XiaoMi-AI文件搜索系统
World File Search Systemrmse
练习和经验，ISSN 1895-1767，http：//www.scpe ...
摘要。由于存在传感器模型，状态对分布网络的感知可以获得更高的RMSE。由于这种情况，该主题打算使用人工智能技术来实现分销网络稳定操作的嵌入式传感系统：前端传感器和无线入口设计。根据分销网络的稳定操作特征，建立了稳定的数据收集系统。提出了基于数据统一和识别的各种算法以感知计算参数。一种自适应动态稳定性检测方法是基于深神经网络设计的。实验表明，可以通过此方法获得0.031的RMSE。此方法可以实现对分布网络运行状态的准确感知。
Žs对极端降雨的影响
我们介绍了德克萨斯大学 - 城市研究的全球建筑高度（UT -Globus），该数据集可为全球1200多个城市或地区提供建筑高度和城市顶篷参数（UCP）。ut-Globus将开源太空载速度（ICETAT-2和GEDI）和粗分辨率的城市冠层高度数据与机器学习模型结合在一起，以估算建筑物级别的信息。使用来自美国六个城市的LiDAR数据进行验证，显示ut-Globus衍生的建筑高度的均方根误差（RMSE）为9.1米。验证1公里2个网格电池内的平均建筑高度，包括来自汉堡和悉尼的数据，导致RMSE为7.8米。与现有的基于餐桌的本地气候区域方法相比，在城市天气研究和预测（WRF城市）模型中，在城市内空气温度代表性中的UCP显着改善（RMSE为55％）。此外，我们演示了数据集使用WRF城市模拟降温策略并建立能源消耗的数据集，并在芝加哥，伊利诺伊州和德克萨斯州的奥斯汀进行了测试案例。使用太阳能和长波环境辐照度几何形状（SOLWEIG）模型（结合UT-Globus和LiDAR来源的建筑高度）的街道尺度平均辐射温度模拟证实了该数据集在MD Baltimore，MD（白天RMSE = 2.85°C）中建模数据集的有效性。因此，UT-Globus可用于建模具有重大社会经济和生物气象风险的城市危害，从而实现更细长的城市气候模拟，并由于缺乏建筑信息而克服了先前的限制。
使用机器学习探索银河系
目标。我们探索机器学习技术，以预测星系之间的星形量，恒星质量和金属性，红移范围为0.01至0.3。方法。利用CATBOOST和深度学习体系结构，我们利用了来自SDSS的多播放和红外光度数据，并在SDSS MPA-JHU DR8目录上进行了跨训练。结果。我们的研究证明了机器学习的潜力，即仅从光度数据中准确预测星系特性。我们通过使用CATBOOST模型专门实现了最小化的根平方错误。对于恒星形成率的基础，我们达到了RMSE SFR = 0的值。336 dex，而对于恒星质量预测，将误差降低为RMSE SM = 0。206 dex。此外，我们的模型得出RMSE金属性= 0的金属性预测。097 DEX。 结论。 这些发现强调了自动化方法在有效估计多波长天文学数据的指数增长的情况下有效估计关键星系的重要性。 未来的研究可能会集中于精炼机器学习模型和扩展数据集，以实现更准确的预测。097 DEX。结论。这些发现强调了自动化方法在有效估计多波长天文学数据的指数增长的情况下有效估计关键星系的重要性。未来的研究可能会集中于精炼机器学习模型和扩展数据集，以实现更准确的预测。
带有漂流浮标数据的案例研究
摘要：在海上研究以及搜索和救援操作中，建立或预测漂流物体的轨迹很重要。可以使用带有海洋动态模型的传统工具或通过人工智能模型来确定漂移对象的轨迹。从2003年12月19日至12月28日之间收集的漂流浮标数据中，研究小组采用了CNN（CORV1D）模型进行分析。分析结果表明，通过使用ADAM优化器，Huber损耗函数和256个过滤器，在隐藏层中，该模型性能的特征参数被确定为RMSE = 0.04004，MAE = 0.032304度，R²= 98％。