XiaoMi-AI文件搜索系统
World File Search System估计参数
数字孪生、模型和参数估计简介
报告介绍了建筑环境中的数字孪生概念。报告指出，数据和以这些数据为基础的模型对于构建数字孪生至关重要。根据建模方法，模型分为白盒、灰盒和黑盒模型，根据建模问题，分为正向和反向模型。报告解释了这些模型中的每一个，以阐明如何根据可用数据和要实现的目标类型选择模型。目标可以是性能预测、参数估计、控制、优化和故障检测和诊断。报告的下一部分简要介绍了参数估计模型。参数估计模型本质上是灰盒模型。它们在做出改造决策时很有用，因为它们有助于描述现有房屋的特征，并检查拟议改造方案的有效性。报告阐明了数据选择和热网络配置选择如何影响估计参数。它还进一步解释了为什么需要详细测量来验证参数估计模型。报告的最后一部分简要描述了行为模型、实施这些模型的挑战以及将它们纳入其中以缩小性能差距的重要性。该报告包括来自科学文献的几个行为模型示例，重点介绍了所使用的数据、建模方法和居住者行为研究
有效推断分位数治疗效果和超越
我们考虑在估计估计方程式中估计涉及依赖目标参数作为输入的高维滋扰函数的估计参数。一个中心示例是因果推理中（局部）分位处理效应（（l）QTE）的效率估计方程，该方程涉及在分位数上评估的协方差累积分布函数以进行估计。基于估计的滋扰和插入估计值的现有方法，例如伪造的马克内斯学习（DML），我们需要我们在所有可能的输入中学习滋扰。对于（L）QTE，DML要求我们学习整个协变量累积分布函数。我们相反提出了局部付符的机器学习（LDML），该学习避免了此盗窃步骤，并且只需要在单个初始粗略猜测目标参数的情况下估算烦恼。对于（L）QTE，LDML仅涉及学习两个回归功能，这是机器学习方法的标准任务。我们证明，在LAX速率条件下，我们的估计器具有与使用未知的真实滋扰的不可行的估计器相同的渐近行为。因此，LDML显着实现了实际上可比性和理论上的效率估计因果推理中重要数量的效果，例如（l）QTES，当我们必须控制许多协变量和/或相关关系时，正如我们在经验研究中所证明的那样。
能源存储杂志-NSF-PAR
我们研究确定与电网连接的光伏 (PV) 系统中电池储能系统 (BESS) 管理最佳策略的问题，其中负载的随机电力需求由三个来源满足：电网、光伏能源和 BESS。BESS 用于存储光伏系统产生的多余能量以供日后使用，或在分时电价 (TOU) 较低时从电网购买能源。目标是确定 BESS 的最佳充电/放电计划，以便最大限度地降低从电网购买能源的长期成本。通过使用周期性随机过程的概率模型来捕获负载和光伏能源的随机变化，并使用历史数据估计参数。优化问题是在周期性折现马尔可夫决策过程 (MDP) 框架下制定的，问题制定包括电池和太阳能电池板的老化效应。在线优化问题是通过采用针对周期性 MDP 定制的策略迭代方法来解决的。所提出的在线调度算法提供 24 小时周期性策略，其中系统模型每天根据前一天的负载和光伏能量以滚动方式更新。模拟结果表明，与没有光伏和 BESS 的传统系统相比，所提出的算法可以实现每年 41.6% 的电费减少，从而确定了安装 BESS 和光伏系统的价值。
一种从单通道脑电信号中检测癫痫发作的多视图 SVM 方法
摘要 癫痫发作是发生在中枢神经系统中的癫痫的一部分，会导致大脑活动异常。脑电图 (EEG) 信号记录主要用于癫痫发作检测过程。癫痫发作的检测是患者进一步治疗的关键部分。本文提出了一种使用单通道 EEG 信号进行癫痫发作检测的多视图 SVM 模型。在本实验中，提取了 EEG 数据的两个视图，(1) 使用独立成分分析 (ICA) 的时域特征和 (2) 在频域中获得功率谱密度。提取的特征已输入到多视图 SVM 分类模型。在本研究中，单通道 EEG 数据集用于癫痫发作检测。已经估计了性能估计参数，即准确度、灵敏度、特异性、F1 分数和 AUC 值，以评估所提出的模型。该模型使用 k 倍交叉验证对 A vs E 和 B vs E 集上的癫痫和非癫痫进行了分类，准确率超过 99%。使用相同特征，多视图 SVM 获得的分类准确率比单视图 SVM 高 1-4%。此外，还将所提出的模型与现有的单视图 SVM 模型进行了比较。观察到，与单视图 SVM 模型相比，多视图 SVM 模型在相同特征上的表现明显更好。
ForestFit.pdf
描述 为以下任务而开发。 1) 计算概率密度函数、累积分布函数、随机生成，并估计十一个混合模型的参数。 2) 使用十二种方法对二参数威布尔分布的参数进行点估计，使用九种方法对三参数威布尔分布的参数进行点估计。 3) 三参数威布尔分布的贝叶斯推断。 4) 使用近似最大似然、期望最大化和最大似然三种方法估计适合分组数据的三参数 Birnbaum-Saunders、广义指数和威布尔分布的参数。 5) 通过 EM 算法估计适合分组数据的伽马、对数正态和威布尔混合模型的参数， 6) 估计适合高度 - 直径观测的非线性高度曲线的参数， 7) 估计参数，计算概率密度函数、累积分布函数，并从 Venturini 等人提出的伽马形混合模型生成实现。 (2008) < doi:10.1214/07-AOAS156 >，8）贝叶斯推断，计算概率密度函数、累积分布函数，并从单变量和双变量 Johnson SB 分布生成实现，9）当误差项遵循偏斜 t 分布时进行稳健多元线性回归分析，10）使用最大似然法估计适合分组数据的给定分布的参数，11）通过贝叶斯、矩法、条件最大似然法和二百分位数法估计 Johnson SB 分布的参数。
使用物理信息神经网络从静息状态 fMRI 数据进行脑动力学模型参数估计
