XiaoMi-AI文件搜索系统
World File Search Systemestimate
基于无人机的甲烷排放测量值的几种不确定性来源的定量估计
摘要。甲烷排放的现场水平测量值由操作员与自下而上的散布清单进行对帐，以提高所报告排放的准确性，彻底和确定。在这种情况下，至关重要的是避免测量错误并了解测量不确定性。遥远的飞机系统（通常称为“无人机”）可以在现场级甲烷排放的量化中起关键作用。典型的实现使用“质量平衡方法”来量化排放，高精度甲烷传感器以垂直窗帘模式安装在四极管无人机上。然后可以根据测量的甲烷浓度数据和同时的风数据在事后计算总质量排放率。受控释放测试表明，使用质量平衡方法的错误可能是相当大的。例如，Liu等。（2024）报告了测试的两个无人机解决方案的绝对错误超过100％；另一方面，如果在数据上放置了其他约束，则误差可能会小得多，在Corbett和Smith（2022）中的根平方错误的顺序，将分析限制在风场稳定的情况下。在本文中，我们提出了对物理现象的系统误差分析，该分析影响了与甲烷浓度数据获取和后处理有关的参数质量平衡方法中的误差。这些来源的示例包括单独分析了词的来源，并且必须意识到，实践中可以积累单个错误，并且也可以由未包含在本工作中的其他来源增加它们。
在病例对照研究中使用病原体检测数据来估计疫苗的直接效果
保留所有权利。未经许可不得重复使用。（未经同行评审认证）是作者/资助者，他已授予 medRxiv 永久展示预印本的许可。此预印本的版权所有者此版本于 2020 年 1 月 21 日发布。；https://doi.org/10.1101/2020.01.15.20017749 doi：medRxiv preprint
模拟驱动的监督学习框架，使用扩散MRI
一个人通常将信号表达式拟合到实验数据以估计模型参数。但是，某些生物物理模型中固有的不确定性使参数估计不稳定[22]。此外，准确的拟合并不一定证明基本的生物物理模型是合理的，并且估计的模型参数可能在生物物理上毫无意义[23，24]。由于数学并发症而排除了生物物理模型之类的微妙效果，例如神经突的起伏[11，20，25]。除了简化的几何模型带来的误差外，某些假设的有效性（例如GPA）仍然未知[23，26]。此外，几种信号表达式的有效性机制取决于微结构长度尺度[27]。体素可能表现出多长度尺度（例如，各种SOMA RADII），因此不同的有效性制度可以逐渐共存或逐渐出现[24]，从而使全面的模型验证变得困难。
国会预算办公室对 HR 9474（2025 年持续拨款和延期法案）的估计
表 1 汇编了 CBO 根据《2025 年持续拨款和延期法案》A 部分对 2025 年可自由支配支出的估计。A 部分将规定，2024 年 12 项常规拨款法案中包含的拨款和授权将延续到 2024 年 12 月 20 日。这些法案包含在《2024 年综合拨款法案》（公法 118-42）的 A 至 F 部分和《2024 年进一步综合拨款法案》（公法 118-47）的 A 至 F 部分中。A 部分将指定某些账户的资金金额和授权的变化。估计值是年度化的，也就是说，估计的拨款是为整个财政年度提供的。 a 与 HR 9747 第 114 节一致，本表显示了 CBO 对可自由支配拨款的估计，这些拨款将受到《2023 年财政责任法案》（FRA，PL 118-5）规定的法定上限以及授权进行上限调整的某些类别的资金的限制。b
利用人工智能通过工业规模的监控摄像头估算植物高度
本报告介绍了一项研究结果，该研究旨在探讨人工智能 (AI) 算法是否能通过使用安装在 Svegros 的一个罗勒农场上空的普通监控摄像头拍摄的图像来估算植物的高度，以及效果如何。该项目具有重要的经济意义，因为太高的罗勒植株不适合商店的货架，而太小的植株又会让顾客失望。这是 Svegro 一项更大运动的一部分，该运动旨在实现植物生长自动化监测和护理，降低能耗并减少浪费。为了测量高度，在摄像头下方的传送带上移动的植物后面放置了标尺（Robel 杆），这样就可以根据 Robel 杆上未被植物覆盖的可见线的数量手动确定植物的高度。研究问题是设计一种基于人工智能的解决方案来预测植物上方可见的线数。