XiaoMi-AI文件搜索系统
World File Search Systemutput
评估机器学习和深度学习模型，以根据环境因素预测风力涡轮机的功率输出
本研究对机器学习 (ML) 和深度学习 (DL) 模型进行了全面的比较分析，这些模型用于根据温度、湿度、风速和风向等环境变量预测风力涡轮机 (WT) 的功率输出。除了人工神经网络 (ANN)、长短期记忆 (LSTM)、循环神经网络 (RNN) 和卷积神经网络 (CNN) 外，还研究了以下 ML 模型：线性回归 (LR)、支持向量回归器 (SVR)、随机森林 (RF)、额外树 (ET)、自适应增强 (AdaBoost)、分类增强 (CatBoost)、极端梯度增强 (XGBoost) 和轻梯度增强机 (LightGBM)。使用 40,000 个观测值的数据集，根据 R 平方、平均绝对误差 (MAE) 和均方根误差 (RMSE) 对模型进行了评估。在 ML 模型中，ET 的性能最高，R 平方值为 0.7231，RMSE 为 0.1512。在 DL 模型中，ANN 的性能最佳，R 平方值为 0.7248，RMSE 为 0.1516。结果表明，DL 模型（尤其是 ANN）的表现略优于最佳 ML 模型。这意味着它们更擅长对多变量数据中的非线性依赖关系进行建模。预处理技术（包括特征缩放和参数调整）通过增强数据一致性和优化超参数来提高模型性能。与之前的基准相比，ANN 和 ET 的性能均表明 WT 功率输出预测的预测准确度有显著提高。这项研究的新颖之处在于直接比较了各种 ML 和 DL 算法，同时强调了先进计算方法在可再生能源优化方面的潜力。
盲目的高光谱和多光谱图像融合
光谱图像融合结合了低空间分辨率高光谱（HS）和低光谱 - 分辨率多光谱（MS）图像，以估计高分辨率（HR）光谱图像。尽管基于监督深度学习的最新融合技术显示出令人鼓舞的结果，但这些方法需要大量的培训数据集，涉及昂贵的获取成本和较长的培训时间。相比之下，基于深图像先验（DIP）方法的无监督的HS和MS图像融合为具有不同分布的图像的适应性提供了适应性。但是，现有的无监督方法依赖于线性降解模型的假设，并且需要对这些模型的精确知识才能获得最佳性能。为了克服这些挑战，我们提出了无监督的盲人HS和MS图像融合的中间输出深图像先验（MODIP）。Modip基于DIP模型，并在网络中的中间层产生融合图像。该体系结构包括两个高尺度的卷积发生器，它们从HS和MS输入中重建了HR光谱图像，以及两个网络，这些网络适当地降低了估计的HR图像，以匹配可用的MS和HS数据集，从而学习非线性降解模型。MODIP的网络参数是通过最小化所提出的复合损耗函数的共同和迭代调整的。重要的是，这种方法可以处理降解操作员未知或部分估计的方案。广泛的模拟表明，MODIP的表现优于其他基于模型的图像融合方法。为了评估MODIP的性能，我们在两个模拟光谱图像数据集（Pavia University和Salinas Valley）上测试了Fusion方法，以及通过光学实验室中的测试台实现获得的真实数据集。
了解莫桑比克的农业产出
摘要：本文通过利用先进的遥感技术并借鉴了成功的农业发展示例，对莫桑比克的农业土地覆盖范围进行了全面分析，以提出莫桑比克的战略途径。研究利用了Sentinel-2卫星图像，再加上机器学习算法，以准确地绘制和评估该国的农业土地，表明农业仅占莫桑比克土地面积的12％。通过检查某些国家所经历的农业转型或“绿色革命”，可以提炼规律和必要条件，然后将其与莫桑比克的抗议者进行比较。这项研究不仅提供了一个模型，该模型是遥感等新兴技术如何为农业状况提供依据，还提供了重要的见解，以了解混凝土瓶颈可能会阻止莫桑比克的农业发展。
强化学习基于通用干扰的非线性系统的输出稳定控制
摘要 - 本文提出了一种新的干扰观察者（DO）基于无线性干扰的非线性系统的基于基于（RL）的控制方法。虽然非线性干扰观察者（NDO）用于测量植物的不确定性，但植物中可能通过与控制信号的障碍存在障碍；从理论上讲，所谓的不匹配的障碍很难在系统状态的渠道内衰减。通过消除输出通道的不确定性影响来解决不确定性取消问题，以解决不确定性取消问题。con-目前，通过求解与补偿系统有关的理想价值函数的综合参与者RL方案，通过求解与补偿系统有关的理想价值函数，以求解汉密尔顿 - 贾科比·贝尔曼（HJB）方程的在线和同时进行流量。稳定性分析验证了所提出的框架的收敛性。仿真结果以说明拟议方案的有效性。
一种基于强化学习的方法，用于在不匹配干扰的不确定的非线性系统中进行最佳输出跟踪
