XiaoMi-AI文件搜索系统
World File Search Systemgpr
地面穿透雷达的自主数据获取...
2 Public Works Department, Faculty of Engineering, Cairo University, Giza12613, Egypt amr-m.eldemiry@polyu.edu.hk , muhammad.muddassir@polyu.edu.hk , tarek.zayed@polyu.edu.hk Abstract – In this paper, we propose a ground mobile robot that can perform both surface mapping and subsurface mapping using三维激光雷达同时定位和映射系统（3D激光雷达大满贯系统）和地面穿透雷达（GPR）。机器人由配备3D激光雷达传感器的移动平台和安装在固定机箱上的GPR天线组成。机器人可以自主浏览环境并从表面和地下收集数据。表面映射是通过使用±3 cm范围精度的3D激光镜传感器来观察地形的点云，然后对其进行处理以生成3D表面图。地下映射是通过使用GPR天线将电磁脉冲发射到土壤中并接收反射的，然后对其进行处理以生成3D地下图。然后，我们可以融合表面和地下图以获得地形的全面表示。我们在现实世界中（例如桥梁）演示了机器人的性能。我们表明，我们的机器人可以在表面映射任务和GPR数据采集中实现高精度和效率。
评估地球物理方法探测地下空洞
相对评估了四种地球物理方法的检测地下异常/空隙的能力，即电阻率层析成像（ERT），表面波的多通道分析（MASW），地面穿透性雷达（GPR）（GPR）和全波形倒置（FWI）。我们发现： ERT非常适合检测和定位地下异常，但可能无法准确大小或表征异常/空白的材料组成； b。在大多数现实的现场条件下，MASW是不合适的。 c。基于计算模拟，FWI似乎合适，并且可能满足现场条件的需求，但是该功能未测试。和d。由于深度限制，GPR在异常检测中的能力非常有限，它缺乏一致性，并且很大程度上取决于操作员的经验。即使检测成功，使用GPR的异常大小和表征也是不可行的。给定大多数基础架构项目常见的现场现实，我们建议继续使用ERT检测地下异常/空隙。我们还建议将来的研究努力集中在a上。联合发生和基于多物理的方法； b。软件开发。
利用人工智能解决业务问题的进步
高斯过程回归预测模型利用 GPR 通过灵活的核来表示复杂的非线性多元函数。GPR 的贝叶斯框架量化了预测的不确定性，有助于决策并指导主动学习过程。回归使用高斯过程 (GP) 量来找到一个特定的函数分布，以解释观察到的样本 [参考文献 7]。所用特定核的 GP 模型参数 θ 对 Matérn 5/2 核的长度尺度和方差以及白噪声核的噪声水平进行编码。对于每个 GP 模型，使用最大似然估计来调整参数 θ ，以最好地解释给定的数据集 D 。GPR 的计算复杂度是时间成本的立方缩放 O(n3)，样本大小 n 归因于 K-1（相当于 n×n 密集核矩阵的逆）。为了降低复杂性，使用了降维方法。
使用高斯工艺回归方法的电动汽车锂离子电池的电荷估计
应将通信发送到Selvarani N：N.Selvarani@psnacet.edu.edu.edu.in Info Info Machine and Computing杂志（http://anapub.co.ke.ke.ke/journals/jmc/jmc/jmc/jmc.html） 2024;从2024年8月18日修订； 2024年8月12日接受接受，2024年10月5日©2024作者。由Anapub出版物出版。这是CC BY-NC-ND许可证下的开放访问文章。（http://creativecommons.org/licenses/by-nc-nd/4.0/）摘要 - 为了确保在电动汽车中使用清洁能源的安全，可靠和负担得起的性能，对LIB的精确负荷状态的估计非常重要。在本文中，提出了具有不同内核函数的SOC预测的高斯过程回归，并通过良好的健康和福祉进行了评估和分析的表现。使用GPR的一个有用的好处是能够量化和估计不确定性，从而评估社会估计的可靠性。内核函数是提高GPR性能的关键超参数。GPR认为电池的温度和电压彼此独立，因为它们各自的输入参数与行业，创新和基础架构相关联，而目标依赖性变量是电池SOC。最初，训练过程涉及确定内核函数的理想超参数以准确表示数据的特征。使用测试数据评估预测电池SOC的准确性。根据仿真结果，基于指数核函数的平方元函数估计SOC具有很高的准确性和较低的RMSE和MAE，从而确保了能源效率和Q Uality Education。关键字 - 充电状态，GPR，内核功能，RMSE，Lib-Lithium Ion电池，能源效率和优质教育。
对比传统方法和机器学习方法......
