XiaoMi-AI文件搜索系统
World File Search SystemLST
b'摘要\xe2\x80\x94准确估计充电状态 (SOC) 对于储能应用中电池管理系统 (BMS) 的有效和相对运行至关重要。本文提出了一种结合卷积神经网络 (CNN)、门控循环单元 (GRU) 和时间卷积网络 (TCN) 的新型混合深度学习模型，该模型结合了 RNN 模型特征和电压、电流和温度等非线性特征的时间依赖性，以与 SOC 建立关系。时间依赖性和监测信号之间的复杂关系源自磷酸铁锂 (LiFePO4) 电池的 DL 方法。所提出的模型利用 CNN 的特征提取能力、GRU 的时间动态建模和 TCN 序列预测强度的长期有效记忆能力来提高 SOC 估计的准确性和鲁棒性。我们使用来自 In\xef\xac\x82ux DB 的 LiFePO4 数据进行了实验，经过处理，并以 80:20 的比例用于模型的训练和验证。此外，我们将我们的模型的性能与 LSTM、CNN-LSTM、GRU、CNN-GRU 和 CNN-GRU-LSTM 的性能进行了比较。实验结果表明，我们提出的 CNN-GRU-TCN 混合模型在 LiFePO4 电池的 SOC 估计方面优于其他模型。'
b'摘要\xe2\x80\x94准确估计充电状态 (SOC) 对于储能应用中电池管理系统 (BMS) 的有效和相对运行至关重要。本文提出了一种结合卷积神经网络 (CNN)、门控循环单元 (GRU) 和时间卷积网络 (TCN) 的新型混合深度学习模型，该模型结合了 RNN 模型特征和电压、电流和温度等非线性特征的时间依赖性，以与 SOC 建立关系。时间依赖性和监测信号之间的复杂关系源自磷酸铁锂 (LiFePO4) 电池的 DL 方法。所提出的模型利用 CNN 的特征提取能力、GRU 的时间动态建模和 TCN 序列预测强度的长期有效记忆能力来提高 SOC 估计的准确性和鲁棒性。我们使用来自 In\xef\xac\x82ux DB 的 LiFePO4 数据进行了实验，经过处理，并以 80:20 的比例用于模型的训练和验证。此外，我们将我们的模型的性能与 LSTM、CNN-LSTM、GRU、CNN-GRU 和 CNN-GRU-LSTM 的性能进行了比较。实验结果表明，我们提出的 CNN-GRU-TCN 混合模型在 LiFePO4 电池的 SOC 估计方面优于其他模型。'
使用长短期记忆 (LSTM) 循环神经网络对未处理的脑电图进行分类，以预测癫痫发作
使用机器学习或类似优化技术的最常见方法是对 EEG 记录进行特征提取。然后将这些特征用作预测模型的输入。这种方法在将模型引导至重要信息和优化模型的计算成本方面是有效的。然而，模型的性能受到提取的特征的限制，而特征提取是一个需要人类直觉的过程。以这种方式开发的模型仅限于提取的特征所捕获的信息。如果新范式需要原始提取特征中未捕获的信息，则对实验范式的任何更改都可能降低模型的性能。在癫痫发作预测中，这一点尤为重要，因为对于最佳预测时间范围尚无一致意见（Arthurs 等人，2010 年；Schulze-Bonhage 等人，2010 年），并且不同的急性治疗需要不同的时间过程才能有效。因此，良好的癫痫发作预测模型应该能够改变实验范式（例如癫痫发作预测范围（SPH）和干预期），以满足一系列患者的需求和一系列急性治疗。
经验丰富的贷款结构化交易信任，系列2024-2（“ SLST 2024-2”）
本演示文稿中包含的信息（“信息”）由花旗集团全球市场之一（“花旗集团”），Nomura Securities International Inc.（“ Nomura”），Academy Securities，Inc。（“ Academy Securities”）（“ Academy Securities”），Bofa Securities，Inc。（“ BOFA Securities”）总体而言，“经销商”是初步的，可能会改变。该信息不包括与此交易的抵押贷款人口有关的所有信息（“抵押贷款池”），或该抵押贷款（“证书”）发行和抵押的证券。因此，信息可能无法反映证券的所有结构特征的影响。