XiaoMi-AI文件搜索系统
World File Search SystemOptima
最佳选择城市二氧化碳的卫星XCO2图像...
摘要。从CO 2柱平均干摩尔分数（XCO 2）的Spaceborn图像中估算城市CO 2发射的兴趣越来越大。排放估计方法已被广泛测试并应用于实际或合成图像。但是，仍然缺乏选择值得处理的图像的客观标准。这项研究分析了一种自动化方法的性能，用于估计城市排放作为目标城市和大气条件的函数。，它使用具有合成真理的合成数据和9920 XCO 2的合成卫星图像在全球最大的31个城市中，由全球自适应网格模型，海洋 - 陆地 - 大气模型（OLAM）产生，在这些城市高度重大的城市中放大。我们使用一种应用于这种合成图像集合的决策树学习方法根据这些发射和大气条件来定义标准，以选择合适的卫星图像。我们表明，基于高斯羽流模型的发射估计方法的自动化方法设法估算了92％的合成图像。我们的学习方法确定了两个标准，即风向的空间可变性和目标城市的排放预算，这些预算折磨了其处理的图像，其处理可得出合理的发射估计，从而从那些处理产生大量的估计。图像对应于风向低空间可变性（小于12°）和高城市排放（大于2.1 kt co 2 H-1）的图像占图像的47％，并且其处理的相对误差在发射范围内产生了相对误差，中位数为-7％，二级分支范围
基于最优信号分解的多阶段学习电池健康评估
摘要 — 电池健康评估对于确保电池安全和降低成本至关重要。然而，由于电池复杂的非线性老化模式和容量再生现象，实现准确的评估一直具有挑战性。在本文中，我们提出了 OSL，一种基于最佳信号分解的多阶段机器学习，用于电池健康评估。OSL 对电池信号进行最佳处理。它使用优化的变分模态分解来提取捕获原始电池信号不同频带的分解信号。它还结合了多阶段学习过程，以有效地分析空间和时间电池特征。使用公共电池老化数据集进行了实验研究。OSL 表现出色，平均误差仅为 0.26%。它明显优于比较算法，无论是没有还是具有次优信号分解和分析的算法。OSL 考虑了实际的电池挑战，可以集成到现实世界的电池管理系统中，对电池监控和优化产生良好的影响。索引词 — 锂离子电池、健康状态、信号分解、变分模态分解、优化。
使用离线优化方法实现独立数据中心最佳可再生能源供应
由于数据中心的能源消耗和二氧化碳排放量不断增加，ANR DATAZERO2 项目旨在设计完全依靠本地可再生能源和存储设备运行的自主数据中心，以克服间歇性问题。为了优化可再生能源和存储设备的使用，MILP 求解器通常负责分配要提供给数据中心的电力。但是，为了减少计算时间并使方法可扩展，使用多项式时间算法会更合适。本文旨在展示和证明，通过使用二分搜索方法的确定性算法可以提供最佳功率分布。考虑到初始问题的主要约束，大量实验结果显示出与 MILP 给出的结果相似的结果。这些有希望的结果鼓励我们继续朝这个方向努力，提出一种考虑不确定性的数据中心电源高效管理方法。
电网连接混合电池储能系统的多目标协同设计优化框架：优化规模和技术选择
摘要：本文开发了一个多目标协同设计优化框架，用于优化连接到电网的混合电池储能系统 (HBESS) 中的电池和电力电子设备的尺寸和选择。协同设计优化方法对于具有耦合子组件的复杂系统至关重要。为此，在 HBESS 的设计中，使用非支配排序遗传算法 (NSGA-II) 进行技术的尺寸优化和选择，同时考虑成本、效率和寿命等设计参数。可互操作框架考虑了三个第一寿命电池单元和一个第二寿命电池单元，以形成两个独立的电池组作为混合电池单元，并考虑了两种功率转换架构，用于将混合电池单元连接到具有不同功率级和模块化水平的电网。最后，作为框架输出获得的全局最佳 HBESS 系统由 LTO 第一寿命和 LFP 第二寿命电池组成，与基线相比，总拥有成本 (TCO) 降低了 29.6%。
