XiaoMi-AI文件搜索系统
World File Search System预测误差
使用 WASP 数值模型进行风力涡轮机选址并通过与现场数据的比较进行验证
第二个目标是验证数值模型。这是通过使用 TAIA 风筝在索埃塔尼斯伯格和阿加勒斯角的多个预期地点测量风速来实现的。然后，数值模型使用阿加勒斯角的风速值对这些地点的速度进行预测，并将这些结果与测量值进行比较。结果发现，数值模型表现良好。使用 1\vo 指标来比较结果；预测误差 (m) 和相关系数 (r)。预测的平均误差为 7%，最大误差为 15.4o/o，并且发现模型在出错时往往会低估风速。测量的速度曲线与预测的速度曲线相关，发现九个站点中的八个站点的“r”介于 0.68 和 0.87 之间。
现代经验大气模型的低地球轨道预测准确性
在相同时期重叠的预测性和确定的状态，以确定24、48和72小时的预测错误，我们表明JB2008在地磁风暴期间略优于MSIS模型，在某些孤立情况下将预测错误减少了一半。然而，在风暴周期之外，从我们的样本数据中产生的经验径向 - 中轨道 - 越野轨道的不确定性小于Jacchia-Bowman的同等结果：在400公里处，误差差异差异小于20％，但在700 km时，误差双倍。我们还表明，对于此应用，较新的NRLMSIS 2.0和经典NRLMSISE-00之间的差异可以忽略不计；较低的热圈密度会导致较高的C D估计值，但预测误差基本相同。
![arXiv:2008.02961v1 [cs.LG] 2020 年 8 月 7 日](/simg/g:\will\search\icon\source\b\bc53b3eb7e6bbf3aa8bc375edc753c582e872e41.webp)
arXiv:2008.02961v1 [cs.LG] 2020 年 8 月 7 日
摘要。静息状态功能磁共振成像 (rsfMRI) 产生的功能连接组可作为个人的认知指纹。连接指纹已被证明在许多机器学习任务中很有用，例如预测特定于受试者的行为特征或任务引起的活动。在这项工作中，我们提出了一种基于表面的卷积神经网络 (BrainSurfCNN) 模型，用于根据其静息状态指纹预测单个任务对比。我们引入了重建对比损失，以加强模型输出的受试者特异性，同时最大限度地减少预测误差。所提出的方法显著提高了预测对比在完善的基线上的准确性。此外，BrainSurfCNN 的预测也超过了受试者识别任务中的重测基准。5
自动化功能提取和选择快速电池容量的数据驱动模型淡出和寿命末期
摘要 - 锂离子细胞可能会在以后的生活中经历快速降解，尤其是使用更多极端使用方案。快速降解的发作称为“膝盖点”，预测对电池的安全且经济上可行的用途很重要。我们提出了一种数据驱动的方法，该方法使用自动化特征选择为高斯工艺回归模型生成输入，该模型估计电池健康的变化，可以预测整个容量淡出轨迹，膝盖点和寿命。特征选择过程富有效地适应不同的输入，并优先考虑那些影响降解的输入。对于所考虑的数据集，发现在特定电压区域所花费的日历时间和时间对降解率的影响很大。该方法对1％以下的容量估计产生了中位根平方错误，并且还产生了膝关节中值和终止预测误差分别为2.6％和1.3％。
混合风电电池系统的有效控制策略，以提高电池性能和寿命
摘要 — 混合风电电池系统的主要挑战是电池成本，包括投资和更换。因此，已经进行了大量关于成本最小化的研究。以前的研究通常侧重于电池尺寸，而电池性能也会对电池更换和电池成本产生重大影响。本文提出了一种提高电池性能和寿命的新方法。我们提出了一个扩展的双组电池模型，采用新的场景和公式来实现电池之间的平衡并在预测误差期间管理其功率。在这个模型中，浅充电/放电循环被消除，电池经历完整的循环。此外，电池可用性也得到了提高。给出了案例研究的模拟结果，结果表明，与传统模型相比，所提出的方法更有效。索引术语 — 风力发电、电池存储、电力调度、电力波动
基于探索的稳定控制器的学习
