XiaoMi-AI文件搜索系统
World File Search System预测误差
印度政府
根据统计预测系统和新开发的基于预测系统的统计预测系统和新开发的多模型合奏（MME），对全国西南季风降雨进行了月度和季节性运营预测。MME方法使用来自不同全球气候预测和研究中心的耦合的全球气候模型（CGCM），包括IMD的季风任务气候预测系统（MMCFS）模型。MMCF和MME数据每月都会更新。这是为了满足不同用户和政府当局的要求，以预测季节性降雨的空间分布以及区域平均的降雨预测，以更好地进行活动的区域规划。自2007年引入统计集合预测系统（SEF）并在2021年使用MME方法进行季节性预测，IMD对季风降雨的运作预测已显示出显着的改善。例如，与过去几年相比，最近18年（2007 - 2024年）在最近的18年（2007- 2024年）（2007-2024）中，对全印度季节性降雨的预测的绝对预测误差降低了约21％（2007- 2024年），这表明与过去几年相比，预测非常成功。
预测编码：理论与实验回顾
预测编码为皮质功能提供了一种潜在的统一解释——假设大脑的核心功能是最小化对世界生成模型的预测误差。该理论与贝叶斯大脑框架密切相关，在过去二十年中，在理论和认知神经科学领域产生了重大影响。大量研究基于对改进和扩展的预测编码理论和数学模型的实证测试，以及评估它们在大脑中实施的潜在生物学可行性以及该理论做出的具体神经生理和心理预测。然而，尽管这种理论经久不衰，但还没有对预测编码理论，尤其是该领域的最新发展进行全面的回顾。在这里，我们对预测编码的核心数学结构和逻辑进行了全面的回顾，从而补充了文献中的最新教程（Bogacz，2017；Buckley，Kim，McGregor 和 Seth，2017）。我们还回顾了该框架内的大量经典和最新研究，从可以实现预测编码的神经生物学现实微电路，到预测编码与广泛使用的误差反向传播算法之间的密切关系，以及调查预测编码与现代机器学习技术之间的密切关系。
Mostafa Esmaeili Shayan、Gholamhassan Najafi
符号 首字母缩略词 P 功率 AC 交流电 D 需求 ARMA 自回归移动平均线 I 电流，太阳辐照度 BESS 电池储能系统 Q 辐照度 COE 电力成本 T 温度 DC 直流电 V 电压 DE 柴油发电机 W,S 风速 DER 分布式能源资源 下标 ED 经济调度 min 最小值 HERS 混合可再生能源系统 ci 接入 IRR 内部收益率 co 断开 LCOE 平准化能源成本 dy 动态 MG 微电网 max 最大值 NCF 净现金流 s 水平 NPV 净现值 yr 每年 PID 比例积分导数 希腊符号 PV 光伏 ƞ 效率 RES 可再生能源系统 ∆t 采样时间间隔 ROI 投资回报率 坡度角 SOC 充电状态 方位角 STC 标准测试条件 α 功率温度系数 SUC 随机机组投入 δ 自回归移动平均线的系数模型 UC 机组组合 ε 预测误差 WT 风力涡轮机 μ 移动平均系数 ZEB 零能耗建筑
可靠性工程与系统安全
提出了一种评估飞机发动机监测数据的新方法。通常，预测和健康管理系统使用某些发动机部件的退化过程知识以及专业专家意见来预测剩余使用寿命 (RUL)。出现了新的数据驱动方法，可以在不依赖这种昂贵过程的情况下提供准确的诊断。但是，它们中的大多数缺乏解释组件来理解模型学习和/或数据的性质。为了弥补这一差距，我们提出了一种基于变分编码的新方法。该模型由一个循环编码器和一个回归模型组成：编码器学习将输入数据压缩到潜在空间，以此为基础构建一个自解释的地图，可以直观地评估飞机发动机的劣化率。获取这种潜在空间是通过变分推理引导的新成本函数和惩罚预测误差的项来进行正则化的。因此，不仅实现了可解释的评估，而且还实现了显着的预测准确性，优于 NASA 流行模拟数据集 C-MAPSS 上的大多数最新方法。此外，我们使用来自实际涡扇发动机的数据在现实场景中展示了我们的方法的应用。
3D姿态估计和2D轨迹预测
根据给定序列预测人体运动是计算机视觉和机器学习中一项具有挑战性且至关重要的任务，它使机器能够有效地理解人类行为。精确预测人体姿势和运动轨迹对于各种应用都具有重要意义，包括自动驾驶、机器人技术和虚拟现实。本文提出了一种新方法来解决估计以 3D 姿势或 2D 轨迹表示的人体运动，以及使用 2D 图像和人体姿势/位置序列联合预测未来运动的相互关联的任务。我们提出了一种编码器-解码器架构，该架构利用具有自注意机制的 Transformer 网络，利用视觉上下文特征，结合 LSTM 来建模人体运动运动学。我们的方法在数量和质量上都比现有方法表现出持续显著的改进。在各种公共数据集上进行的大量实验，例如用于 3D 人体姿势估计的 GTA-IM 和 PROX，以及用于 2D 轨迹预测的 ETH 和 UCY 组合数据集，表明与当前最先进的方法相比，我们的方法大大减少了预测误差。
基于概率模型的飞机优化...