可能会不时修改信息基础的假设，包括抵押池的结构和组成，以反映改变的情况。本文档可能会被修改，取代或取代后续的术语表，“路演”材料和/或更新的池信息，并将被适用的提供循环（“供应循环”）或私人位置备忘录（“私人位置备忘录”（“私人位置备忘录”）所取代。任何证券的发行都将仅根据提供的循环或私人安置备忘录中规定的条款和条件进行。如果本演示文稿中包含的信息与发行循环和/或私人位置备忘录之间的任何不一致之处，则应将提供循环和/或私人安置备忘录发行以取代本演讲。建议购买者审查与本沟通中讨论的证券有关的最终提供的通告或最终私人安置备忘录。最终提供的循环或最终私人安置备忘录将包含截至其出版日期的最新数据，并且发布后可能不再完整或最新。可以通过致电1-800-831-9146从联合书记花旗集团获得最终产品或最终的私人安置备忘录。
ExplainBattery：使用高效 LSTM 模型和可解释性功能增强电池容量估计
摘要 预测和健康管理 (PHM) 通过预测故障和采取预防措施对于确保机器可靠运行至关重要。在这种情况下，准确预测用于广泛应用的锂离子电池的容量至关重要，因为它们会随着时间的推移不可避免地退化。电池管理系统 (BMS) 在电池整个生命周期的健康状况监测和管理中发挥着关键作用。我们提出了一种新型的长短期记忆 (LSTM) 神经网络模型来预测锂离子电池容量。我们的模型旨在比最先进的模型更高效，特别是在可训练参数的数量方面，使其适合部署在 BMS 中常见的低资源设备上。利用 NASA 艾姆斯预测卓越中心提供的锂离子电池老化数据集，我们证明我们的 LSTM 模型可以提供准确可靠的容量预测。为了补充所提出的模型，本文介绍了 ExplainBattery，这是一个允许用户与我们高效的 LSTM 进行交互的 Web 应用程序。该工具使用户能够直观地了解不同电池的预测结果，并通过可解释的仪表板探索最具影响力的属性。ExplainBattery 增强了我们模型的可用性和透明度，为 PHM 和 BMS 环境中的进一步研究和实际应用提供了一个可访问的平台。
同一个健康 - LSTM 在线档案
为了初步了解马拉维的山羊血吸虫病及其人畜共患潜力，我们进行了一项分子流行病学调查，在三个地区采集了山羊样本（n = 230），并使用粪便毛蚴孵化试验。后来对毛蚴进行分子基因分型表明，恩桑杰区（n = 30）的马氏血吸虫患病率为 0.0%，奇克瓦瓦区（n = 30）的患病率为 16.7%，曼戈切区（n = 170）的患病率为 25.3%。值得注意的是，在奇克瓦瓦的一只山羊身上发现了埃及血吸虫的毛蚴。对曼戈切区两家当地屠宰场的胴体（n = 51）进行检查后，未发现任何山羊血吸虫病的证据，只有曼戈切 3 的一个羊群受到感染。在这里，尽管对附近的几个其他牧群进行了采样，但患病率仍高达 87.7 % (n = 49)，其中一只动物每 5 克粪便中排出 1000 个毛蚴。在这里，我们的吡喹酮治疗（n = 14）和 GPS 动物追踪（n = 2）试点子研究对三个月内的两个当地山羊牧群进行了比较。记录了 10 平方公里区域内的每日觅食范围，并在当地淡水中间蜗牛宿主内进行有针对性的血吸虫监测。GPS 数据分析显示，只有一个牧群（受感染）每天定期接触马拉维湖的水，而另一个牧群（未感染）完全避开湖泊。以 40 mg/kg 的剂量施用吡喹酮治疗一周后，驱虫治愈率为 92.3 %，而三个月后，大约三分之一的接受治疗的动物脱落血吸虫毛蚴。对当地捕获的几种田间蜗牛尾蚴进行了基因分型，包括发现了埃及血吸虫 - 马特氏血吸虫杂交种。我们的研究结果揭示了山羊血吸虫病的局灶性，为埃及血吸虫传播发出了新的警报，并强调了人畜共患传播可能很严重的地区。为了更好地解决马特氏血吸虫（和/或埃及血吸虫）的人畜共患溢出效应，国家血吸虫病控制计划应正式制定针对山羊血吸虫病的有针对性的监测，并在适当的情况下，在未来尝试综合的“同一个健康”干预措施。
使用LSTM模型分解每日降水数据