人类对身体或环境的变化无缝地适应其运动。我们不了解这种适应如何改善避免跌倒的同时诸如能耗或对称性之类的绩效指标。在这里，我们将运动适应性建模为稳定控制器之间的相互作用，该稳定控制器对扰动的反应和强化学习者的反应迅速通过局部探索和记忆来逐渐改善控制器的性能。此模型可以预测许多设置中的随时间变化的适应性：在拆分带跑步机上行走（即双脚以不同的速度），不对称的腿部重量或使用外骨骼 - 在十个先前的实验中捕获学习和概括现象，并在此进行了两个模型引导实验。不对称的能量最小化的性能最小化的性能最小化捕获了广泛的现象，并且可以与其他机制一起起作用，例如减少感觉预测误差。这种基于模型的适应性理解可以指导康复和可穿戴机器人控制。
通过随机模型预测控制对反向燃料电池的可再生能源发电和不确定需求进行优化管理
近年来，可再生能源 (RES) 的广泛传播促使学术界和工业界研究能够更好地利用可再生能源发电来供应能源系统的方法和技术。在文献中，人们研究了不同的技术来管理可再生能源发电并优化其运行。风能和太阳能等可再生能源变化多端且难以预测，因此人们开发了许多随机算法来最佳地管理其预测中的不确定性。为了处理可再生能源预测误差和电力需求的不确定性，并获得电力系统的灵活性，即系统发电机对负载或系统组件性能的意外变化做出反应的能力，必须集成储能系统 (ESS) [1]。电池等电化学储能系统得到了广泛的研究，文献中可以找到许多关于电池管理的著作 [2]。一种有效且环保的电池替代品是电转氢 (P2H) 系统，其中可能的发电过剩通过
使用Active推断模拟体内稳态，同级和目标指导的形式的互感控制
身体温度，口渴和饥饿等身体和感知参数的适应性调节是任何生物生物的核心问题。在这里，我们使用主动推断的框架进行了一系列模拟，以正式表征感受性控制及其功能障碍。我们从以下前提开始：互感控制的目标是最大程度地减少预期和实际感受的感觉（即预测误差或自由能）之间的差异。重要的是，活生物体可以使用各种形式的感知性控制来实现这一目标：稳态，同性恋和目标指导。我们通过证明它们对应于主动推断中的不同生成模型，对这些不同形式的感受性控制提供了计算引导的分析。此外，我们通过预测可能伴随适应性和适应不良的互感控制的生理和脑信号来说明这些生成模型如何支持实证研究。
利用深度强化学习实现天气感知数据驱动的微电网能源管理
摘要 — 在本文中，我们开发了一个深度强化学习 (DRL) 框架，以在发电不确定性的情况下管理以产消者为中心的微电网中的分布式能源 (DER)。不确定性源于影响住宅太阳能光伏 (PV) 板发电的不同天气条件（即晴天与阴天）。在我们提出的系统模型中，微电网由传统电力消费者、具有本地电池存储的产消者和分销商组成。产消者和分销商配备了人工智能 (AI) 代理，它们相互作用以最大化他们的长期回报。我们研究了天气条件对储能充电/放电的影响，以及产消者向微电网注入的电量。为了证明所提出方法的有效性，我们使用 Deep-Q 网络 (DQN) 实现了 DRL 框架。我们的数值结果表明，所提出的分布式能源管理算法可以有效应对发电不确定性，并且对天气预测误差具有鲁棒性。最后，我们的结果表明，在住宅侧采用储能系统可以缓解发电过剩期间的限电现象。
电容折纸传感模块用于测量神经外科机器人牵开器中的力
摘要 - 在神经外科手术中，软机器人有可能对传统金属工具引入显着的好处，以便它们能够安全地与精致的组织相互作用。在本文中，我们引入了概念验证柔软的电容折纸传感模块（OSM），该模块可以在神经外科缩回期间测量力。使用折纸风格的设计和制造原理，将OSM易于折叠并集成在软机器人牵开器中，该牵开器与脑组织相互作用，在致动后生成外科工作空间。我们演示了对力和折叠的单个OSM信号响应。我们进一步表征了完全组装的软机器人牵开器中的OSM响应，以折叠和在0-5 n上的折叠和应用程序的应用，显示0.38 N的平均预测误差和分辨率为0.25N。牵开器的传感能力均在维特罗模型上验证，以证明0.06 N和Neurosursursurosursurosursursurosursursursurosursurosursurosur ossurosursursurosursursurosursursurosursurosursursursursursursursursursursursursursursursursursursurosursurosursist。