XiaoMi-AI文件搜索系统
World File Search Systemrmse
从便携式脑电图耳机解码效价和唤醒的神经特征
近年来，使用脑电图 (EEG) 数据和机器学习技术进行情绪分类的现象日益增多。然而，过去的研究使用的是医疗级 EEG 设置的数据，这些设置时间较长，且环境受限。本文重点介绍使用各种特征提取、特征选择和机器学习技术在效价-唤醒平面上对情绪进行分类。我们评估了不同的特征提取和选择技术，并提出了用于情绪识别的最佳特征和电极集。OASIS 图像数据集中的图像用于引发效价和唤醒情绪，并使用 Emotiv Epoc X 移动 EEG 耳机记录 EEG 数据。分析是在公开可用的数据集上进行的：DEAP 和 DREAMER 用于基准测试。我们提出了一种新颖的特征排名技术和增量学习方法来分析性能对参与者数量的依赖性。进行了留一交叉验证，以识别情绪引发模式中的受试者偏见。计算了不同电极位置的重要性，可用于设计用于情绪识别的耳机。收集的数据集和管道也已发布。我们的研究在 DREAMER 上取得了 0.905 的均方根得分 (RMSE)，在 DEAP 上取得了 1.902 的均方根得分 (RMSE)，在我们的价标签数据集上取得了 2.728 的均方根得分，在 DREAMER 上取得了 0.749 的得分，在 DEAP 上取得了 1.769 的得分，在我们提出的唤醒标签数据集上取得了 2.3 的得分。
从便携式脑电图耳机解码效价和唤醒的神经特征
近年来，使用脑电图 (EEG) 数据和机器学习技术进行情绪分类的现象日益增多。然而，过去的研究使用的是医疗级 EEG 设置的数据，这些设置时间较长，且环境受限。本文重点介绍使用各种特征提取、特征选择和机器学习技术在效价-唤醒平面上对情绪进行分类。我们评估了不同的特征提取和选择技术，并提出了用于情绪识别的最佳特征和电极集。OASIS 图像数据集中的图像用于引发效价和唤醒情绪，并使用 Emotiv Epoc X 移动 EEG 耳机记录 EEG 数据。分析是在公开可用的数据集上进行的：DEAP 和 DREAMER 用于基准测试。我们提出了一种新颖的特征排名技术和增量学习方法来分析性能对参与者数量的依赖性。进行了留一交叉验证，以识别情绪引发模式中的受试者偏见。计算了不同电极位置的重要性，可用于设计用于情绪识别的耳机。收集的数据集和管道也已发布。我们的研究在 DREAMER 上取得了 0.905 的均方根得分 (RMSE)，在 DEAP 上取得了 1.902 的均方根得分 (RMSE)，在我们的数据集上取得了 2.728 的价标签得分，在 DREAMER 上取得了 0.749 的得分，在 DEAP 上取得了 1.769 的得分，在我们提出的数据集上取得了 2.3 的唤醒标签得分。
估计马拉维·爱德华·米森乔 *的桉树camaldulensis的地面生物量的异态方程
估算马拉维爱德华·米西乔（Edward Missanjo） *的桉树菌（Eucalyptus camaldulensis）的地面生物量的异形方程式，礼物kamanga-thole和戴维·邦翁韦·马拉维林业学院和野生动物学院，私人包6，Dedza，Dedza，Malawi，Malawi，Malawi [EM，GKT，DB]。[*对于通讯：电子邮件：edward.em2@gmail.com]摘要对碳库存的精确估计在很大程度上取决于用于估计树木生物量的异量方程的可用性和充分性。进行了一项研究，以使用破坏性抽样方法来开发马拉维桉树桉树菌的地面生物量2-5岁和6-10岁。Katete森林种植园。随机选择了2-5岁和6-10岁年龄段的84棵和78棵单独的树木。树，以确保产生的模型可以反映森林中直径级别的变化。在回归分析中，在乳房高度（DBH）和高度上涉及直径和高度的各种预测因素，R 2调整后，RMSE和Furnival的拟合指数（FI）用于模型比较。所有模型在地面生物量和预测因子（r 2> .870）之间均表现出强大且高度显着（P <.001）。dbh比高度更好地预测生物量。桉树菌的最佳地面生物量为：AGB = 0.284（DBH）2.085（R 2 = 96.8％; RMSE = 0.192; fi = 0.19; fi = 0.19）和AGB = 0.009（DBH）3.638（DBH）3.638（r 2 = 97.3％; rmse = 97.3％；分别为2 - 5年和6 - 10年。在本研究中比较现场特定模型与桉树生物量估计的广义模型显着（p <.001）有所不同。广义模型低估了上述生物量，并且具有较高的相对不确定性。这表明需要使用特定于位置的方程，以准确估算桉树的地面生物量。关键字：碳，Furnival的索引，不确定性，模型。引言森林生态系统中的碳循环是一个非常重要的话题，大气CO 2浓度，全球气候变化（Litton and Kauffman，2008年）。树木充当主要的Co 2水槽，从大气中捕获碳并充当下沉，在生长过程中以固定生物量的形式存储相同的碳。随着树木的生长且生物量的增加，它们吸收
