XiaoMi-AI文件搜索系统
World File Search SystemNMSE
能量
电荷状态（SOC）估计对于电动汽车（EV）的安全有效运行至关重要。这项工作提出了一个混合多层深神经网络（HMDNN）基于EV中的SOC估计方法。此HMDNN使用山瞪羚优化器（MGO）作为深神经网络的培训算法。我们的方法利用了EV电池的SOC与电压/当前测量值之间的固有关系，以实时准确估算SOC。我们在现实世界中电动汽车充电数据的大量数据集上评估了我们的方法，并与传统的SOC估计方法相比证明了其有效性。采用了四种不同的电动汽车电池数据集，这些电动汽车是动态压力测试（DST），北京动态压力测试（BJDST），联邦城市驾驶时间表（FUD）和高速公路驾驶时间表（US06），其温度不同的0 O C，25 O C，45 O C，45 O C，45 O C。比较是用基于Mayfly优化算法的DNN，基于粒子群优化的DNN和基于后传播的DNN进行的。所使用的评估指标是归一化的均方误差（NMSE），均方根误差（RMSE），平均绝对误差（MAE）和相对误差（RE）。所提出的算法在所有数据集中平均达到0.1％NMSE和0.3％的RMSE，这验证了所提出模型的有效性能。结果表明，与现有方法相比，提出的基于神经网络的方法可以实现更高的准确性和更快的收敛性。这可以实现更有效的EV操作并改善电池寿命。
MAUDGAN：具有不同脑肿瘤的多中心 MRI 数据的运动伪影无监督解缠生成对抗网络
摘要。目的：本研究提出了一种新颖的回顾性运动减少方法，即运动伪影 11 无监督解缠生成对抗网络 (MAUDGAN)，该方法可减少来自肿瘤和转移性脑图像的运动伪影。MAUDGAN 使用多模态多中心 3D T1- 13 Gd 和 T2 流体衰减反转恢复 MRI 图像进行训练。方法：在 k 空间中为 3D T1-Gd MRI 图像模拟具有不同伪影 14 级别的运动伪影。MAUDGAN 由使用残差块构建的两个生成器、两个鉴别器和两个特征提取器网络组成。生成器将图像从内容空间映射到伪影空间，反之亦然。另一方面，鉴别器试图 17 区分内容代码以学习无运动和运动损坏的内容空间。结果：我们将 MAUDGAN 与 CycleGAN 和 Pix2pix-GAN 进行了比较。从定性上讲，MAUDGAN 可以消除软组织对比度最高的运动，而不会增加空间和频率失真。从定量上讲，我们报告了六个指标，包括归一化均方误差 (NMSE)、结构相似性指数 (SSIM)、多尺度结构相似性指数 (MS-SSIM)、峰值信噪比 (PSNR)、视觉信息保真度 (VIF) 和多尺度梯度幅度相似性偏差 (MS-GMSD)。MAUDGAN 获得了最低的 NMSE 和 MS-GMSD。平均而言，所提出的 MAUDGAN 重建的无运动图像具有最高的 SSIM、PSNR 和 VIF 值以及可比的 MS-SSIM 值。结论：MAUDGAN 可以在多模态框架下从 3D T1-Gd 数据集中分离出运动伪影。运动减少将改善自动和手动 26 后处理算法，包括自动分割、配准和引导治疗（例如 27 放射治疗和手术）的轮廓勾画。28
烟花算法训练的人工神经网络（FWANN）的开发和绩效分析：财务时间序列序列序列的案例研究
财务时间序列是高度非线性的，它们的运动是不可预测的。人工神经网络（ANN）在财务预测中有足够的应用。ANN模型的性能主要取决于其培训。尽管基于梯度下降的方法对于ANN训练很常见，但它们有几个局限性。烟花算法（FWA）是一种最近开发的元疗法，它受到夜间烟花爆炸现象的启发，它提出了诸如更快的融合，并行性和找到全球最佳优势之类的特征。本章打算开发一个由FWA和ANN（FWANN）组成的混合模型，用于预测收盘价系列，交换系列和原油价格时间序列。将FWANN的适当性与基于PSO的ANN，GA-基于ANN，基于DE的ANN和MLP模型等模型进行了比较。四个性能指标，MAPE，NMSE，ARV和R2被视为评估的晴雨表。进行性能分析以显示FWANN的适用性和优越性。
通过 ADS 工具中的 S2D 模型导入实验结果进行功率放大器设计
摘要 本文利用 S2P 和 S2D 模型设置实现功率放大器的行为建模。利用标准功率放大器获得散射 (S 参数和大信号参数的测量结果。将这些参数导入 S2P 和 S2D 模型以执行 3 GHz 频率下的小信号和大信号分析。然后，将模拟结果与测量结果进行比较，以验证行为模型的有效利用。这项工作的新颖之处在于对直接从测量中获得的硅基驱动放大器特性进行模拟研究。这项工作可用于通过模拟确定驱动放大器特性对功率放大器测量的影响。最后，对不同参数的测量结果和模拟结果之间的相对误差性能分析进行研究，并计算 S11、S12、S21、S22、增益、pout、1 dB 压缩点、ACP、3 次谐波、4 次谐波的 NMSE（单位为 %）次谐波和 5 次谐波分别为 0.0083、0.0055、0.0086、0.011、0.0844、0.814、0.926、0.71、0.22、0.012 和 0.070。
基于压缩感知多通道脑电信号加速稀疏性重建
能够记录和传输生物信号的可穿戴电子设备可以提供便捷且普遍的健康监测。典型的脑电图记录会产生大量数据。传统的压缩方法无法将数据压缩到奈奎斯特速率以下，因此即使压缩后数据量仍然很大。这需要大量存储空间，因此传输时间也较长。压缩感知提出了解决这个问题的方法，并提供了一种将数据压缩到奈奎斯特速率以下的方法。本文提出基于双时间稀疏性的重建算法来恢复压缩采样的脑电图数据。通过使用schattern-p范数修改基于双时间稀疏性的重建算法并在处理前对脑电图数据进行去相关变换，进一步改善了结果。所提出的改进双时间稀疏性的重建算法在SNDR和NMSE方面优于基于块稀疏贝叶斯学习和Rackness的压缩感知算法。仿真结果进一步表明，所提出的算法具有更好的收敛速度和更短的执行时间。
使用各种机器学习算法评估电力需求预测
能源部门在很大程度上依赖于电力负载预测的各种机器学习算法，该算法在制定发电和发电的政策中起着关键作用。功率载荷预测的精度取决于反映数据中非线性特征的许多因素。值得注意的是，机器学习算法和人工神经网络已成为当代电力负载预测中必不可少的组件。这项研究专门针对机器学习算法，涵盖支持向量机（SVM），长期短期记忆（LSTM），集合分类器，复发性神经网络和深度学习方法。该研究通过利用过去5年来利用昌迪加尔UT电力数据来精心研究短期电力负载预测。对预测准确性的评估利用了指标，例如归一化平方误差（NMSE），均方根误差（RMSE），平均绝对误差（MAE）和相互信息（MI）。与其他算法相比，LSTM的预测结果表明，LSTM的性能出色，预测误差是LSTM中最低的，而SVM中的误差最低，高13.51％。这些发现为不同机器学习算法的优势和局限性提供了宝贵的见解。使用MATLAB R2018软件进行了建议的方法的验证实验。