XiaoMi-AI文件搜索系统
World File Search Systemrmse
Meza-González，Yilmar Alexader；纳塔利亚（Natalia）Arrieta；萨拉索（Stephany）； Florez-Garcia
机械挖掘中最重要的问题之一是预测TBM渗透率。了解渗透率的影响的因素很重要，这可以更准确地估算停止和发掘时间和运营成本。在这项研究中，输入和输出参数，包括单轴压缩强度（UCS），巴西拉伸强度（BTS），峰斜率指数（PSI），无力平面（DPW）之间的距离，α角度（DPW），α角度和渗透率（ROP）（ROP）（ROP）（ROP）（M/HR）在使用Queens Waternel tunnel tunder tunder tunder tunder tunnel tunnel tunnel tunnel tunnel。 （SVM）方法为R。= 0.9678，RMSE = 0.064778，根据结果，支持向量机（SVM）具有有效性，并且具有很高的精度。关键字：TBM，渗透率，支持向量机（SVM）。
从肉到骨头：法医学的多词方法
质量控制； QQQ，三倍四倍； q-tof，四杆飞行时间； RF，随机森林； RFLP，终末限制片段长度多态性； RMSE，根平方错误； RNA-seq，RNA测序； SBL，结扎测序； SBS，通过合成测序； SCD，心脏猝死； SGD，随机梯度下降； SIDS，婴儿死亡综合症； Silac，氨基酸在细胞培养中稳定的异位标记； Sirm，稳定的同位素分辨代谢组学； SMRT，单分子，实时； SNP，单核苷酸多态性； SQT，简短的QT综合征；德克萨斯州东南部的Stafs应用法医学； STLFR，单管长片段读取； str，短串联重复； SVM，支持向量机； SVM，支持向量机； tadr，胸主动脉
机器学习方法是否改善了具有高空间对比度的环境空气污染物的预测？系统评价
背景与目标：使用机器学习来进行空气污染建模正在迅速增加。我们对比较统计和机器学习模型的研究进行了系统的综述，该研究预测了环境氮二氧化氮（NO 2），超细颗粒（UFPS）和黑碳（BC）的时空变化，以确定哪种情况以及在哪种情况下，机器学习是否会产生更准确的预测。方法：截至2024年6月13日，搜索了科学和Scopus的网络。所有记录均由两个受依赖的审阅者筛选。在最佳统计和机器学习方法之间的确定系数（R 2）和均方根误差（RMSE）之间的差异进行了比较。结果：包括46个模型比较的38项研究（第2号，UFPS为30，为BC为8）。线性非规范方法和随机森林最常使用。机器学习在34个比较中优于统计模型。最佳机器学习和统计模型之间的R 2中的平均差异（95％置信区间）分别为0.12（0.08、0.17）和20％（11％，29％）。基于树的方法在17个多模型比较中的12个中表现最好。非线性或正则回归方法仅在12个比较中使用，并提供了与机器学习方法相似的性能。结论：这项系统的综述表明，机器学习方法，尤其是基于树的方法，可能优于线性非验证方法，用于预测2号，UFP和BC的环境浓度。需要使用非线性，正则化和更广泛的机器学习方法的其他比较研究来确认其相对性能。未来的空气污染研究也将受益于对方法和结果的更明确和标准化的报告。
在预测运输部门中的二氧化碳排放量
摘要。这项研究应用了三种不同的人工智能算法（多层感知器（MLP）（MLP），极端梯度增强（XGBOOST）和支持向量机（SVM））在Türkiye的运输部门中估算CO 2的CO 2排放。所考虑的输入参数是能源消耗（能源），车辆公里（VK），人口（POP），年（Y）和人均国内生产总值（GDP）。强相关性，其能量具有最高的相关性，其次是VK，POP，Y和GDP。四种情况是基于相关效果设计的：场景1（能量/vk/pop/y/gdp），方案2（energy/vk/pop/pop/y），方案3（enervion/vk/pop）和方案4（ensicario 4（engile/vk）。实验使用统计指标（R 2，RMSE，MSE和MAE）对其对CO 2排放的影响进行比较。在所有方案和算法中，R 2值在0.8969到0.9886之间，RMSE值范围为0.0333至0.1007。XGBoost算法在方案4中表现最好。人工智能算法证明成功地估算了CO 2排放。这项研究对政策制定者和利益相关者具有重要意义。它强调了需要审查运输能源投资并实施减少排放的法规，限制，立法和义务的必要性。人工智能算法为制定有效策略提供了潜力。政策制定者可以使用这些见解来优先考虑可持续能源投资。总而言之，这项研究提供了对输入参数与运输部门中CO 2排放之间关系的见解。它强调了积极措施和政策的重要性，以解决该行业的环境影响。它还有助于理解运输部门的AI辅助CO 2排放预测，从而有可能为旨在减少排放和可持续运输开发的未来政策决策提供信息。
DSM 图像匹配器的质量评估...