摘要 - 在本文中，考虑了非线性非线性系统的最佳控制问题。提出了一个非线性干扰观察者（NDO）来测量系统中存在的不存在的不存在。干扰与控制信号（所谓的不匹配的干扰）的干扰很难直接在控制通道内拒绝。为了克服挑战，通过衰减其对输出渠道的影响，实施了广义的基于观察者的补偿器来解决不确定性补偿问题。实时通过增加输出跟踪错误来增强系统状态，我们开发了一个复合参与者批判性的加固学习（RL）方案，以近似最佳控制策略以及与赔偿系统有关的理想价值函数，通过求解汉密尔顿 - 雅各布蒂 - 雅各布 - 雅各布·贝尔曼（HJB）方程。通过使用系统的已知模型的记录数据在本文中应用，以通过取消探测信号的影响来增强系统的鲁棒性。仿真结果证明了所提出的方案的有效性，为二阶模型中的输出跟踪问题提供了最佳解决方案，这是不匹配的干扰。
采用航天级塑料封装的 OPA4H199-SP 40V、QML P 类、抗辐射 (RHA)、轨到轨输入和输出、低失调电压、低噪声运算放大器数据表
• QML P 类抗辐射性能保证 (QMLP-RHA) 等级 • 采用小型 SOT-23 封装 • 辐射性能： – 单粒子闩锁 (SEL) 免疫 65MeV-cm 2 /mg – 总电离剂量 (TID) 抗辐射性能保证 (RHA) 高达 100krad (Si) • 支持国防、航空航天和医疗应用 – 单一受控基线 – 一个制造、装配和测试站点 – 金线 – NiPdAu 引线表面涂层 – 可在军用 (-55°C 至 125°C) 温度范围内使用 – 延长产品生命周期 – 产品可追溯性 – 增强型塑封材料，降低排气量 • 低失调电压：±125µV • 低噪声：1kHz 时为 10.8nV/√Hz • 高共模抑制：130dB • 低偏置电流：±10pA • 轨到轨输入和输出 • 宽带宽：4.5MHz GBW • 高压摆率：21V/µs • 高电容负载驱动：1nF • 多路复用器友好型/比较器输入 • 低静态电流：每个放大器 560µA • 宽电源电压：±1.35V 至 ±20V，2.7V 至 40V • 强大的 EMIRR 性能：输入和电源引脚上的 EMI/RFI 滤波器
掩护有关输出和结果指标的注释
此外，在报告时，需要一个共同的测量单位，以允许在通过输出指示器的干预类型下使用不同单位测量的汇总输出。例如，如果MS使用单位每LU（而不是按操作）使用单位金额，则根据O.20（农场生产性投资）进行投资，O.21（O.21（OM-FARM非生产性投资），O.22（基础设施投资）（基础设施投资）（基础设施投资），O.23（O.23）（非生产投资）（不再生产投资），以确定54（OFRARPARTISTIONS）（OFRANT INDER INDER INDER INDER INDER INDER INDER INDER INDER INDER INDER INDER INDER INDER INDER INDER INDER INDER INDERSSISTIONS MSS MESS MESS MSS MSS MESS）支持的总数数量，因此可以监控涵盖所有支持投资的欧盟数字。附件II中包括这些常用测量单位的公共测量单位和输出指标。
掩护有关输出和结果指标的注释
此外，在报告时，需要一个共同的测量单位，以允许在通过输出指示器的干预类型下使用不同单位测量的汇总输出。例如，如果MS使用单位每LU（而不是按操作）使用单位金额，则根据O.20（农场生产性投资）进行投资，O.21（O.21（OM-FARM非生产性投资），O.22（基础设施投资）（基础设施投资）（基础设施投资），O.23（O.23）（非生产投资）（不再生产投资），以确定54（OFRARPARTISTIONS）（OFRANT INDER INDER INDER INDER INDER INDER INDER INDER INDER INDER INDER INDER INDER INDER INDER INDER INDER INDER INDERSSISTIONS MSS MESS MESS MSS MSS MESS）支持的总数数量，因此可以监控涵盖所有支持投资的欧盟数字。附件II中包括这些常用测量单位的公共测量单位和输出指标。
果蝇表皮细胞本质上是机械敏感的，调节伤害性行为输出
。cc-by 4.0国际许可（未经Peer Review尚未获得认证）是作者/资助者，他已授予Biorxiv的许可证，以永久显示预印本。这是该版本的版权持有人，该版本发布于2025年1月7日。 https://doi.org/10.1101/2022.10.07.511265 doi：Biorxiv Preprint