XiaoMi-AI文件搜索系统
World File Search SystemANFIS
电池 - CERES研究存储库
摘要：将电池保持在特定温度范围内对于安全性和效率至关重要，因为极端温度会降低电池的性能和寿命。此外，电池温度是电池安全法规的关键参数。电池热管理系统（BTMS）在调节电池温度方面是关键的。虽然当前的BTMS提供实时温度监测，但缺乏预测能力却构成了限制。本研究介绍了一种新型混合系统，该系统将基于机器学习的电池温度预测模型与在线电池参数识别单元相结合。标识单元不断实时更新电池的电气参数，从而提高了预测模型的准确性。预测模型采用自适应神经模糊推理系统（ANFIS），并考虑了各种输入参数，例如环境温度，电池电流温度，内部电阻和开路电压。该模型通过基于实时数据动态调整热参数来准确地在有限时间范围内准确预测电池的未来温度。实验测试是在一系列AMB温度范围内对锂离子（NCA和LFP）圆柱细胞进行的，以在不同条件下验证系统的准确性，包括电荷状态和动态载荷电流。提议的模型优先考虑简单，以确保实时的工业适用性。
高性能多类运动想象脑电图分类
摘要：在现实生活中的脑机接口应用中，脑电图 (EEG) 中的运动想象 (MI) 的使用需要高性能算法，这些算法既准确又计算量小。基于公共空间模式 (CSP) 和滤波器组公共空间模式 (FBSP) 的特征提取方法已被证明非常有前景。在本文中，我们推进了这一前沿，提出了一种新的有效方法，其变体在准确性（就 kappa 值而言）方面优于具有相同或更小特征集的现有方法。我们已经证明，从准确性和计算复杂度的角度来看，使用一个 mu 波段和三个 beta 子波段都非常理想。我们已经能够使用我们的方法为 BCI 竞赛 IV 的数据集 2a 实现最佳报告 kappa 值 0.67，其中特征向量长度为 64，直接由 FBCSP 变换后的数据样本组成，无需进一步的特征选择。直接由 FBCSP 数据组成的 32 大小的特征向量足以在 kappa 值实现方面胜过现有方法。在本文中，我们还系统地报告了使用不同分类器（包括 kNN、SVM、LDA、Ensemble、ANN 和 ANFIS）和不同长度的特征向量进行的实验。据报道，SVM 是最好的分类器，其次是 LDA。
混凝土材料中的人工智能：科学计量学视角
神经网络 167 2014 42 130 抗压强度 92 2015 32 85 混凝土 54 2014 25 45 机器学习 34 2019 26 29 建模 32 2011 21 29 预测 22 2017 23 22 支持向量机 19 2018 11 17 深度学习 17 2019 13 13 回归 17 2015 20 17 高性能混凝土 15 2015 15 14 粉煤灰 13 2014 14 12 再生骨料混凝土 13 2016 15 13 弹性模量 12 2014 15 11 人工智能 11 2016 15 9 沥青混凝土 11 2018 6 9 随机森林 10 2019 7 7 自密实混凝土 10 2013 6 8 抗弯强度 9 2018 11 9 混合料设计 9 2013 11 9 腐蚀 8 2017 9 6 耐久性 8 2015 14 8 模糊逻辑 8 2011 9 7 高强度混凝土 8 2013 10 8 力学性能 8 2018 11 8 无损检测 8 2015 9 8 剪切强度 8 2013 5 7 声发射 7 2017 5 6 ANFIS 7 2015 12 7 水泥砂浆 7 2016 6 7 动态模量 7 2018 5 6 遗传编程 7 2014 7 7 钢筋混凝土 7 2016 6 6 碳化 6 2014 10 6 水泥 6 2013 10 6 高温 6 2017 7 5 纳米二氧化硅 6 2017 7 5 优化 6 2014 12 6 孔隙率 6 2015 7 6 硅灰 6 2014 9 6 强度 6 2011 9 4 粘结强度 5 2015 5 5 土聚合物 5 2017 5 5 图像处理 5 2017 6 5 微观结构 5 2015 6 5 矿渣 5 2011 7 5
使用自适应克隆选择根据 sMRI 数据对阿尔茨海默病阶段进行分类
摘要 — 结构磁共振成像 (sMRI) 已研究了多种神经系统疾病，并且已将其映射到大脑的不健康区域。必须尽快确定阿尔茨海默病 (AD) 患者，以便开始治疗。最近的研究集中于应用机器学习 (ML) 技术来分割大脑结构并对 AD 进行分类。克隆选择 (CS) 理论有效地实现了分类和优化的目标。自适应克隆选择 (ACS) 技术用于将 sMRI 扫描分为多个类别，例如认知正常 (CN)、轻度认知障碍 (MCI) 和纯 AD 类别。提出的 ACS 描述了免疫反应的基本特征。这为抗原只能在接收它的细胞子集内成熟而不是在身体其他部分成熟的假设提供了支持。与依赖突变的进化计算相比，这种方法擅长关注克隆扩增和亲和力的发展。所提出的 ACS 技术从克隆扩增概念中引入了基本标准，有助于创建用于识别上述 CN、MCI 和 AD 模板匹配的高效策略。所提出的 ACS 方法在分类和检测准确度方面比最先进的方法高出约 99%。关键词 — 阿尔茨海默病 (AD)、磁共振成像 (sMRI)、人工免疫系统 (AIS)、增强模糊 K 最近邻 (EFKNN)、自适应神经模糊推理系统 (ANFIS)
效率网络B7卷积神经网络基于基于社会物联网环境的安全和隐私方法
