XiaoMi-AI文件搜索系统
World File Search System于贝
基于贝叶斯网络的故障风险分析量子程序
1 简介高效的配电网是当今现代社会的重要组成部分。因此，电网不仅要可靠，还必须具有弹性。因此，对此类系统进行建模以减轻可能发生的故障和停电是一个重要的研究领域 [1]。弹性规划始于可靠性分析。正式地，我们将系统的可靠性定义为该系统在固定条件和指定时间段内运行或执行某种功能的概率。在本研究中，我们将变电站视为配电网的最重要组成部分之一，并且我们知道这些网络中的单元元件故障组合可能导致严重的负载损失。因此，计算最可能的故障模式或涉及较少单个元件的故障模式有助于规划预防性维护 [2]。使用老化模型结合来自元件本身传感器的数据，我们可以计算出配电网中给定元件发生故障的概率。在本研究中，我们根据变电站各个部件（变压器、母线、开关、线路以及保护系统本身）的联合故障概率来计算变电站继续运行的概率。为了处理这种类型的条件概率，我们使用了此类研究中常用的贝叶斯网络模型 [3]。这些模型的困难之处在于它们的高计算复杂度。随着问题规模的增加（在贝叶斯网络的情况下，这以建模问题所需的节点和弧的数量来衡量），经典算法解决这些贝叶斯网络模型所需的时间和计算内存呈指数增长，直到它们的分辨率变得不可行的点 [4]。在这方面，值得注意的是，基于门的量子计算机有望帮助解决量子化学 [5] [6] [7]、机器学习 [8] [9]、金融模拟 [10] [11] [12] [13] 和组合优化应用 [14] [15] 中的问题。正如 Preskill [16] 所预测的那样，具有超过 100 个量子比特的噪声中型量子 (NISQ) 计算机现在已成为现实，并且可能能够执行超越当今经典数字计算机能力的任务，但量子门中的噪声限制了可以可靠执行的量子电路的大小。为了获得这项技术的所有优势，我们将需要更精确的量子门，并最终实现完全容错的量子计算。在本文中，我们评估了这项技术是否也能够帮助进行弹性和故障风险分析。在这一点上，我们可以强调这项工作的主要贡献：• 我们定义了一种新的受限量子贝叶斯网络 (RQBN) 程序，用于对复杂系统的可靠性进行建模。 • 我们评估了该程序执行可靠性分析的可行性，通过调整单个量子电路执行中的镜头数，获得与经典蒙特卡罗方法相同的精度。 • 我们测试了真实量子计算机噪声对模型中元素的影响。 本文提出了一种用于电力配电系统中故障概率传播的量子建模的一般应用程序，以及一种用于计算该模型的程序。 贝叶斯网络以贝叶斯网络为例对几个电力配电系统（特别是典型的变电站和保护系统）进行了建模。 使用经典算法和量子算法计算变电站的故障模式。 我们使用 pomegranate（一个能够实现概率模型的 Python 库）以经典方式解决贝叶斯网络 [17]。 然后，我们考虑使用 Qiskit [18] 在量子领域对贝叶斯网络进行建模和求解，
基于贝叶斯的高功率白色LED的寿命预测
©2021。此手稿版本可在CC-BY-NC-ND 4.0许可下提供https://creativecommons.org/licenses/by-nc-nc-nd/4.0/
MindGomoku：基于贝叶斯深度学习的在线 P300 BCI 游戏
摘要：脑机接口（BCI）技术除了有助于开发残疾人辅助产品外，还可以成为全民娱乐的一种方式。然而，大多数BCI游戏由于控制性能差或容易引起疲劳而无法广泛推广。本文提出了一款P300脑机接口游戏（MindGomoku），探索一种在实际环境中利用脑电图（EEG）信号进行游戏的可行且自然的方式。这项研究的新颖之处在于在设计BCI游戏和范例时融合了游戏规则和BCI系统的特点。此外，引入了一种简化的贝叶斯卷积神经网络（SBCNN）算法，以在有限的训练样本上实现高精度。为了证明所提算法和系统控制的可靠性，选择了10名受试者参加两次在线控制实验。实验结果表明，所有受试者均成功完成游戏控制，平均准确率为90.7%，并且平均玩MindGomoku超过11分钟。这些发现充分证明了所提系统的稳定性和有效性。该BCI系统不仅为用户（特别是残疾人）提供了一种娱乐形式，还为游戏提供了更多可能性。
用于贝叶斯认识论证据评估的人工智能方法
