因，这些等位基因可以迅速破坏数十年来繁殖者艰苦地建立的积极联系。降低的农艺表现使育种社区不愿在其精英育种计划中包括这种种质。
线性预测方法分离帕金森病动物模型中的场电位
帕金森病 (PD) 会导致运动和认知障碍。PD 可能导致皮层和皮层下大脑活动的深刻变化，这可以通过脑电图或颅内局部场电位 (LFP) 记录来测量。此类信号可以自适应地指导深部脑刺激 (DBS) 作为 PD 治疗的一部分。但是，自适应 DBS 需要根据实时监测和分析来识别神经元活动的触发因素。当前的方法并不总能识别与 PD 相关的信号，并且可能会造成延迟。我们测试了一种基于线性预测编码 (LPC) 的替代方法，该方法将自回归 (AR) 模型拟合到时间序列数据。这些 AR 模型的参数可以通过快速算法实时计算。我们比较了多巴胺耗竭的 PD 动物模型中纹状体的 LFP，这些模型中有无多巴胺前体左旋多巴存在，左旋多巴用于治疗 PD 的运动症状。我们表明，在多巴胺耗竭的小鼠中，仅通过 1 kHz 的 LFP 采样 1 分钟获得的以单个 LPC 参数为特征的一阶 AR 模型可以区分左旋多巴治疗小鼠和盐水治疗小鼠，并且优于当前方法。这表明 LPC 可能有助于实时在线分析神经信号以指导 DBS，并可能有助于基于 DBS 的 PD 治疗。
P.530-7 - 地面视距系统设计所需的传播数据和预测方法
表 1 给出了公式 (4) 中系数 C 0 的值，针对发射和接收天线中较低的天线的三个高度范围和三种地形（平原、丘陵或山脉）。如果不确定某条链路应归类为平原地区还是丘陵地区，则应采用这两种地区的系数 C 0 的平均值。同样，如果不确定某条链路应归类为丘陵地区还是山区，则应采用这两种地区的系数 C 0 的平均值。一端穿越平原、另一端穿越山脉的链路应归类为丘陵地区。为了确定部分越过水面的路径是位于大部分平原、丘陵地区还是山区，应将水面视为平原。
使用概率预测方法估算能源转型方案的成本
我们使用基于大量历史数据集的实证技术预测方法，评估了 2020 年至 2070 年全球能源系统四种不同情景的成本。维持当前能源结构的无转型情景提供了基准。在快速转型情景下，太阳能光伏和风能将快速部署，使用电池进行短期储存。氢基燃料用于长期储存和非电气化应用。2030 年后，能源价格低于历史平均水平，2050 年后则大幅下降。这在任何合理的折现率下都会产生预期的净现值节省；例如，以 4% 的折现率计算，我们预测节省 5.6 万亿美元。相比之下，较慢的转型成本更高，而核能情景的成本则要高得多。
大规模数据中心中的基于LSTM的资源和工作量的改进的预测方法
摘要 - 准确的工作量和资源预测是为了实现积极，动态和自适应资源分配，用于构建具有成本效益，能源良好和绿色云数据中心（CDC），为用户提供令人满意的优质服务，并为云提供者提供高收入。这很具有挑战性，因为CDC中急剧增加和大规模的工作量和资源使用的模式随时间而变化显着。当前的预测方法通常无法处理隐式噪声数据，并在工作量和资源时间序列中捕获非线性，长期和短期和空间特征，从而导致预测准确性有限。为解决这些问题，这项工作设计了一种名为VSBG的新型预测方法，该方法无缝且创新地结合了变分模式分解（VMD），Savitzky Golay（SG）滤波器（SG）滤波器，双向长期短期内存（LSTM）和GRID LSTM和GRID LSTM和GRID LSTM，以预测工作量和资源在CDC中的工作量和资源使用。vsbg在执行其预测之前，以四步骤的方式以四步方式整合VMD和SGFURTER。VSBG利用VMD将非机构工作负载和资源时间序列分为多种模式函数。然后，在VSBG中，这项工作设计了二次惩罚，用拉格朗日乘数将其最小化，并采用对数操作和SG滤波器来平滑第一个模式功能，以消除噪声干扰。最后，VSBG首次系统地捕获了具有两个Bilstm层的流量和复杂时间序列数据的深度和时间特征，在此之间，GridLSTM层在其中，从而准确地预测了CDC中的工作量和资源。具有不同现实世界数据集的广泛实验证明，VSBG在预测准确性和收敛速度上的整体最新算法都优于整体。
自动化：一种有效且可解释的化学ADMET财产预测方法
允许将本工作的全部或一部分供个人或课堂使用的数字或硬副本授予，而没有费用，只要副本不是盈利或商业优势，并且副本带有此通知和首页上的完整引用。必须尊重他人所拥有的这项作品的组成部分的版权。允许用信用摘要。否则复制或重新出版以在服务器上发布或重新分配到列表，需要事先特定的许可和/或费用。请求权限从permissions@acm.org。
基于长短期记忆神经网络的深度学习药物-靶标相互作用预测方法
目前，DTI 预测的计算方法可以分为三类：基于配体的方法、对接方法和特征学习方法。基于配体的方法通常用于通过计算给定药物或化合物与已知靶标的活性化合物的化学结构相似性来估计潜在的作用靶标。Keiser 等人 [3] 提出了一种根据配体的化学相似性推断蛋白质靶标的方法。Yamanishi 等人 [7-9] 通过将化合物的化学结构相似性和蛋白质的氨基酸序列相似性整合到均匀空间来预测未知的药物-靶标相互作用。Campillos 等人 [9] 将化合物的化学结构相似性和蛋白质的氨基酸序列相似性整合到均匀空间中。 [6]通过表型副作用的相似性来预测潜在的靶标蛋白。这种基于配体的方法在化学结构相似性较高的情况下简单有效，但也在很大程度上限制了其应用的范围和准确性。对接方法是计算药物与潜在靶标在三维结构中的形状和电性匹配程度，从而推断药物可能的作用靶点。其中，反向对接方法是最常用的预测方法，该方法通过预测给定化合物与靶标之间的相互作用模式和亲和力对药物靶标进行排序，从而确定该药物的可能靶点。程等[10]开发了基于结构的最大亲和力模型。李等[11]开发了利用对接方法识别药物靶点的网络服务器Tar-FisDock。此类方法充分考虑了目标蛋白质的三维结构信息，但分子对接方法本身仍存在一些尚未得到有效解决的问题，如蛋白质的灵活性、打分函数的准确性以及溶剂水分子等，导致逆对接，该方法的预测准确率较低。对接的另一个严重问题是它不能应用于三维结构未知的蛋白质，到目前为止，已知三维结构的蛋白质仍只占所有蛋白质的一小部分，这严重限制了该方法的推广和普及。特征学习方法将药物靶标关系视为相互作用和非相互作用的二类问题，此类方法利用机器学习算法学习已知化合物-靶标对的潜在模式，通过迭代优化生成预测模型，进而推断潜在的DTI。Yu等[12]提出了一种基于化学、基因组和药理学信息的系统方法。Faulon等[13]提出了一种基于化学、基因组和药理学信息的系统方法。[ 13 ] 预测药物