XiaoMi-AI文件搜索系统
World File Search Systemrmse
基于...
本研究采用新的基于增强的集合机学习模型，即梯度提升（GB）和自适应增强（ADABOOST），以预测地球聚合物稳定的粘土质土壤的无限制抗压强度（UCS）。使用270种用地质聚合物稳定的粘土式土壤样品开发并验证了GB和Adaboost模型，并用碎屑炉炉炉和粉煤灰作为源材料，氢氧化钠溶液作为碱性激活剂。数据库随机分为培训（80％）和测试（20％）集，用于模型开发和验证。使用了几个性能指标，包括确定系数（r 2），平均绝对误差（MAE），均方根误差（RMSE）和平均平方误差（MSE），用于评估开发模型的准确性和可靠性。这项研究的统计结果表明，GB和ADABOOST是根据R 2（= 0.980，0.975）的获得值（= 0.585，0.655），RMSE，RMSE（= 0.969，1.088）和MSE（= 0.940，1.185）的跨性别林地，相应地相差的，相应地相比，rmse（= 0.969，1.088），RMSE（= 0.969，1.088），RMSE（= 0.969，1.088），rmse（= 0.969，1.088），相应地相应地相比，梯度提升，多变量回归和基于多代基因编程的模型。此外，敏感性分析结果表明，地面抛光爆炸渣含量是影响UCS的关键参数。
用于预测通货膨胀动态的量子神经网络
简介 准确预测经济的通货膨胀率一直是经济学家关注的问题之一。预测这一指标的巨大兴趣源于它是公共机构（例如中央银行法定利率的决策）制定宏观经济政策的关键指标，也是金融机构等私人机构制定宏观经济政策的关键指标，因为它们必须考虑通货膨胀来计算市场预期的实际盈利能力等。专注于构建通货膨胀预测模型的实证研究使用了不同的方法和方法进行事后估计。Ulke、Sahin 和 Subasi 1 确定，自回归分布滞后模型方法在 6 个月的范围内获得了最低的均方根误差 (RMSE)，值为 0.62，而支持向量机被证明是更长期限（12 个月）最准确的方法，RMSE 为 1.66。Acosta 2 应用 k-means 算法预测墨西哥的通货膨胀，RMSE 为 0.20。 Duncan 和 Martínez-García 3 应用因子增强模型，在一年的最大范围内获得了 56% 的准确率，RMSE 为 0.751。Medeiros 等人 4 得出的结论是，随机森林技术给出的最低 RMSE 值为
北极苔原积雪特性的多物理合奏建模
摘要。复杂的积雪模型，例如Croscus和Snekpack，难以正确模拟北极积雪中的密度和特定表面积（SSA）的预测，这是由于风诱导的压实压实的低估，碱性植被的流动性融合量和水分流动量不足而陈述。To improve the simulation of profiles of density and SSA, parameterisations of snow physical pro- cesses that consider the effect of high wind speeds, the pres- ence of basal vegetation, and alternate thermal conductivity formulations were implemented into an ensemble version of the Soil, Vegetation, and Snow version 2 (SVS2-Crocus) land surface model, creating Arctic SVS2-Crocus.默认和北极SVS2-Crocus的合奏版本是由原位气象数据驱动的，并使用了Snowpack特性（Snow Water Eorsevent，Swe； Depth; Depth; Depth;密度；密度；密度；密度； SSA）在越野谷溪（TVC），Northwest Terrories，加拿大，加拿大，超过32岁，1991年至202年。结果表明，默认和北极SVS2-Crocus都可以模拟SWE的正确幅度（root-Mean-Square误差，RMSE，RMSE，对于两个合奏 - 55 kg m-2）和降雪深度（默认的RMSE - 0.22 M;北极RMSE - 0.18 m）在TVC上与测量值相比。在北极SVS2-Crocus内有效地压实了积雪的表面层，增加了密度，并将RMSE降低了41％（176 kg m-3至103 kg m-3）。
在IC制造中化学清洁期间，重金属污染的表面光电压监测