1.Rajkomar A、Oren E、Chen K 等人。利用电子健康记录进行可扩展且准确的深度学习。npj 数字医学。2018；1(1):1 – 10。https://doi.org/10.1038/s41746-018-0029-1。2.Paydar S、Pourahmad S、Azad M 等人。利用人工神经网络建立甲状腺结节恶性风险预测模型。《中东癌症杂志》。2016；7(1):47-52。3.Amato F、López A、Peña-Méndez EM、Va ň hara P、Hampl A、Havel J.医学诊断中的人工神经网络。J Appl Biomed。2013； 11(2):47-58。 https://doi.org/10.2478/v10136-012-0031-x。4.莫赫塔尔 AM.未来医院：业务架构视图。马来医学科学杂志。2017；24(5):1-6。 https://doi.org/10.21315/mjms2017.24.5.1。5.Liu X、Faes L、Kale AU 等人。深度学习与医疗保健专业人员在医学影像检测疾病方面的表现比较：系统评价和荟萃分析。柳叶刀数字健康。2019；1(6):e271-e297。https://doi.org/10.1016/s2589-7500 (19)30123-2。6.Nagendran M、Chen Y、Lovejoy CA 等人。人工智能与临床医生：深度学习研究的设计、报告标准和主张的系统回顾。英国医学杂志。2020；368：m689。https://doi.org/10.1136/bmj.m689。7.Panch T、Pearson-Stuttard J、Greaves F、Atun R. 人工智能：公共健康的机遇和风险。柳叶刀数字健康。2019；1 (1):e13-e14。https://doi.org/10.1016/s2589-7500(19)30002-0。8.Landes J、Osimani B、Poellinger R. 药理学中的因果推理的认识论。欧洲哲学杂志。2018；8(1):3-49。 https://doi.org/10。1007/s13194-017-0169-1。9.Abdin AY、Auker-Howlett D、Landes J、Mulla G、Jacob J、Osimani B.审查机械证据评估者 E-synthesis 和 EBM +：阿莫西林和药物反应伴有嗜酸性粒细胞增多和全身症状 (DRESS) 的案例研究。当前药学设计。2019；25（16）：1866-1880。https://doi.org/10.2174/1381612825666190628160603。10.De Pretis F，Osimani B.药物警戒计算方法的新见解：E-synthesis，一种用于因果评估的贝叶斯框架。国际环境研究公共卫生杂志。11.2019;16(12):1 – 19。https://doi.org/10.3390/ijerph16122221。De Pretis F、Landes J、Osimani B。E-synthesis：药物监测中因果关系评估的贝叶斯框架。Front Pharmacol 。2019；10：1-20。https://doi.org/10.3389/fphar.2019.01317。12。De Pretis F、Peden W、Landes J、Osimani B。药物警戒作为个性化证据。收录于：Beneduce C、Bertolaso M 编辑。个性化医疗正在形成。从生物学到医疗保健的哲学视角。瑞士 Cham：Springer；2021:19 即将出版。13.那不勒斯 RE。学习贝叶斯网络。Prentice Hall 人工智能系列。新泽西州 Upper Saddle River：Pearson Prentice Hall；2004 年。14.Hill AB。环境与疾病：关联还是因果关系？J R Soc Med。2015;108(1):32-37。本文首次发表于 JRSM 第 58 卷第 5 期，1965 年 5 月。https://doi.org/10.1177/ 0141076814562718。15.Mercuri M、Baigrie B、Upshur RE。从证据到建议：GRADE 能帮我们实现目标吗？J Eval Clin Pract 。2018;24(5):1232- 1239。https://doi.org/10.1111/jep.12857。
工业 4.0 时代基于贝叶斯的制造绩效指标预测分析
本文档根据知识共享署名-相同方式共享 4.0 国际许可证 (CC BY-SA 4.0) 进行授权：https://creativecommons.org/licenses/by-sa/4.0/deed.en
anchoredDistr：一个用于贝叶斯反演的包……
摘要锚定分布的方法（MAD）是一种贝叶斯反转的方法点值）和全局属性（例如使用多类型和多尺度数据的空间异质领域的平均值和变量图参数）。MAD的软件实现存在于C ++和C＃中以导入数据，执行远期模型模拟的集合，并对给定应用程序进行计算可能性和后验分布的基本后处理。本文介绍了已构建的r套件锚定distr，该锚定为为此方法提供基于R的环境。尤其是，AnchoredDistr利用统计功能和广泛使用R语言，为MAD软件提供了一系列后处理功能。提供了两个随机水文地质学的示例，以突出显示MAD应用程序的包装功能，以推断本地参数的锚定分布（例如透射率的点值）以及全局参数（例如液压电导率的空间随机函数的平均值）。