新冠肺炎疫情在全球突然爆发，导致航空运输量大幅下降。截至 2020 年 4 月，全球航班数量下降近 80%，其中国际航班受影响最为严重 [1]。在各国政府和国际组织（如国际民用航空组织 (ICAO) 和世界卫生组织 (WHO) 等）的共同努力下，航空运输业已逐步复苏，首先是洲内运营 [2]。显然，尽管疫情对航空业的影响将持续数年，预计的航空运输量增长将有所延迟 [3, 4]，但随着行业指导的统一和医疗手段的日益有效发展，航空运输将继续逐步恢复。当主流旅行恢复时，航空交通发展、航空交通效率和安全仍将是一个需要考虑的关键问题。在空中交通管理领域，高度复杂的区域之一是终端机动区 (TMA)。作为所有到达航班汇聚的区域，安全问题在飞机运行期间比其他区域更具影响力。众所周知，由于不确定性导致的飞机轨迹变化可能导致潜在冲突，因为协助空中交通管制员决策过程的系统很少考虑此类扰动。因此，空中交通管制员必须根据其经验和直觉干预飞行操作，这进一步增加了他们的工作量并进一步影响了运营效率。空中交通管理部门已经注意到不确定性的潜在影响。在欧洲，单一欧洲天空 ATM 研究 (SESAR) 已明确表示有兴趣在预测准确性方面提高空中交通服务，同时考虑到到达航段的内在不确定性 [5]。为改进轨迹预测，已开展了相关项目，例如 COPTRA 和 TBO-MET，最近还启动了一个名为 START 的新项目，以确保空中交通安全，同时增强发生干扰时的恢复能力 [6]。在此背景下，我们认为未来的系统需要考虑预测误差，因此 TMA 中的到达飞机调度需要同时考虑多种考虑因素，例如不确定性、安全约束和效率。在本文中，我们提出了一种确定稳健到达时间表的新方法，该方法可以潜在地提高对冲飞行运行期间不确定性的能力，同时仍满足安全所需的各种约束。在考虑标称飞机轨迹的预测误差的情况下进行冲突检测和解决。本文组织如下：第 2 部分介绍相关研究摘要。第 3 节描述了模型公式，包括所提出的模型和作为基准的另外两个模型。根据每个模型的特点，分别为所提出的模型和基准模型给出了不同的目标函数。第 4 节介绍了我们解决问题的方法。然后，在第 5 节中，介绍了一个模拟框架，以研究所提出的模型在干扰下的性能。在第 6 节中，说明了计算结果，并比较了基于这三个模型的优化解决方案获得的模拟结果在出现不确定性时的冲突吸收能力。最后，第 7 节总结了本文。
FedZero：在联邦学习中利用可再生过剩能源
联邦学习 (FL) 是一种新兴的机器学习技术，它支持跨数据孤岛或边缘设备进行分布式模型训练，而无需数据共享。然而，与集中式模型训练相比，FL 不可避免地会带来效率低下的问题，这将进一步增加未来机器学习本已很高的能耗和相关的碳排放。减少 FL 碳足迹的一种方法是根据电网中特定时间和地点可能出现的可再生过剩能源的可用性来安排训练作业。然而，面对如此不稳定且不可靠的资源，现有的 FL 调度程序无法始终确保快速、高效和公平的训练。我们提出了 FedZero，这是一个专门依靠可再生过剩能源和计算基础设施的闲置容量运行的 FL 系统，可有效地将训练的运营碳排放量降至零。通过利用能源和负荷预测，FedZero 通过选择客户端实现快速收敛和公平参与，从而利用过剩资源的时空可用性。我们基于实际的太阳和负载轨迹进行的评估表明，在上述约束条件下，FedZero 的收敛速度明显快于现有方法，同时消耗的能量更少。此外，它对预测误差具有很强的鲁棒性，可扩展到数万个客户端。