没有时间调整，需要对其他位置的每日降水量测量值保持一致，以解释日光节省时间。这些位置进行一年一度的一小时换档，需要每日降水读数和其他气象元素之间的时间对齐，因为半小时的降水数据在标准时间始终记录下来。然后，我们使用该站完整的半小时沉淀数据执行此插值数据的内部连接。这导致了一个时间序列，该时间序列可以追溯到半小时的降水记录开始日期。我们在2020年至2022年的所有数据上测试模型，使用2018和2019作为验证设置，以防止模型过度拟合并在其余数据上进行训练。这会导致大约75％-10％-15％的火车验证测试拆分。训练数据集进行了改组，以允许该模型从每批更具代表性的样本中学习。
天气预报的深度学习：用于预测历史温度数据的CNN-LSTM混合模型
摘要。随着全球气候变化的加剧，准确的天气预报变得越来越重要，影响农业，能源管理，环境保护和日常生活。这项研究介绍了结合卷积神经网络（CNN）和长期记忆（LSTM）网络的混合模型，以预测历史温度数据。CNN用于空间特征提取，而LSTMS处理时间依赖性，从而显着提高了预测准确性和稳定性。通过使用平均绝对误差（MAE）作为损失函数，该模型在处理复杂的气象数据方面表现出卓越的性能，解决了缺少数据和高维度等挑战。结果表明，预测曲线和测试数据之间存在很强的一致性，从而验证了模型在气候预测中的潜力。本研究为农业，能源管理和城市规划等领域提供了宝贵的见解，并为在全球气候变化的背景下为未来的天气预报应用奠定了基础。
利用 LSTM 和强化学习实现 CIoT 节点中的自适应感知
摘要 — 无线传感器网络 (WSN) 在消费者物联网 (CIoT) 中提供了广泛的应用。WSN 中的传感器节点配备了一系列传感器，这些传感器通常会遇到能源供应有限的问题。因此，本文针对多传感节点提出了一种联合长短期记忆 (LSTM) 和强化学习的边缘智能框架。这种新颖的策略旨在通过在边缘节点使用基于 Q 学习的优化函数解决传感信号之间的互相关与传感器能耗之间的权衡，在测量周期内估计一组最佳的活动传感器。采用基于 LSTM 的预测模型从活动传感器监测的互相关传感信号中预测非活动传感器监测的传感信号。为了评估所提出的框架在 CIoT 节点中的性能，在空气污染监测数据集上模拟了该算法。模拟结果证实了所提出的框架的有效性和效率。与目前最先进的方法相比，所提出的算法在错误性能方面提高了 13%，在感知能耗方面提高了 27%，同时保持了非活动和活动传感器集之间互相关系数的下限。
在聚合科学中长期记忆（LSTM）网络的应用：评论
摘要：本评论探讨了长期记忆（LSTM）网络的应用，该网络是一种专门的经常性神经网络（RNN），在聚合科学领域。LSTM网络在建模顺序数据和预测时间序列结果方面表现出显着的有效性，这对于理解聚合物中的复杂分子结构和动态过程至关重要。本综述深入研究LSTM模型来预测聚合物性能，监测聚合过程并评估聚合物的降解和机械性能。此外，它解决了与数据可用性和解释性相关的挑战。通过各种案例研究和比较分析，综述证明了LSTM网络在不同聚合物科学应用中的有效性。还讨论了未来的方向，重点是实时应用程序和跨学科协作的需求。本综述的目的是将高级机器学习（ML）技术与聚合物科学联系起来，从而促进创新并提高该领域的预测能力。
混合变压器LSTM模型适用于葡萄糖预测
糖尿病的全球患病率正在升级，估计表明，到2021年，超过5.366亿个人遭受了折磨，约占全球人口的10.5％。由于与不准确性的严重健康风险（例如低血糖和高血糖）相关的严重健康风险，糖尿病的有效管理，特别是对血糖水平的监测和预测，仍然是一个重大挑战。本研究通过采用混合变压器LSTM（长期短期内存）模型来解决这一关键问题，旨在根据连续葡萄糖监测（CGM）系统的数据增强未来葡萄糖水平预测的准确性。这种创新的方法旨在减少糖尿病并发症的风险并改善患者预后。我们使用了一个数据集，该数据集包含32000多个数据点，其中包括来自中国江苏省苏州市医院收集的八名患者的CGM数据。此数据集包括历史葡萄糖读数和设备校准值，因此由于其丰富性和实时适用性，它非常适合开发预测模型。我们的发现表明，混合变压器LSTM模型显着胜过标准LSTM模型，在预测间隔分别达到1.18、1.70和2.00的均方根误差（MSE）值分别为15、30和45分钟。这项研究强调了先进的机器学习技术在主动管理中的潜力，这是减轻其影响的关键一步。