摘要：近年来，由于对可靠的能量存储的需求不断增加，锂离子电池的建模和模拟引起了人们的关注。准确的充电周期预测是优化电池性能和寿命的基础。这项研究比较了对商用锂离子电池进行建模时的粒子群优化（PSO）和灰狼优化（GWO）算法，强调了电压行为以及传递到电池的电流。生物启发的优化调音参数可以减少模拟和实验输出之间的均方根误差（RMSE）。在MATLAB/SIMULINK中实现的模型集成了电化学参数并估计各种条件下的电池行为。与非优化模型相比，对末端电压的评估通过PSO和GWO算法在模型中揭示了显着的增强。GWO优化的模型表现出卓越的性能，与PSO在PSO优化的模型相比，RMSE的RMSE降低为0.1700（25°C； 3.6 C，455 s）和0.1705（25°C； 3.6 C，10,654 s），与PSO优化模型相比，达到了42％的平均RMSE RMSE降低。电池电流被确定为影响模型分析的关键因素，其优化模型，尤其是GWO模型，比PSO模型具有增强的预测能力，RMSE值略低。这为电池集成到能源系统中提供了实际含义。分析PSO和GWO不同人群值的执行时间提供了对计算复杂性的见解。pSO表现出比线性的更大的动力学，表明O（n K）的多项式复杂性，而GWO暗示基于10至1000。
电池电动汽车范围估算工具第3部分
•RMSE值用作指标来确定哪种模型提供了最准确的范围估计。•基于最大化效率，计算能力和准确性开发了多个模型。•ML将基于物理学的模型的RMSE减半，预测准确性大大提高。•混合模型为电动卡车提供了准确的范围估计，从而通过提高电动车队的可靠性和效率来使PACCAR受益匪浅。
电池电动汽车范围估算工具第3部分
•RMSE值用作指标来确定哪种模型提供了最准确的范围估计。•基于最大化效率，计算能力和准确性开发了多个模型。•ML将基于物理学的模型的RMSE减半，预测准确性大大提高。•混合模型为电动卡车提供了准确的范围估计，从而通过提高电动车队的可靠性和效率来使PACCAR受益匪浅。
使用单层ERA5数据
摘要。观察与风能相关的高度风速的观察很稀疏，尤其是海上，但是在先进的统计方法的新兴帮助下，可以使用表面观测来得出有关风能纤维的信息。 在这项研究中，开发了两种机器学习（ML）方法，以预测（1）沿海风速前纤维和（2）在与海上风能部署高相关的三个位置的低水平喷气机（LLJS）：美国东北大西洋沿海地区，北海，北海和Baltic Sea。 ML模型在多年的LIDAR PROFERE中进行了训练，并利用单级ERA5变量作为输入。 模型输出沿海风速填充和LLJ发生的空间预测。 由于其基于物理学的相关性在沿海风速促进创世记中，并且有可能通过测量实时观察这些变量，因此考虑了九个ERA5变量的套件。 以10 mA为单位的风速。 s。 l。 和表面明智的热量被证明对风速和LLJ预测具有最高的重要性。 ML模型的风速预测输出相对于ERA5输出的观测值表现出相似的均方根误差（RMSE）。 在典型的集线器高度下，ML模型的RMSE低于ERA5的RMSE，约为RMSE降低约5％。 使用对称极端依赖指数（SEDI）评估 llj识别得分。 来自ML模型的 llj预测优于ERA5的预测，表明赛迪斯明显更高。观察与风能相关的高度风速的观察很稀疏，尤其是海上，但是在先进的统计方法的新兴帮助下，可以使用表面观测来得出有关风能纤维的信息。在这项研究中，开发了两种机器学习（ML）方法，以预测（1）沿海风速前纤维和（2）在与海上风能部署高相关的三个位置的低水平喷气机（LLJS）：美国东北大西洋沿海地区，北海，北海和Baltic Sea。ML模型在多年的LIDAR PROFERE中进行了训练，并利用单级ERA5变量作为输入。模型输出沿海风速填充和LLJ发生的空间预测。由于其基于物理学的相关性在沿海风速促进创世记中，并且有可能通过测量实时观察这些变量，因此考虑了九个ERA5变量的套件。以10 mA为单位的风速。s。l。和表面明智的热量被证明对风速和LLJ预测具有最高的重要性。ML模型的风速预测输出相对于ERA5输出的观测值表现出相似的均方根误差（RMSE）。在典型的集线器高度下，ML模型的RMSE低于ERA5的RMSE，约为RMSE降低约5％。llj识别得分。llj预测优于ERA5的预测，表明赛迪斯明显更高。但是，与ERA5相比，使用SEDI的优化会导致更高数量的错误警报。
基于深度学习方法预测抗癌药物敏感性
抗癌药物敏感性的预测是个性化医学的主要挑战。在本文中，CCLE被用作抗癌药物易感性研究的数据集，并选择了基因的数据数据和不同细胞系上的药物敏感性数据。同时，我们签署了一种称为PCA变压器（PCAT）的混合深度学习和机器学习方法，以预测抗癌药物的敏感性。首先，构建了PCA模型以在不同细胞系上提取基因表达数据中的重要变量，因此将约50,000的基因维度降低到500。然后，基于降低性降低基因表达值建立了神经网络变压器模型，以预测药物敏感性，通过均方根误差（RMSE）评估我们的模型的功能，并使用最佳的潜在变量来评估模型估计值。为了验证PCA变压器的性能，本文将变压器模型与前字典模型随机森林（RF）和支持向量回归（SVR）进行了比较。特定组合Include：PCA变压器，PCA + SVR，PCA + RF。最后，将结果与先前的研究方法（ISIR）的结果进行了比较和优化。最终预测结果表明，对于CCLE中的24种药物，该方法预测的平均RMSE为0.7564、6种药物的RMSE小于0.5（L-685458，PF2341066等）。）和18种药物小于1。预测方法的平均RMSE为0.8284（PCA + SVR），0.8757（PCA + RF）和ISIRS（0.9258），表明所提出的方法具有更强的概括能力。
飞行高度对无人机测距精度的影响...