基于光学的深亚波长尺寸特征尺寸的精确测量一直受到制造工艺改进的挑战，包括更小的线宽、更密集的布局以及近原子尺度上更大的材料复杂性。电磁建模在很大程度上依赖于用于解决光学测量逆问题以进行参数估计的前向映射。机器学习 (ML) 方法一直受到关注，要么作为绕过与模拟直接比较的手段，要么作为增强非线性回归的方法。在这项工作中，使用特征明确的实验数据集及其假设二维几何的模拟库来研究 ML 方法。通过比较一种直接的库查找方法和两种 ML 方法（使用径向基函数 (RBF) 的数据驱动非线性回归替代模型和间接应用模拟强度数据的多输出高斯过程回归 (GPR)），说明了 ML 在光学临界尺寸 (OCD) 计量方面的优势和局限性。 RBF 和 GPR 通常比传统方法的准确度更高，而且训练点数最少只有 32 个。然而，随着测量噪声的降低，RBF 和 GPR 的不确定性差异很大，因为 GPR 的方差后验估计似乎高估了参数不确定性。在 OCD 中，必须同时解决准确度和不确定性问题，同时平衡模拟与 ML 计算要求。
文章 石灰石采石场爆炸引起的地面振动预测：一种人工智能方法
摘要：地面振动是爆破活动最不利的环境影响之一，会对邻近的房屋和建筑物造成严重损坏。因此，有效预测其严重程度对于控制和减少其复发至关重要。不同的研究人员提出了几种常规振动预测方程，但大多数仅基于两个参数，即单位延迟使用的炸药量和爆炸面与监测点之间的距离。众所周知，爆破结果受许多爆破设计参数的影响，例如负担、间距、火药系数等。但这些都没有被考虑在任何可用的常规预测器中，因此它们在预测爆炸振动时显示出很高的误差。如今，人工智能已广泛应用于爆破工程。因此，本研究采用了三种人工智能方法，即高斯过程回归 (GPR)、极限学习机 (ELM) 和反向传播神经网络 (BPNN)，来估计印度 Shree Cement Ras 石灰石矿爆破引起的地面振动。为了实现该目标，从矿场收集了 101 个爆破数据集，其中粉末系数、平均深度、距离、间距、负担、装药重量和炮泥长度作为输入参数。为了进行比较，还使用相同的数据集构建了一个简单的多元回归分析 (MVRA) 模型以及一种称为多元自适应回归样条 (MARS) 的非参数回归技术。本研究是比较 GPR、BPNN、ELM、MARS 和 MVRA 以确定其各自预测性能的基础研究。八十一 (81) 个数据集（占总爆破数据集的 80%）用于构建和训练各种预测模型，而 20 个数据样本（20%）用于评估所开发的预测模型的预测能力。使用测试数据集，将主要性能指标，即均方误差 (MSE)、方差解释 (VAF)、相关系数 (R) 和判定系数 (R2) 进行比较，作为模型性能的统计评估指标。本研究表明，与 MARS、BPNN、ELM 和 MVRA 相比，GPR 模型表现出更出色的预测能力。GPR 模型显示最高的 VAF、R 和 R 2 值分别为 99.1728%、0.9985 和 0.9971，最低的 MSE 为 0.0903。因此，爆破工程师可以采用 GPR 作为预测爆破引起的地面振动的有效且合适的方法。
高斯过程回归杂交模型，用于顶级...
摘要：越来越多的光学卫星任务对陆地地球系统的连续监测为植被和农田特征提供了宝贵的见解。卫星任务通常提供不同级别的数据，例如1级大气顶（TOA）辐射率和2级大气底（BOA）反射率产品。开发TOA辐射数据直接提供了绕过复杂大气校正步骤的优势，在该步骤中，错误可以在其中进行预测并损害随后的检索过程。因此，我们研究的目的是开发能够从成像光谱卫星任务中直接从TOA辐射数据中检索植被特征的模型。为了实现这一目标，我们基于辐射转移模型（RTM）模拟数据构建了混合模型，从而采用了植被范围RTM与大气libradtran RTM结合使用高斯工艺回归（GPR）。重点是植被冠层特征的重新评估，包括叶子面积指数（LAI），冠层叶绿素含量（CCC），冠层水含量（CWC），吸收的光合式活性辐射（FAPAR）的分数以及植被覆盖的分数（FVC）。使用即将到来的哥白尼高光成像任务（Chime）的带设置，评估了两种类型的混合GPR模型：（1）使用TOA辐射数据在1级（L1）培训的一种培训，并且（2）使用BOA反射率数据在2级（L2）训练。基于TOA和BOA的GPR模型均已针对原位数据验证，并具有从现场活动中获得的相应高光谱数据。基于TOA的混合GPR模型揭示了从中度到最佳结果的一系列性能，因此达到R 2 = 0.92（LAI），R 2 = 0.72（CCC）和0.68（CCC）和0.68（CWC），R 2 = 0.94（FAPAR）和R 2 = 0.95（FVC）。为了证明模型的适用性，随后将基于TOA和BOA的GPR模型应用于科学前体任务Prisma和Enmap的图像。所产生的性状图在基于TOA和BOA的模型之间显示出足够的一致性，相对误差在4％至16％之间（R 2在0.68和0.97之间）。总的来说，这些发现阐明了机器学习混合模型的开发和增强的路径，以估算直接在TOA水平下定制的植被特征。
脑海：重新审视并重新构架机器学习工作流程
图1（a）各种单个模型在空间分辨率（R：4 mm/8 mm），平滑核（S：4 mm/8 mm）和组织段（GM，WM，NGM：非线性注册的模拟GM）方面有所不同。通过平均估计结果的结果表示为年龄偏差校正的MAE，以及在UKB 1子样本上进行的分析的预测年龄和时间表年龄之间的Pearson相关系数。显示了ML算法（RVR/GPR）的比较，以及降低降低的影响和脑组织的选择或它们的串联。BOLD中的结果表示相同的组合模型。（b）通过平均，加权平均或GPR堆叠来结束八个单个模型。为子样本和完整的UKB样本提供了结果。
MBMA用GEM开发HPAL加工厂
图2：SCM矿山特许区探索资源定义的HNC FPP集中在Bravo Romeo 2＆3（“ BR 2＆3”）区域。钻井程序在50米的网格间距上使用了七个钻石钻（“ DD”）钻机，本季度的42颗钻石钻孔在3,044米处完成，导致2023年在2023年完成的648个钻孔，为21,704米。钻探在2024年继续进行大约10个资源定义计划的钻机。本季度的其他活动包括覆盖BR 2＆3中总计123,144米的地面穿透雷达（“ GPR”）调查，以及北部Papa Bravo（“ PB”）的285公顷的地质映射和采样。在2024年，GPR调查和地质映射继续进行，目的是确定资源定义并确定进一步的勘探钻探目标。