摘要 — 由于脑动力学的复杂性，静息态功能性磁共振成像 (rsfMRI) 中血氧水平依赖性 (BOLD) 信号的传统建模难以进行参数估计。本研究介绍了一种新型脑动力学模型 (BDM)，该模型通过微分方程直接捕捉 BOLD 信号变化。与动态因果模型或神经质量模型不同，我们将血流动力学响应整合到信号动力学中，同时考虑直接和网络介导的神经元活动效应。我们利用物理信息神经网络 (PINN) 来估计此 BDM 的参数，利用它们将物理定律嵌入学习过程的能力。这种方法简化了计算需求并提高了对数据噪声的鲁棒性，为分析 rsfMRI 数据提供了全面的工具。利用按估计参数缩放的功能连接矩阵，我们应用最先进的社区检测方法来阐明网络结构。我们的分析表明，在比较神经正常个体与自闭症谱系障碍 (ASD) 患者时，特定大脑区域的参与系数存在显著差异，男性和女性群体之间存在明显差异。这些差异与之前研究中涉及的区域一致，进一步证实了这些区域在 ASD 中的作用。通过将 PINN 与高级网络分析相结合，我们展示了一种分析 ASD 复杂神经特征的稳健方法，为神经成像和更广泛的计算神经科学领域的未来研究提供了一个有希望的方向。
跨脑网络神经科学视角
图 1 脑间网络的整体效应可以分解为特定种子区域的节点效应。该图显示了陌生人与儿童互动与母子互动、基线与竞争以及基线与合作的整体和节点密度效应。节点密度由四个 NMF 成分的系数编码。左图：绘制了群体效应的边际后验分布及其平均值、90% CI（粗黑线）和 99% CI（细灰线）。CI 的宽度表示与估计参数相关的不确定性。90% CI 不包括零的参数（红线）被解释为存在影响的证据。整体结果显示出强烈的伴侣效应，与陌生人与儿童二元组相比，母子二元组的同步性有所提高，以及竞争效应和一些合作效应的证据，与基线条件相比，两种任务条件的同步性更高。节点结果证实了这些整体结果，但提供了更多的拓扑细节。具体而言，伴侣效应相当普遍（在成分 3 和 4 以及基线条件下的成分 2 中），而竞争和合作效应主要局限于左侧和右侧前额叶大脑区域（成分 1 和 4）。右图：五张 catplots 显示了在基线、合作和竞争条件下，母子和陌生人-儿童二元组中后部全局和节点密度值的变化情况。底部：热图可视化了 NMF 产生的基础矩阵，显示了儿童（C）和成人伴侣（P）的每个 fNIRS 通道（x 轴）对相应成分（y 轴）的贡献。在脑模型上可视化了儿童和成人伴侣的 fNIRS 通道，这些通道对每个成分的贡献最大，就其节点密度而言，权重高于第 80 个百分位数（最小值 = 0，最大值 = 1）
多学科审查 - accessdata.fda.gov
患者研究 EZH-202 ...................................................................................................................................... 135 表 45：重大标签变更的重点（高级变更和非直接变更）.................................................................... 146 表 46：EZH-1001 中纳入患者的人口统计学特征......................................................................................... 163 表 47：EZH-1001 中纳入患者的基线特征......................................................................................... 164 表 48：EZH-1001 中纳入患者的治疗方案摘要......................................................................................... 165 表 49：2012 年 4 月 26 日之后 EZH 1001 中纳入患者的治疗方案摘要 ................................................................................................................................................ 166 表 50：EZH-1001 的真实世界 ORR 结果......................................................................................................... 166 表 51：EZH-1001 的总生存期结果EZH-1001................................................................................ 167 表 52：他泽司他临床项目中使用的生物分析方法总结 ........................................................................ 172 表 53：临床研究样本分析的生物分析方法性能总结 ................................................................................................................................ 