使用DART
摘要：城市环境的微气候条件影响着人类的热舒适性。热舒适的主要人类生物气象学参数之一是平均辐射温度（TMRT），它可以量化有效的辐射液到达人体的有效辐射流。模拟工具已被证明可用于分析城市空间的辐射行为及其对居民的影响。我们提出了一种新方法，使用3-D离散各向异性辐射转移模型（DART）进行TMRT空间分布的详细建模。我们的方法能够在不同的尺度和一系列参数下模拟TMRT，包括城市图案，地面材料，墙壁，屋顶和植被的特性（覆盖，形状，光谱，频谱，叶片区域索引和叶子面积密度）。在（1）短波和长波域中的辐射的细节处理中，（（2）城市表面材料和植被的光学特性的详细规范，（3）植被组件的精确表示，以及（4）从多个输入中衍生出的远程分配的能力。我们说明并提供对新加坡方法的第一次评估，这是一个具有强大城市热岛效应（UHI）的热带城市，并寻求增强户外热舒适。在10:00至19:00的一段时间内，在我们的研究地点，在我们的研究地点中，模拟和场估计的TMRT之间的比较在我们的研究地点显示出良好的一致性（r 2 = 0.9697，RMSE，RMSE = 3.3249）。使用3-D辐射转移模型显示出有望研究城市微气候和室外热舒适的有希望的能力，并增加了景观细节，并建立与遥感数据的联系。我们的方法论与适当的工具结合使用，有助于优化气候敏感的城市设计。
根据...预测土壤有机质和土壤水分含量
适当的土壤管理可以维持和改善整个生态系统的健康。适当的土壤管理需要对其特性进行适当的表征，包括土壤有机质 (SOM) 和土壤水分含量 (SMC)。与传统方法相比，基于图像的土壤表征显示出强大的潜力。本研究比较了 22 种不同的监督回归和机器学习算法的性能，包括支持向量机 (SVM)、高斯过程回归 (GPR) 模型、树集合和人工神经网络 (ANN)，在实验室环境下用数码相机拍摄的土壤图像中预测 SOM 和 SMC。共提取了 22 个图像参数，并分两步用作模型中的预测变量。首先使用所有 22 个提取的特征开发模型，然后使用 SOM 和 SMC 的六个最佳特征子集。饱和度指数（红色指数）是 SOM 预测的最重要变量，对比度（中位数 S）是 SMC 预测的最重要变量。颜色和纹理参数与 SOM 和 SMC 都表现出高度相关性。结果显示，对于使用六个预测变量的验证数据集，图像参数与实验室测量的 SOM（使用立体派的 R 2 和均方根误差 (RMSE) 分别为 0.74 和 9.80%）和 SMC（使用随机森林的 R 2 和 RMSE 分别为 0.86 和 8.79%）之间存在令人满意的一致性。总体而言，GPR 模型和树模型（立体派、RF 和增强树）最能捕捉和解释本研究中 SOM、SMC 和图像参数之间的非线性关系。
能量
电荷状态（SOC）估计对于电动汽车（EV）的安全有效运行至关重要。这项工作提出了一个混合多层深神经网络（HMDNN）基于EV中的SOC估计方法。此HMDNN使用山瞪羚优化器（MGO）作为深神经网络的培训算法。我们的方法利用了EV电池的SOC与电压/当前测量值之间的固有关系，以实时准确估算SOC。我们在现实世界中电动汽车充电数据的大量数据集上评估了我们的方法，并与传统的SOC估计方法相比证明了其有效性。采用了四种不同的电动汽车电池数据集，这些电动汽车是动态压力测试（DST），北京动态压力测试（BJDST），联邦城市驾驶时间表（FUD）和高速公路驾驶时间表（US06），其温度不同的0 O C，25 O C，45 O C，45 O C，45 O C。比较是用基于Mayfly优化算法的DNN，基于粒子群优化的DNN和基于后传播的DNN进行的。所使用的评估指标是归一化的均方误差（NMSE），均方根误差（RMSE），平均绝对误差（MAE）和相对误差（RE）。所提出的算法在所有数据集中平均达到0.1％NMSE和0.3％的RMSE，这验证了所提出模型的有效性能。结果表明，与现有方法相比，提出的基于神经网络的方法可以实现更高的准确性和更快的收敛性。这可以实现更有效的EV操作并改善电池寿命。
使用热带雨林中的机载激光雷达数据评估陆地激光扫描仪和测高仪对树木高度和地上生物量的不确定性