使用SGD优化器和均方误差（MSE）损耗函数时，与先前情况相比，RMSE和MAE值最多降低了四倍，而R²值则在隐藏层中有64个过滤器达到99.9％。当隐藏层中的过滤器数增加到128时，CNN（CORV1D）模型的性能提高了20％，RMSE = 0.007863DEG，MAE = 0.006653DEG。使用CNN（Conv1D）模型使用SGD优化器预测漂移浮标的轨迹时，R²值和MSE损耗函数接近约100％，这表明该模型适用于预测漂流浮标轨迹的输入数据。将模型隐藏层中的过滤器数量从128增加到256并没有改变模型的预测性能，这表明该情况的最佳过滤器数为128。未来的工作应继续使用较大的输入数据集进行漂移数据分析。但是，这项研究中获得的RMSE结果仍然相对较大（0.87 km），这可能是由于输入数据有限。
通过多变量回归和新型遗传算法预测 Q 值
收到日期：2020 年 1 月 5 日；修订日期：2020 年 4 月 17 日；接受日期：2020 年 5 月 28 日 摘要：确定隧道支撑是隧道工程领域的一个重要争论，它确保了隧道的稳定性和安全性。Q 系统分类是一种用于确定岩石隧道支撑系统的技术。问题在于无法获得支撑系统所需的所有参数。另一方面，这种访问非常昂贵且耗时。因此，不可能在所有情况下确定 Q 值。本文使用 SPSS 程序确定 Q 系统中最有影响力的参数。然后，采用多元回归 (MVR) 和遗传算法 (GA) 方法，提出了一种使用三个有影响的参数预测 Q 值的关系。为此，使用了 140 个实验数据。为了评估获得的模型，使用了 34 个不在原始数据集中的新实验数据。本文的创新之处在于不再使用六个参数，而是使用对 Q 值影响最大的三个参数来确定 Q 值。在本研究中，MVR 模型（训练数据的 RMSE = 2.68、相关系数 = 0.81，测试数据的 RMSE = 2.55、相关系数 = 0.80）表现优于 GA 模型（训练数据的 RMSE = 2.90、相关系数 = 0.82，测试数据的 RMSE = 2.61、相关系数 = 0.84）。关键词：遗传算法、影响参数、多变量回归、Q 系统、隧道支护。1. 引言如今，地下空间在发达国家和发展中国家的使用越来越多。地面空间的限制、核电站的建设以及弹药和武器库的建设使得利用地下空间和设计隧道成为必然。
卷∙17∙编号∙4∙2024 页码∙1423 描述性...
摘要 本研究旨在调查 CBCT 分析和 DNA 甲基化测量通过同一颗拔除牙齿估计人类年龄的潜力。对印度尼西亚帕查贾兰大学牙科医院的三颗拔除的下颌前磨牙进行了横断面方法的描述性研究设计。使用 ITK-SNAP 测量牙髓和牙齿体积进行 CBCT 分析，并使用组内相关系数 (ICC) 进行可靠性测试。同时，使用焦磷酸测序分析对 ELOVL2 基因进行 DNA 甲基化测量。使用平均绝对误差 (MAE) 和均方根误差 (RMSE) 量化每个样本的估计年龄和实际年龄之间的差异。在 CBCT 分析中，MAE 范围为 0.44 至 3.97 岁，RMSE 范围为 0.52 至 4.01 岁。至于 DNA 分析，MAE 为 1.37 岁，RMSE 为 1.67 岁。 CBCT 分析和 DNA 甲基化测量均已证明能够根据同一颗拔除的牙齿估计人类年龄。在这项初步研究中，基于牙髓-牙齿体积比的 CBCT 分析估计的人类年龄比 DNA 甲基化水平测量更接近实际年龄。
使用不同的机器学习算法研究低成本空气质量监测模型