评估在一个典型的 354 米×185 米大小的城市场景中进行，其中包含建筑物、道路、多变地形和热带植被。DSM 首先由五个软件包生成，然后使用最小二乘 3D 表面匹配将其与地面参考数据配准，从而最小化匹配的 DSM 和地面参考之间的欧几里得差的平方和。RMSE、标准偏差和误差分布（特别是对误差的分析）用于评估固体（建筑物、路面、裸露地面等）和“软”物体（树木、灌木丛等）上的匹配器。分析涵盖完整数据集、仅固体物体的情况以及最终仅建筑物的 DSM。实验结果提供了在考虑的特定 UAV 图像条件下匹配器性能的有用指标。
Robust-Deep：一种增加脑成像数据集以提高深度学习模型性能和鲁棒性的方法
摘要 小型数据集通常会影响医学成像研究中深度神经网络 (DNN) 的泛化、稳健性和整体性能。由于收集大型临床数据库始终很困难，我们提出了一种生成大型真实/多样化数据集的分析方法。临床脑部 PET/CT/MR 图像包括全剂量 (FD)、低剂量 (LD)（仅对应于 FD 扫描中获取的事件的 5%）、非衰减校正 (NAC) 和基于 CT 测量的衰减校正 (MAC) PET 图像、CT 图像以及 35 名患者的 T1 和 T2 MR 序列。所有图像均已注册到蒙特利尔神经研究所 (MNI) 模板。使用拉普拉斯混合，利用来自两个不同患者的图像的频域信息以及混合蒙版进行自然呈现。这种来自计算机视觉和图像处理社区的经典技术仍然被广泛使用，并且与现代 DNN 不同，它不需要训练数据。实施了改进的 ResNet DNN 来评估四个图像到图像的转换任务，包括 LD 到 FD、LD+MR 到 FD、NAC 到 MAC 和 MRI 到 CT，使用和不使用合成图像。使用已建立的指标进行定量分析，包括峰值信噪比 (PSNR)、结构相似性指数度量 (SSIM) 和联合直方图分析，以进行定量评估。包含 35 名患者的注册小数据集与包含 350 个合成数据集加 35 个真实数据集的大数据集之间的定量比较显示，LD 到 FD 的 RMSE 和 SSIM 分别提高了 29% 和 8%，LD+MRI 到 FD 的 RMSE 和 SSIM 提高了 40% 和 7%，NAC 到 MAC 的 16% 和 8%，MRI 到 CT 映射任务的 24% 和 11%。定性/定量分析表明，与参考图像相比，所提出的模型通过生成更高质量、更低定量偏差和方差的图像，提高了所有四个 DNN 模型的性能。
分辨率增强，用于询问纤维bragg光栅...
在纤维bragg光栅（FBG）传感器网络中，反射光谱的信号分辨率与网络的感应精度相关。审讯器确定信号分辨率限制，并且更粗糙的分辨率导致感应测量的巨大不确定性。此外，来自FBG传感器网络的多峰信号通常被重叠。这增加了分辨率增强任务的复杂性，尤其是当信号具有较低的信噪比（SNR）时。在这里，我们表明，使用U-NET体系结构进行深度学习可以增强信号分辨率，以询问FBG传感器网络而无需修改硬件。信号分辨率有效地增强了100倍，平均根平方误差（RMSE）<2.25 pm。因此，提出的模型允许FBG设置中的现有低分辨率询问器起作用，就好像它包含了更高分辨率的询问器一样。
传感器 - ScienceOpen
摘要：本研究提出了一种新方法，利用无人机 (UAV) 成像联合评估积雪深度和冬季叶面积指数 (LAI)，后者是植被的结构特性，影响积雪和融雪。在冬季，评估了在捷克共和国舒马瓦国家公园 (Šumava NP) 内部分健康或受昆虫影响的挪威云杉林和草地覆盖区拍摄的一组多时间高分辨率数字表面模型 (DSM)（无雪和积雪条件），以评估积雪深度。无人机得出的 DSM 的分辨率为 0.73–1.98 cm/pix。通过减去 DSM，确定了积雪深度，并与在地面控制点 (GCP) 位置进行的手动雪深测量进行比较，均方根误差 (RMSE) 在 0.08 m 到 0.15 m 之间。将基于无人机的积雪深度与更密集的手动积雪深度测量网络进行比较分析，得出的 RMSE 在 0.16 m 到 0.32 m 之间。LAI 评估对于正确解释森林地区的积雪深度分布至关重要，它基于在森林状况下拍摄的俯视无人机图像。为了从俯视无人机图像中识别冠层特征，使用雪背景代替天空部分。参考了两种有效的冬季 LAI 检索常规方法，即 LAI-2200 植物冠层分析仪和数字半球摄影 (DHP)。与实地调查相比，冠层密度和地面特性对基于无人机成像的 DSM 评估准确性的影响显而易见。基于无人机的 LAI 值提供的估计值与 LAI-2200 植物冠层分析仪和 DHP 得出的值相当。与常规调查的比较表明，使用无人机摄影测量方法高估了春季积雪深度，低估了春季 LAI。由于积雪深度和 LAI 参数对于积雪研究至关重要，因此这种组合方法在未来将具有重要价值，可以简化雪深和雪动力学的 LAI 评估。
AI驱动的Narx神经网络集成了遥控器...
具有贝叶斯优化的高级Narx神经网络可实现出色的海岸线预测准确性（RMSE：0.07-0.52M）。多个颞Landsat数据的集成（1987-2022）启用了158个横断面的精确海岸线描述，NRMSE为0.116595。模型5的多参数集成（波高，潮汐范围，位移）表现出卓越的性能，性能指数值范围为0.000149至0.000857。空间分析量化了21个不同沿海部门的临界侵蚀区（-7.0 m/年）和增生区（+24.48 m/年）。基于漏洞阈值的决策矩阵启用了目标保护策略（±20 m/年高，±5-20 m/年适度，±0-5 m/年低）。实施框架通过数据驱动的沿海保护和气候适应策略与可持续发展目标保持一致。