经过两个月的图像收集和手动注释后，使用来自罗勒田的单个 Robel 杆的图像训练了三个不同复杂度的卷积神经网络 (CNN) 模型。使用 Grad-CAM 获得的结果表明，网络不会学习数线，而是将叶子的大小和形状与高度关联起来。最佳得分是平均绝对误差 0.74 和均方误差 0.83，其中 MAE 为 2.53 和 MSE 为 11.11，这对应于仅预测数据集中值。这是使用 EfficientNet0B 实现的。将结果与人类的表现进行了比较，结果显示人类的表现仍然更好，但由于数据嘈杂，结果令人印象深刻，分数超出了 Svegro 团队的预期，因此最终模型现在在那里使用。实验还表明，即使训练图像中没有 Robel 杆，也可以获得相当好的结果，这意味着 Svegro 团队可以停止布置 Robel 杆，但精度会略有下降。提出了一些改进建议，例如改变 Robel 杆的设计，以帮助未来的研究以更高的精度完全自动化该过程。
仅根据车辆操作数据估算电池SOH指示器的方法
电池是多物理系统，在实际操作条件下，它们被提交到可变的环境工作条件下，可以影响动态行为和降解。因此，对实际操作条件下的动态行为和退化定律的良好理解是改善耐用性和发展更好能源管理策略的关键。拟议研究的目的是使用从三年监视十个邮政车辆频率的实验数据库，以相对于操作条件对电池进行建模。基于电路模型，优化算法和卡尔曼过滤器，科学的贡献是提出一种仅使用车辆操作数据的简单但有效的方法，以估算与内部电阻和可用容量相关的卫生指标的载体状态和状态。提出的模型提出了非常良好的准确性和健康指标的状态估计，显示出令人鼓舞的结果。将来，可以在板上应用提出的方法来估算和分析整个电池寿命期间的健康状况，以提供准确的收费估计状态，并有助于更好地了解退化定律。
使用机器学习根据自主性心血管功能估算日历年龄
方法：我们分析了一个数据库，包括静止状态心电图和健康志愿者的连续血压记录。总共884个数据集符合纳入标准。其他72名BMI参与者的数据表示肥胖症（> 30 kg/m²）作为评估样本。对于所有参与者，计算了29个不同的心血管指数，包括心率变异性，血压变异性，压力反射功能，脉搏波动力学和QT间隔特征。基于心血管指数，性别和装置，采用了四种不同的方法，以估计健康受试者的日历年龄，即相关性向量回归（RVR），高斯过程回归（GPR），支持矢量回归（SVR）和线性回归（LR）。估计肥胖组的年龄，我们从大型样本中汲取了正常的体重控制，以构建一个训练集和具有类似于肥胖测试样本的年龄分布的验证集。
用于估计群体神经活动的通用神经网络模型，以实现稳健的神经解码
背景：稳健且连续的神经解码对于可靠且直观的神经机器交互至关重要。本研究开发了一种新型通用神经网络模型，该模型可以根据解码的群体运动神经元放电活动连续预测手指力。方法：我们实施了卷积神经网络 (CNN) 来学习从前臂肌肉的高密度肌电图 (HD-EMG) 信号到群体运动神经元放电频率的映射。鉴于 EMG 信号本质上是随机的，我们首先提取 EMG 能量和频率图的时空特征以提高学习效率。然后，我们通过对多个参与者的群体神经元放电活动进行训练建立了一个通用神经网络模型。使用回归模型，我们实时连续预测单个手指力。我们将力预测性能与两种最先进的方法进行了比较：神经元分解方法和经典的 EMG 幅度方法。结果：我们的结果表明，通用 CNN 模型优于特定于受试者的神经元分解方法和 EMG 振幅方法，测量力和预测力之间的相关系数更高，力预测误差更低。此外，CNN 模型显示出随时间推移更稳定的力预测性能。结论：总体而言，我们的方法为实时和稳健的人机交互提供了一种通用且高效的连续神经解码方法。
CBO的2024年社会保障长期预测
除了产生基准预算预测和成本估算外，CBO还根据国会要求分析了预算，经济和相关问题的许多方面。该机构在许多分析中使用当前值估计值。一个例子是用于联邦保险计划，例如洪水保险和退休金保险。尽管此类计划具有与贷款或贷款担保计划相同的许多风险，但根据法律，他们的成本是以现金为基础来衡量的，而不是基准预测和成本估算中的应计。为了提供长期成本的全面图景，CBO使用折现率在其分析报告中为联邦保险计划提供现行评估估算，并作为立法成本估算的补充信息，以改变这些计划。