摘要。为了提高空气质量监测的校准模型的性能，提出了基于不同机器学习算法的低成本多参数空气质量监测系统（LCS）。LCS可以测量颗粒物（PM 2。5和PM 10）以及同时的气体策略（SO 2，NO 2，CO和O 3）。基于传感器的原始信号，环境温度（T）和相对湿度（RH）以及参考仪器的测量值，开发了多输入多输出（MIMO）预测模型。比较和讨论不同算法（RF，MLR，KNN，BP，GA – BP）的性能，例如确定系数r 2，根平方误差（RMSE）和平均绝对误差（MAE）。使用这些方法，PM的算法（RF，MLR，KNN，BP，GA – BP）的R 2在0.68–0.99范围内； PM 2的RMSE值。5和PM 10分别在2.36–18.68和4.55–45.05 µg m -3之内； PM 2的MAE值。5和PM 10分别在1.44–12.80和3.21–23.20 µg m -3之内。对于气体污染物（O 3，CO和NO 2）的算法rit-rithm的r 2（RF，MLR，KNN，BP，GA – BP）在0.70-0.99之内；这些污染物的RMSE值分别为4.05–17.79 µg m -3，0.02-0.18 mg m -3，2.88–14.54 µg m -3；这些污染物的MAE值分别为2.76–13.46 µg m -3，0.02-0.19 mg m -3，1.84–1.84–11.08 µg m -3。SO 2的算法（RF，KNN，BP，GA – BP，除MLR）的R 2在0.27–0.97之内，RMSE值在0.64–5.37 µg m -3范围内，MAE值在0.39-4.24 µg m -m -m - -− -− -− -− - - 3中。这些测量与中国的国家环境保护标准需求一致，以及基于LCS的
使用先进的机器学习和合奏方法
摘要 - 这项研究采用一系列机器学习模型来预测摩洛哥的原油价格，包括线性回归，随机森林，支持向量回归（SVR），XGBoost，Arima，先知，先知和梯度提升。在其中，SVR以1.414的RMSE证明了最高精度。此外，评估了Arima和先知模型，分别产生2.46和1.41的RMS。合并模型结合了所有单个模型的预测，其RMSE为2.144，表明性能稳健。2024-2027的预测显示，原油价格的趋势上涨，SVR模型预测2027年的MAD 21.91，而整体模型预测14.47 MAD。这些发现强调了集合学习和先进的机器学习技术在产生可靠的经济预测中的有效性，为能源领域的利益相关者提供了宝贵的见解。
是一种性别偏见的减少数据驱动的精确医学系统，可帮助选择3级和4级膝关节骨关节炎
该模型的测试RMSE为6.72，MAE为5.38，反映了整个患者队列的中等预测精度。性别分层显示实际和预测的OKS改进之间没有统计学上的显着差异（p值：男性= 0.93，女性= 0.92）。对于适合TKR的患者子集，该模型的RMSE增加了9.77，MAE为7.81，表明该组的准确性降低。决策树分析确定术前的OKS，放射学等级和性别是治疗后结果的重要预测指标，术前OKS是最关键的决定因素。术前OKS患者根据放射学严重程度和性别显示出不同的反应，这表明这些因素在确定治疗疗效方面存在细微的相互作用。
使用机器学习算法预测住宅物业价格
摘要。住宅房地产价格预测对于评估市场价值并确定价格过高或定价不足至关重要。这项研究研究了各种机器学习算法的性能，包括决策树（DT），Random Forest（RF）和多层Perceptron（MLP），以预测住宅物业价格。该研究执行探索性数据分析和主要成分分析（PCA），以降低变量的维度，并提取马来西亚吉隆坡梯田房价的最有用的变量。一个公开可用的数据集用于培训和测试算法，在预处理过程后的比例为70:30。性能指标，例如Kappa统计，R -Squared，平均绝对误差（MAE），平均绝对百分比误差（MAPE）和根平方误差（RMSE）来评估算法。结果表明，RF的表现优于DT和MLP，获得85.82％的最高精度得分，最高的KAPPA统计数据为0.8307。研究还发现，RF算法的预测数据与火车集可靠。进行探索性数据分析和PCA后，RF-PCA证明了住宅物业价格预测的最佳性能，与DT-PCA和MLP-PCA相比，MAE（0.6091），MAPE（19.23％）和RMSE（1.066）的R平方值为0.7497，MAE（0.6091），MAPE（19.23％）和RMSE（1.066）。