XiaoMi-AI文件搜索系统
World File Search SystemRMSE
应用于干涸的马尔底部
（DSM）是位于墨西哥帕兰格奥的 1.2 千米×1.2 千米干涸的玛珥湖底部的影像。这个玛珥湖的独特之处在于它展示了大量与活跃变形和高反照率沉积物相关的结构。我们使用了一架小型无人机（四轴飞行器）和一台消费级相机，通过使用商用软件 PhotoScan Pro 中的运动结构 (SfM) 算法，开发了分辨率为 4.7 厘米的 DSM 和正射影像。使用 RTK GPS 测量的 31 个地面控制点的坐标，DSM 残差在水平方向上的 RMSE=3.3 厘米，平均值为 2.6 厘米，在垂直方向上的 RMSE=1.8 厘米，平均值=-0.3 厘米。利用这种方法，我们能够构建一个前所未有的详细三维模型，显示由于干床湖的主动变形而形成的所有结构（裂缝、穹顶和悬崖）。我们得出结论，使用 UAV 和 SfM 可以提供精确的高分辨率 DSM，即使在表面反射率高的地区也可以以低成本获得。此外，这种方法可以应用于不同的日期，以创建高分辨率 DSM 的时间序列，可用于确定主动变形区域的沉降或隆升速率。
变压器效率的实验分析与负载电阻
摘要。变形金刚在电能的分布中起着关键作用，尤其是在电子设备中。负载电阻显着影响变压器效率。本研究采用了一种实验方法，目的是评估实验数据分析和理论计算之间的一致性。The experimental setup involves testing a step-up transformer characterized by the following primary coil specifications: N p (number of turns) = 500, r p (resistance) = 2.5 Ω, L p (self-inductance) = 9 mH, and secondary coil specifications: N s (number of turns) = 1000, r s (resistance) = 9.5 Ω, L s (self-inductance) = 36 mH.载荷电阻（R）在10至500Ω的范围内变化。结果揭示了变压器效率的逐步提高，随着载荷的增加，效率高达300Ω，此后效率会下降。在降低变压器的情况下，具有与升级变体相同的规格，效率显示出类似的增强模式，载荷电阻最高为80Ω，超过它会减小。此外，渐进式变压器的根平方误差（RMSE）为0.0012，R-square（R 2）值为0.99。同样，对于降低的变压器，RMSE寄存器为0.0060，伴随着R-Square（R 2）为0.99。这些发现肯定了所采用理论在阐明变压器效率和负载抗性之间的复杂相互作用方面的特殊性。
微气候视觉
高分辨率的微气候数据对于捕获城市气候和热健康管理的时空异质性至关重要。但是，以前的研究依赖于需要大量成本的设备成本或需要大量计算负载的物理模拟的密集测量。作为这些方法的潜在替代方法，我们提出了一个多模式深度学习模型，以基于街道级别和卫星图像的高空间和时间分辨率来预测微气候。该模型由LSTM和RESNET-18架构组成，并预测空气温度（相对湿度（𝑅𝐻），风速（𝜈）和全局水平辐照度（𝐺𝐻𝐼）。对于位于新加坡大学校园的学习区域，我们收集了微气候数据，街道和卫星图像。我们对收集的数据集进行了广泛的实验，以展示我们的模型的预测能力及其在生成高分辨率微气候地图中的实际使用。我们的模型报道了RMSE在0.95℃的RMSE，对于𝑇c，为2.57％，𝑅𝐻为0.31 m/s，𝐺𝐻𝐼为225 w/m 2。此外，我们通过比较有和没有此类输入的模型来观察到图像输入对更高准确性的贡献。我们以高时空的分辨率确定了热点，表明它应用了发出实时热警报的应用。我们的模型在Microclimate-Vision Github存储库（https://github.com/kunifujiwara/microcroclimate-vision）上公开发布。
si：利用DFT和机器学习以准确...
表S2：从209个RDKIT描述符中选择功能选择，用于预测聚合物的光节间隙以及XGBoost模型的性能指标，该模型的性能指标训练了具有成对Pearson相关系数（P对）的不同组合的descriptors（P对）的组合，并且与光带差距有关（P GAP）（P GAP）。粗体表示P对和P间隙值的最佳组合。RMSE和MAE以EV测量。
普通，拉普拉斯，兰迪克，...