近年来，用于采矿业 3D 地形测绘的轻型无人机 (UAV) 得到了显著发展。特别是在露天矿等复杂地形中，海拔起伏剧烈，与传统方法相比，基于无人机的测绘已证明具有经济性和更高的安全性。然而，无人机测绘复杂地形的最重要因素之一是飞行高度，由于生成的 DEM 的安全性和准确性，需要认真考虑飞行高度。本文旨在评估飞行高度对露天矿生成的 DEM 准确性的影响。为此，研究区域选在越南北部一个地形复杂的采石场。调查采用 50 m、100 m、150 m、200 m 和 250 m 五个飞行高度进行。为了评估生成的 DEM 的精度，使用了 10 个地面控制点 (GCP) 和 385 个检查点，这些检查点通过 GNSS/RTK 和全站仪方法进行了测量。通过 X、Y、Z、XY 和 XYZ 分量的均方根误差 (RMSE) 来评估 DEM 的精度。结果表明，在飞行高度小于 150 m 时生成的 DEM 模型具有较高的精度。当飞行高度从 50 m 增加到 250 m 时，10 个 GCP 的垂直 (Z) 方向的 RMSE 从 1.8 cm 增加到 6.2 cm，水平 (XY) 方向的 RMSE 从 2.6 cm 增加到 6.3 cm，而 385 个检查点的垂直 (Z) 方向的 RMSE 从 0.05 m 逐渐增加到 0.15 m。
基于多任务学习的锂离子电池的多国家在线估计
摘要：基于深度学习的状态估计锂电池广泛用于电池配件系统（BMS）设计。但是，由于板载计算资源的限制，多个单州估计模型更难在实践中部署。因此，本文提出了一个多任务学习网络（MTL），将多层特征提取结构与分离的专家层相结合，用于联合估算液管电池的电荷状态（SOC）和能源状态（SOE）。MTL使用多层网络来提取功能，将任务共享与任务特定参数分开。基础LSTM最初提取时间序列特征。由任务特定和共享专家组成的分离的专家层提取了特定于多个任务的不同任务和共享功能的特征。不同专家提取的信息通过门结构融合。任务是根据特定和共享信息处理的。通过彼此共享学习知识，对多个任务进行了同时培训以提高性能。SOC和SOE在松下数据集上进行了估算，并在LG数据集上测试了该模型的泛化性能。这两个任务的平均绝对误差（MAE）值为1.01％和0.59％，均方根误差（RMSE）值分别为1.29％和0.77％。对于SOE估计任务，与单任务学习模型相比，MAE和RMSE值分别降低了0.096％和0.087％。结果显示了该方法的有效性和优势。与其他多任务学习模型相比，MAE和RMSE值的MTL模型分别降低了高达0.818％和0.938％。与单任务学习模型相比，对于SOC估计任务，MAE和RMSE值分别降低了0.051％和0.078％。MTL模型还胜过其他多任务学习模型，在MAE和RMSE值中分别达到高达0.398％和0.578％的降低。在模拟在线预测的过程中，MTL模型消耗了4.93毫秒，这比多个单任务学习模型的组合时间少，几乎与其他多任务学习模型相同。