FedZero：在联邦学习中利用可再生过剩能源
联邦学习 (FL) 是一种新兴的机器学习技术，它支持跨数据孤岛或边缘设备进行分布式模型训练，而无需数据共享。然而，与集中式模型训练相比，FL 不可避免地会带来效率低下的问题，这将进一步增加未来机器学习本已很高的能耗和相关的碳排放。减少 FL 碳足迹的一种方法是根据电网中特定时间和地点可能出现的可再生过剩能源的可用性来安排训练作业。然而，面对如此不稳定且不可靠的资源，现有的 FL 调度程序无法始终确保快速、高效和公平的训练。我们提出了 FedZero，这是一个专门依靠可再生过剩能源和计算基础设施的闲置容量运行的 FL 系统，可有效地将训练的运营碳排放量降至零。通过利用能源和负荷预测，FedZero 通过选择客户端实现快速收敛和公平参与，从而利用过剩资源的时空可用性。我们基于实际的太阳和负载轨迹进行的评估表明，在上述约束条件下，FedZero 的收敛速度明显快于现有方法，同时消耗的能量更少。此外，它对预测误差具有很强的鲁棒性，可扩展到数万个客户端。
任务上下文对预测脑机界面中的手指运动的影响
用于恢复手机功能的脑机界面（BMI）临床翻译的关键因素将是其任务变化的稳健性。具有功能性电刺激（FES），例如，患者的手将用于在其他相似运动中产生各种力量。为了调查任务变更对BMI性能的影响，我们训练了两个恒河猕猴，用身体的手控制虚拟手，同时我们将弹簧添加到每个手指组（索引或中环或中小型小组）或改变其手腕姿势。使用同时记录的心脏内神经活性，手指位置和肌电图，我们发现跨环境中预测手指运动学和与手指相关的肌肉激活导致预测误差的显着增加，尤其是肌肉激活。但是，关于在线BMI对虚拟手的控制，更改培训任务上下文或在线控制过程中手的身体上下文对在线绩效的影响很小。我们通过表明神经种群活动的结构在新情况下仍然相似，从而解释了这种二分法，这可以在线快速调整。此外，我们发现神经活动在新环境中与所需的肌肉激活成正比移动，可能解释了偏见的运动学预测，并提出了一种可以帮助预测不同幅度肌肉激活的特征，同时产生相似的运动学。
滚动轴承领域自适应数字孪生...
人工智能（AI）在数据驱动的状态监测研究中不断升级。传统的基于专家知识的预测和健康管理（PHM）过程可以借助各种AI技术（例如深度学习模型）变得更加智能。另一方面，当前基于深度学习的预测存在数据缺失问题，尤其是考虑到实际工业应用中组件的不同操作条件和退化模式。随着仿真技术的发展，基于物理知识的数字孪生模型使工程师能够以较低的成本访问大量仿真数据。这些模拟数据包含组件的物理特性和退化信息。为了准确预测退化过程中的剩余使用寿命（RUL），本文基于现象学振动模型构建了轴承数字孪生模型。使用领域对抗神经网络 (DANN) 来实现模拟和真实数据之间的领域自适应目标。将模拟数据视为源域，将真实数据视为目标域，DANN 模型能够在没有任何标记信息先验知识的情况下预测 RUL。基于实际轴承运行至故障实验的验证结果，与最先进的方法相比，所提出的方法能够获得最小的 RUL 预测误差。