深度强化学习实现多能源智能电网的优化能源管理
摘要。本文提出了一种深度强化学习方法，用于智能电网中多能源系统的优化管理。智能电网中生产和存储单元的最优控制问题被表述为部分可观测马尔可夫决策过程 (POMDP)，并使用参与者-评论家深度强化学习算法进行解决。该框架在一个新型多能源住宅微电网模型上进行了测试，该模型涵盖电力、供暖和制冷存储以及热力生产系统和可再生能源发电。处理此类多能源系统的实时最优控制时面临的主要挑战之一是需要同时采取多种连续行动。所提出的深度确定性策略梯度 (DDPG) 代理已证明能够很好地处理连续状态和动作空间，并学会了同时对生产和存储系统采取多种行动，从而可以联合优化智能电网中的电力、供暖和制冷使用情况。这使得该方法可应用于更大规模多能源智能电网（如生态区和智能城市）的实时最优能源管理，这些电网需要同时采取多项连续行动。
学校最佳屏幕时间指南
•教育工作者模型平衡的屏幕习惯，优先考虑面对面的互动和户外活动。•教育工作者为电子邮件响应时间设定了界限。（例如，仅在教学时间之外做出响应）•教育工作者设置了傍晚的分配日期，以避免在就寝前立即使用屏幕。•教学生认识到有问题的屏幕使用迹象，并在设置个人屏幕限制时支持它们，专注于体育锻炼和离线游戏。支持学生理解互联网安全是数字公民身份的关键组成部分。5-17岁的24小时运动指南
OptimalCutpoints.pdf
连续的生物标志物或诊断测试通常用于区分患病和健康人群。在临床实践中，有必要选择一个定义阳性和阴性测试结果的切割点或歧视值C。根据此选择的根本原因，在文献中提出了几种用于选择诊断测试中最佳切点的方法。此软件包允许用户计算诊断测试或连续标记的最佳切口。已经实施了各种选择最佳临界值的方法，包括基于成本效益分析和诊断测试精度度量（敏感/特异性，预测值和诊断可能性比率）或普遍性的方法。很容易获得所有方法的数值和图形输出。
Jackstraw：无监督学习的统计推断
描述实现了一种基于树木的方法，专门针对个性化医学应用。通过使用基因组和突变数据，“ ODT”有效地识别了针对个别患者概况量身定制的最佳药物推荐。“ ODT”算法构建了在每个节点上分叉的决定树，选择最相关的标记物（离散或连续）和相应的处理方法，从而确保了建议既具有个人化和统计上稳健的建议。这种迭代方法通过对治疗建议提出预定义的组大小来增强治疗性决策。此外，所产生的树木的简单性和解释性使医疗保健行业可以使用的方法。包括用于训练决策树的功能，对新样本或材料进行预测以及可视化所得树。有关该方法论的详细见解，请转移到Gimeno等。（2023）。
（t，s） - 爆炸错误均非最佳代码
摘要 - 非常纠正一系列错误的代码引起了显着关注。最重要的原因之一是，在某些新兴技术（例如DNA存储）中发生了误差爆发。在本文中，我们研究了一种称为A（t，s）爆炸的错误，该错误删除了连续的符号并在同一坐标处插入s任意符号。请注意，A（t，s）爆炸误差可以看作是插入爆发（t = 0），删除爆发（s = 0）和替换（t = s）的概括。我们的主要贡献是给出Q -ary（t，s）的显式构造 - 启动校正log n + o（1）冗余位的校正代码，对于任何给定的恒定非负整数t，s和q≥2。这些代码具有最佳的冗余，直到添加剂常数。此外，我们应用我们的（t，s） - 启动校正代码来对抗其他各种类型的错误并改善相应的结果。特别是，我们的副产品之一是一个置换代码，能够纠正具有log n + o（1）冗余位的t稳定删除的爆发，这是最佳的添加剂常数。