XiaoMi-AI文件搜索系统
World File Search SystemEDICTION
使用 CNN 预测瘫痪疾病
随着电子病历 (EMR) 的普及，疾病预测最近受到了广泛关注，因为电子病历需要准确的分类器将输入的预测信号（例如症状、患者人口统计数据等）映射到每个患者的估计疾病。另一方面，现有的基于机器学习的算法严重依赖大量手动标记的 EMR 训练数据来产生足够的预测结果，这限制了它们在数据很少的罕见疾病情况下的适用性。每种不寻常疾病的最低限度的 EMR 数据不足以让模型将其与具有相似临床症状的其他疾病区分开来。通过聚合信息，所提出的神经网络编码器可以成功构建封装来自两个数据源的知识的嵌入。
增材制造过程中残余应力预测方法的比较研究
界面系统（NFIS）用于预测航空工业铝部件的残余应力 [5]。Chukwujekwu 等人使用有限元分析预测了 6Al-4V 钛基工件的残余应力 [6]。Meyghani 等人对基于 ABAQUS、ANSYS 和 FLUENT 的搅拌摩擦焊接模拟结果进行了比较研究 [7]。Kortabarri 等人比较了 Inconel 718 基工件的应力集中 [8]。Mukherjee 等人发现可以通过减小 AM 过程中基材层的厚度来控制应力 [9]。Huang 等人提出了一种预测正交切割过程中残余应力的模型 [10]。Yang 等人研究了激光床熔合过程中产生的残余应力 [11]。在分析残余应力水平时，考虑材料的热性能和机械性能非常重要。Megahed 等人展示了气泡在镍基高温合金中滞留的影响，如图 1 所示 [12]。制造工艺有多种方法，必须找到对产品影响最小的最佳方法，以降低热残余应力。因此，本研究的重点是确定预测 AM 中残余应力的最佳方法。
热浪人工智能：使用密集神经网络预测印度的热浪
1.引言 干旱是指由于降水突然减少而导致水和土壤水分严重短缺，从而导致水资源供应不足和农作物减产。在印度次大陆，干旱通常是由于西南季风延迟到来和/或提前撤退，并伴有降水不足而发生的 [1]。虽然降水不足是干旱的一个驱动力，但热浪导致的异常气温上升也会引发和加剧干旱 [2]。降水不足和极端高温共同导致的干旱更加严重，对农业造成的破坏更大，导致农作物产量大幅下降，就像 2003 年欧洲的情况一样 [3]。干旱和半干旱气候地区更容易发生干旱，因为它们对降水不足和极端温度更敏感。降雨和温度都可能在干旱的发生、发展和持续中发挥重要作用，尤其是对于植被和农业干旱。热浪被定义为空气和地表温度的突然升高，连续几天高于正常值（长期平均值）。印度的热浪发生在夏季或季风前期（4 月至 5 月）以及 6 月初雨季开始时。此类热浪通常
基于人工智能的需求预测解决方案，日
人工智能技术（神经网络、强化学习和遗传算法）有潜力解决电力系统优化问题，目前正在研究和开发中。这些技术旨在支持动态调度，实现实时自动电网平衡。需求响应解决方案正在日趋成熟，旨在通过让消费者或产消者响应实时价格来塑造有利于绿色能源的消费模式。用于瞄准正确客户群（数据分析）、获取实时价格（神经网络、强化学习和遗传算法）和最大化产消者回报（基于人工智能代理的模型）的人工智能解决方案正在开发中。然而，这些技术需要进一步测试和开发才能大规模部署。在人工智能的支持下，部分分散调度和调度的可行性也在研究中。
Meza-González，Yilmar Alexader；纳塔利亚（Natalia）Arrieta；萨拉索（Stephany）； Florez-Garcia
机械挖掘中最重要的问题之一是预测TBM渗透率。了解渗透率的影响的因素很重要，这可以更准确地估算停止和发掘时间和运营成本。在这项研究中，输入和输出参数，包括单轴压缩强度（UCS），巴西拉伸强度（BTS），峰斜率指数（PSI），无力平面（DPW）之间的距离，α角度（DPW），α角度和渗透率（ROP）（ROP）（ROP）（ROP）（M/HR）在使用Queens Waternel tunnel tunder tunder tunder tunder tunnel tunnel tunnel tunnel tunnel。 （SVM）方法为R。= 0.9678，RMSE = 0.064778，根据结果，支持向量机（SVM）具有有效性，并且具有很高的精度。关键字：TBM，渗透率，支持向量机（SVM）。