摘要该图的邻接矩阵的特征值的绝对值总和称为其普通能量。基于其他一系列图矩阵的特征值，正在考虑其他几种等价能量。在这项工作中，我们考虑了普通的能量，拉普拉斯，兰迪克，发病率和索姆伯能量，用于使用多项式回归分析其关系。每个模型的效率是特殊的，交叉验证的RMSE主要低于1。
层次视觉变压器用于心脏射血分数估计
摘要 - 射血分数的左心室是心脏功能最重要的度量之一。心脏病专家使用了有资格延长延长疗法的患者。但是，对射血传输的评估遭受观察者间变异性的影响。为了克服这一挑战，我们提出了一种基于层次视觉变压器的深度学习方法，以估计超声心动图视频的射血分数。所提出的方法可以估计射血分数，而无需首先左静脉分割，使其比其他方法更有效。我们在Echonet-Dynamic数据集上评估了我们的方法5。59，7。 59和0。 59，用于MAE，RMSE和R 2分。 与最新方法，超声视频变压器（UVT）相比，此结果更好。 源代码可在https://github.com/lhfazry/ultraswin上找到。 索引术语 - 心电图，心脏射血分数，Ultraswin，视觉变压器，echonet-Dynamic59，7。59和0。59，用于MAE，RMSE和R 2分。与最新方法，超声视频变压器（UVT）相比，此结果更好。源代码可在https://github.com/lhfazry/ultraswin上找到。索引术语 - 心电图，心脏射血分数，Ultraswin，视觉变压器，echonet-Dynamic
使用基于机器学习的优化算法拆分拉伸强度预测
摘要。预测拉伸强度的预测是确定结构性能的关键机械属性，是评估可回收骨料的可行性的组成部分。评估回收骨料的分裂拉伸强度的传统技术依赖于高级和耗时的实验室测试，这对于大规模应用可能是昂贵且效率低下的。这项工作提出了基于机器学习的算法，以预测分裂拉伸强度的性能。在这项研究中，从先前的研究中获得了257项测量，其中包含影响分裂强度的输入变量。使用三种方法来构建不同的预测模型，即支持向量回归，XG增强和随机森林。使用MAE，RMSE，MAPE和MASE等指标评估了各种模型的性能指数，以测量模型的准确性和可靠性。本研究表明，随机森林算法的表现优于其他RMSE值1.76的模型。实施拟议的模型可提高预测的可靠性，使研究人员能够做出有关将再生材料纳入可持续建筑实践中的明智决定，从而有助于减少建筑部门的环境影响。关键字：回收总骨料混凝土（RAC），机器学习，随机森林，XG提升，拉伸强度，支持向量回归
2G HTS涂层导体磁带的价值预测
摘要：索引值或所谓的n值预测对于理解超导体的行为至关重要，特别是需要对超导体建模时。此参数取决于几个物理量，包括温度，磁场的密度和方向，并影响由涂层导体制成的HTS设备的行为，从损失和淬火繁殖方面。在本文中，对许多用于估计N值的机器学习方法进行了全面分析。结果表明，级联向前神经网络（CFNN）在此范围内擅长。与其他尝试的模型相比，尽管需要较高的训练时间，但它的性能最高，具有0.48的均方根误差（RMSE）和99.72％的Pearson系数，具有拟合度（R-Squared）。另一方面，刚性回归方法的预测最差为4.92 RMSE和37.29％的R平方。此外，随机森林，增强方法和简单的馈电神经网络可以被视为比CFNN更快的训练时间的中间精度模型。这项研究的结果不仅提前对超导体进行了建模，而且还为应用程序的应用铺平了道路，并为机器学习插件代码进行了进一步研究，以进行超导研究，包括对超导设备进行建模。
使用机器学习的每月风速预测
摘要。非可再生能源资源的利用需要电力部门采用替代能源，包括光伏和风力发电系统。这项学术研究采用了两种机器学习方法，尤其是该研究利用了随机森林和支持向量机算法。进行分析。预测伊拉克迪亚拉省风的速度在随后的时间间隔内。这仅通过使用历史每月时间序列数据作为输入预测因素来实现。采用的三个性能指标涵盖了保证系数（R2），残酷的正方形错误（RMSE）和残酷的彻底失误（MAE）。调查结果表明，在时间序列数据中使用12个月的滞后（已测试的最大滞后持续时间）作为输入预测指标，导致最准确的预测在性能方面。但是，所使用的两种算法的预测性能几乎相似（RF的RMSE，MAE和R2为0.237、0.180和0.836，而SVM的预测性能为0.223、0.171和0.856）。鉴于其当前的电力行业困境，预期风速的能力构成了对伊拉克的最高优势，这有可能使利益相关者预测过度供应或供应供应并实施先发制人的措施。
基于模糊共同的基于EEG的反应时间预测...
摘要 - 驾驶员的嗜睡状态是广泛讨论的话题，因为它在造成交通事故中的重要作用。本研究提出了一种新的方法，该方法结合了模糊的常见空间模式（CSP）优化的相位内聚序列（PC）表示和模糊CSP优化的信号振幅表示。该研究旨在检查机敏状态和嗜睡状态之间脑电图（EEG）同步的变化，通过分析脑电图数据，预测驱动因素的反应时间，并随后确定嗜睡的存在。该研究的发现表明，这种方法成功地区分了警报和昏昏欲睡的精神状态。通过使用基于自动编码器的深度编码器数据融合技术和回归模型，例如支持向量回归（SVR）或最少的绝对收缩和选择运算符（LASSO），该提出的方法使用与回归器模型组合的单个特征集优于单个特征集。通过评估均方根误差（RMSE），平均绝对百分比误差（MAPE）和相关系数（CC）来衡量这种优势。换句话说，基于自动编码器的振幅EEG功率功能和PCS功能的融合在回归中，单独在回归器模型中使用这些功能中的任何一个。具体而言，与仅使用单个振幅EEG功率功能和回归相比，与基线模型相比，提议的数据融合方法的RMSE降低了14.36％，MAPE降低25.12％，CC降低了10.12％。