森林地上生物量 (AGB)。传统上，树高由测高仪测量，该测高仪广泛用于验证地面激光扫描仪 (TLS) 和机载激光雷达 (ALS)。然而，与 TLS 和 ALS 相比，测高仪的测量结果存在很大的不确定性。与高度测量相关的误差会传递到 AGB 估计模型中，并最终降低估计的 AGB 和随后的碳储量的准确性。在本文中，我们测试了在热带低地雨林中使用测高仪、TLS 和 ALS 来测量高度 (H) 和胸高 (DBH)，并以机载激光雷达为基准，在高度测量中具有高精度和保真度。结果表明，当使用机载 LiDAR 作为基准来验证实地测量和 TLS 时，测高仪测量的实地高度低估了树高，均方根误差 (RMSE) 为 3.11，而 TLS 低估了树高，RMSE 为 1.61。由于高度测量结果存在显著差异，AGB 和碳储量也存在显著差异，实地测量值为 146.33 和 68.77 Mg，TLS 值为 170.86 和 80.31 Mg，机载 LiDAR 值为 179.85 和 84.53 Mg。以机载激光雷达测量结果为最准确，实地测量的地上生物量和碳储量占机载激光雷达总地上生物量和碳储量估计值的85.55%。同时，TLS测量结果反映了以机载激光雷达数据为基准的95.02%的地上生物量和碳储量。结果表明，与小树相比，大树的高度测量存在巨大的不确定性，差异显著。结论是，地上生物量和碳储量对各种测量树高方法得出的高度测量误差很敏感，树木的大小也是如此。
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。
百里香糖和葡萄糖的最小抑制浓度
自锂离子电池的进步以来，已经大大提高了电池性能，降低成本和能量密度。这些进步加速了电动汽车（EV）的开发。电动汽车的安全性和有效性取决于对锂离子电池健康状况（SOH）的准确测量和预测；但是，这个过程尚不确定。在这项研究中，我们的主要目标是通过减少充电状态（SOC）估计和测量的不确定性来提高SOH估计的准确性。为了实现这一目标，我们提出了一种新型方法，该方法利用基于级的优化器（GBO）评估锂电池的SOH。GBO最小化的成本是为了选择最佳的候选者，以通过mem-ory fading遗忘因素更新SOH。我们评估了我们的方法针对四种鲁棒算法，即颗粒群优化最高方形支持矢量回归（PSO-LSSV），BCRLS-MULTIPEPIPPY加权双重加长扩展Kalman滤波（BCRLS-MWDEKF），总平方（TLS），以及近似加权的总载体（AWTLS）（awtles and ever and Square）（HEF）（ev）ev）（EV）。我们的方法始终优于替代方案，而GBO达到了最低的最大误差。在EV方案中，GBO的最大错误范围从0.65％到1.57％，平均误差范围从0.21％到0.57％。同样，在HEV场景中，GBO的最大错误范围从0.81％到3.21％，平均误差范围从0.39％到1.03％。此外，我们的方法还展示了出色的预测性能，均方根误差（MSE）的值较低（<1.8130e-04），根平方误差（RMSE）（RMSE）（<1.35％）和平均绝对百分比误差（MAPE）（MAPE）（MAPE）（<1.4）（<1.4）。
使用改进的 WEEC 通用模型通过电池存储缓解光伏电源间歇性
摘要：光伏和风能系统等可再生能源越来越多地融入电网，这凸显了对可靠控制机制的需求，以缓解这些能源固有的间歇性。据巴西电网运营商 (ONS) 称，近年来可再生能源分布式系统 (RED) 出现了连锁断开现象，凸显了对稳健控制模型的需求。本文通过使用 WECC 通用模型验证光伏电站与电池储能系统 (BESS) 相结合的有功功率上升率控制 (PRRC) 函数来解决这一问题。所提出的模型在一段较长的分析期内经过了严格的验证，使用均方根误差 (RMSE) 和 R 平方 (R 2 ) 指标对连接点 (POI) 注入的有功功率、光伏有功功率和 BESS 充电状态 (SOC) 显示出良好的准确性，为中长期分析提供了宝贵的见解。爬升率控制模块在工厂功率控制器 (PPC) 中实现，利用西部电力协调委员会 (WECC) 开发的第二代可再生能源系统 (RES) 模型作为基础框架。我们使用 Anatem 软件进行了模拟，将结果与以 100 毫秒到 1000 毫秒为间隔从巴西配备 BESS 的光伏电站收集的实际数据进行了比较。所提出的模型经过了长期的严格验证，所呈现的结果基于两天的测量。用于表示此控制的正序模型表现出良好的准确性，这由均方根误差 (RMSE) 和 R 平方 (R 2 ) 等指标证实。此外，本文强调了在计算爬升率时准确考虑功率采样率的关键作用。