利用照片进行室内声学预测的人工智能 D Milne 学生校友，索伦特大学，英国汉普郡南安普敦 L Davison 索伦特大学，英国汉普郡南安普敦 L Ausiello 索伦特大学，英国汉普郡南安普敦
目前，确定声学参数的方法必须遵守当前标准、需要必要的培训、包括高昂的设备成本并且耗时。通过计算估算声学可以减少声学测量中的一些问题，但准确性可能较低 1 。尽管 RT60 作为一个有影响力的声学参数非常重要 2 ，但对于声学领域的个人和企业来说，考虑它可能会很困难，这可以说是无法假设的，尤其是在教育领域 3,4 。人工智能 (AI) 是一种能够执行通常需要人类智能的任务的程序（见第 2.2 节），并且已经达到成熟度，现在可以应用于以前在行业内不可行的实际任务 5 。人工智能可能会降低成本，因为它们可以减少完成任务所需的时间并减少所需的资源数量 6 。人工智能需要数据，并且在大多数情况下，数据采集（例如图像 7 、视频 8 或文本 9 ）只需发生一次，然后可以允许包括图像识别 7 在内的一系列应用。作为概念证明，该项目旨在研究是否有可能创建一种使用 AI 确定 RT60 的替代方法。
评论论文：心脏病预测系统的 WEKA 数据挖掘技术分析
数据挖掘的特点是通过非常大的数据集搜索有用的信息。数据挖掘的一些关键和最常见的技术是关联规则、分类、聚类、预测和顺序模型。数据挖掘技术被广泛用于各种应用。数据挖掘在医疗保健行业的疾病检测中起着重要作用。患者应该需要进行一系列疾病检测。然而，使用数据挖掘技术应该减少检测次数。在时间和性能方面，这种减少的检测起着重要作用。心脏病是一种导致死亡的心血管疾病。由于对不同情况下的健康问题进行预测和分类，在最近的情况下，健康问题非常严重。数据挖掘领域包括这些领域中异常及其风险率的预测和识别。如今，医疗行业掌握着决策所必需的隐藏信息。为了预测心脏病，本研究 (Weka 3.8.3) 软件使用了 K-star、J48、SMO、朴素贝叶斯、MLP、随机森林、贝叶斯网络和 REPTREE 等数据提取算法。使用标准数据集和收集的数据集组合预测准确度、ROC 曲线和 AUC 值的结果。通过应用不同的数据挖掘算法，患者数据可用作训练样本进行诊断。以前的研究的主要缺点是它们需要准确度和特征数量。本文概述了最近用于预测心脏病的数据挖掘技术。并确定心脏病的主要风险因素，按对心脏造成损害的顺序对风险因素进行分类，例如高胆固醇、糖尿病、吸烟、不良饮食、肥胖、高血压、压力等。数据挖掘功能和技术用于识别风险因素的级别，以帮助患者提前采取预防措施以挽救生命。
利用机器学习预测作物产量...
摘要：纵观农民目前面临的情况，自杀率逐年上升。其背后的主要原因包括贫困、不可预测的天气、经济问题、父母问题以及印度政府规范的频繁变化。教育也起着重要作用，因为由于缺乏教育，他们不了解土壤质量和气候变化，有时农民不了解可行的作物。由于缺乏知识，他们不了解土壤质量、土壤养分和土壤成分。本文重点研究了基于人工神经网络的现有数据对作物的预测。我们正在实施用于分类和预测的人工神经网络，因为大多数密集计算仅发生在训练阶段，不需要测试阶段。关键词：作物产量、机器学习、人工神经网络、农民、预测
复杂地形下的风电场功率预测
以下人员阅读并讨论了学生 Micah Sandusky 提交的论文，并评估了他在期末口试中的陈述和对问题的回答。他们发现该学生通过了期末口试。Inanc Senocak，博士。监督委员会主席
复杂地形下的风电场功率预测
以下人员阅读并讨论了学生 Micah Sandusky 提交的论文，并评估了他在期末口试中的陈述和对问题的回答。他们发现该学生通过了期末口试。Inanc Senocak，博士。监督委员会主席