收到：2024年6月26日修订：2024年8月6日接受：2024年8月29日发布：2024年9月30日摘要 - 太阳能构成宇宙中的主要能源。可以采用各种方法来有效利用这种能量。太阳能电池板的部署被区别为一种广泛采用的创新方法，用于积累这种能量。与固定面板相比，旋转面板已经证明了在某些情况下（例如部分阴影条件）产生更大能量输出的能力。太阳能跟踪系统（STS）是跟踪太阳运动的主要方法之一。STS的目的是通过将载荷（通常是太阳能电池板）定向到太阳来优化能源产生。这是通过最大程度地减少传入的阳光与光伏（PV）面板之间的发射角来实现的，从而增强了产生的能量的量。现有的系统，具有最大功率点跟踪（MPPT）方法的灰狼优化（GWO），会产生大量的能量，从而导致重大跟踪误差。为了减少跟踪误差并提高能源效率，已经实施了使用粒子群优化（PSO）的最初提出的方法，该方法已实施。该神经网络（NN）主要由自适应神经模糊推理系统（ANFIS）组成，其中包括从数据收集到部署的工作流程。由于适当的培训，测试和数据实施，此方法比现有的结果更好。关键字 - ANN，PSO，太阳能系统，太阳能，部分阴影条件，光伏，优化。
人工智能与废水处理
摘要：利用废水替代有限的水资源和环境保护的概念使该行业取得了重大的技术进步，并因此为我们提供了大量物理数据，包括化学、生物和微生物信息。研究这些数据后，更容易理解废水处理系统。为了实现这一点，许多研究使用机器学习 (ML) 算法作为一种主动的方法来解决问题并建模这些处理系统的功能，同时利用收集到的实验数据。本文的目标是使用文本分析技术从“Web of Science”数据库中的科学文献中提取最流行的机器学习模型，并分析它们的相关性和历史发展。这将有助于提供关于应用人工智能 (AI) 克服废水处理技术面临的挑战的出版物的总体概述和全球科学跟踪。研究结果表明，发达国家是该研究主题文章的主要出版者，对出版趋势的分析显示数量呈指数级增长，反映了科学界对该主题的兴趣。结果还表明，监督学习在研究人员中很受欢迎，其中人工神经网络 (ANN)、随机森林 (RF)、支持向量机 (SVM)、线性回归 (LR)、自适应神经模糊推理系统 (ANFIS)、决策树 (DT) 和梯度提升 (GB) 是废水处理领域最常用的机器学习模型。优化方法的研究表明，校准模型最著名的方法是遗传算法 (GA)。最后，机器学习通过提高数据分析的准确性和效率使废水处理受益。然而，由于模型训练需要大量高质量的数据，因此挑战也随之而来。此外，机器学习模型的可解释性有限，使得人们难以理解废水处理中的潜在机制和决策。
基于 COVID-19 疫情证据，使用机器学习模型预测经济衰退
尽管在爆发前就会出现预警信号，但像 COVID-19 这样的事件引发的经济衰退更有可能是突然的打击。由于宏观经济预测可能会用于政策制定和规划，因此我们必须找到一种合理可行的方法来识别可能的经济衰退。机器学习在环境、医药和医疗保健、交通、金融和经济等各个领域发挥着巨大优势，帮助人们做出预测或决策。研究人员希望在本研究中探索机器学习作为预测经济衰退方法的有效性（Connaughton，2010；Liu & Tang，2022）。最近有一些关于预测由 COVID-19 等事件引起的经济衰退的研究。根据 Ludvigson 等人的研究，像 COVID-19 这样的事件是多周期的，在全球范围内具有巨大的影响，这与传统的经济冲击不同。根据他们的研究，他们使用了美国四十多年的数据，构建了一个代价高昂的灾难（CD）时间序列来衡量事件的成本并分析其动态影响。另一项研究侧重于预测问题的基本假设。他们根据一些要素，从历史上典型的经济冲击中合成当前冲击。Kuyo等人使用自然语言处理模型（NLP）进行情绪分析。包括朴素贝叶斯和N-gram在内的机器学习模型被应用于社交媒体数据。Chetty等人自己建立了一个粒度和高频级别的公共数据库，这有助于他们更精确地获得观察结果。Baker等人的研究主要关注事件引发的不确定性。Levanon利用马尔可夫转换模型来计算经济衰退的概率。在刘等人的研究中，大数据分析用于预测政府经济状况。他们设计了一个政府经济状况预警系统。研究人员考虑了相关的经济因素以及政策制定者面对这些情况的反应 (Ludvigson, Ma, & Ng, 2020; Primiceri & Tambalotti, 2020; Kuyo, Mwalili, & Okang'o, 2021; Chetty et al., 2020; Baker et al., 2020; Levanon, 2011; Liu & Tang, 2022)。在更广泛的背景下，研究人员致力于使用机器学习和数据分析方法来预测未来的整体经济或 GDP 增长。Nosratabadi 等人总结了先进的机器学习和深度学习模型在经济学相关领域的应用。根据他们的研究，SVR、朴素贝叶斯和 C4.5 决策树分类器、BP 神经网络、深度神经网络、人工神经网络 (ANN)、自适应神经模糊推理系统 (ANFIS) 等模型是经济相关领域使用的一些经典的机器学习方法。还总结了更多使用混合机器学习和深度学习方法的案例。另一组研究利用非参数分类和层次聚类等数据挖掘技术来研究 COVID-19 对 G20 国家经济的影响。在 Malladi 进行的研究中，使用包括线性 SVM (LSVM) 和 KNN 加权在内的机器学习方法来制作