173 表 54：基于研究者和 IRC 评估的总体反应率 ............................................................................................. 175 表 55：疗效 ER 关系的 Logistic 回归估计参数 ............................................................................. 176 表 56：按治疗线分层的较高暴露亚组中疗效更佳 ............................................................................. 178 表 57：按基线 ECOG 分层的较高暴露亚组中疗效更佳 ............................................................................. 178 表 58：按体重亚组分层的较高暴露亚组中疗效更佳 ............................................................................................. 179 表 59：按肝功能分层的较高暴露亚组中疗效更佳.......... 179 表 60：队列 5 与队列 6 的 ORR 比较.............................................................................. 180 表 61：AESI 患者的暴露情况.............................................................................................. 182
面向线状柔性物体的机器人操作研究进展与展望
此类任务同样可以先离线学习状态转移预测模 型再使用 MPC 计算控制输入 [28-29] ，或直接使用强 化学习方法 [68-69] ，但需要大量训练数据且泛化性较 差。在准静态的局部形变控制中，更常用的方法是 在线估计局部线性模型。该模型假设线状柔性体形 状变化速度与机器人末端运动速度在局部由一个雅 可比矩阵 JJJ 线性地联系起来，即 ˙ xxx ( t ) = JJJ ( t ) ˙ rrr ( t ) ，其 中 ˙ xxx 为柔性体形变速度， ˙ rrr 为机器人末端运动速度。 由于使用高频率的闭环反馈来补偿模型误差，因此 完成任务不需要非常精确的雅可比矩阵。 Berenson 等 [70-71] 提出了刚度衰减（ diminishing rigidity ）的概 念，即离抓取点越远的位置与抓取点之间呈现越弱 的刚性关系，并据此给出了雅可比矩阵的近似数学 表示。此外，常用的方法是根据实时操作数据在线 估计雅可比矩阵，即基于少量实际操作中实时收集 的局部运动数据 ˙ xxx 和 ˙ rrr ，使用 Broyden 更新规则 [72] 、 梯度下降法 [73] 、（加权）最小二乘法 [33-34,74] 或卡尔 曼滤波 [75] 等方法在线地对雅可比矩阵进行估计。 该模型的线性形式给在线估计提供了便利。然而， 雅可比矩阵的值与柔性体形状相关，因此在操作 过程中具有时变性，这使得在线更新结果具有滞 后性，即利用过往数据更新雅可比矩阵后，柔性体 已经移动至新的形状，而新形状对应的雅可比矩阵 与过往数据可能并不一致。同时，完整估计雅可比 矩阵的全部元素需要机器人在所有自由度上的运 动数据，这在实际操作过程中难以实现，为此一些 工作提出根据数据的奇异值进行选择性更新或加 权更新 [74] 。此外，此类方法需要雅可比矩阵的初 值，一般在操作前控制机器人沿所有自由度依次运 动，收集数据估计初始位置的雅可比矩阵。受上述 问题影响，在线估计方法往往仅适用于局部小形变 的定点控制，难以用于长距离大形变的轨迹跟踪。 Yu 等 [31] 提出 ˙ xxx = JJJ ( xxx , rrr ) ˙ rrr 的模型形式，其中 JJJ ( · ) 为 当前状态至雅可比矩阵的非线性映射，待估计参数 为时不变形式。基于该模型，该方法将离线学习与 在线更新无缝结合，实现了稳定、平滑的大变形控 制。 Yang 等 [76-77] 使用模态分析方法建立柔性体模
机械工程工程系
（民用和机械）课程成果：成功完成本课程后，学生应能够：应用数值方法来求解代数和超越方程，并使用插值公式得出插值多项式。在数值上求解微分方程和积分方程。将现实生活中的问题识别为数学模型。在土木工程应用领域应用概率理论和假设检验。前提条件：基本代数方程，概率，随机变量（离散和连续）和概率分布。单位I：代数和超验方程的解决方案简介 - 划分方法 - 词语方法，rendula-falsi方法和牛顿·拉夫森方法插值：有限差异，纽顿的前进和向后插值公式 - lagrange的公式。曲线拟合：通过最小二乘方法的直线，二级和指数曲线的拟合。单位-II：对普通微分方程的普通微分方程的初始价值问题的解决方案：泰勒的串联PICARD连续近似近似值 - 欧拉的方法和修改的Euler的方法 - kutta方法（第二和第四阶）的解决方案。单位-III：概率理论概率，概率公理，加法定律和概率，条件概率，BAYE定理，随机变量（离散和连续），概率密度函数，属性，数学期望。大型样本测试：单个比例的测试，比例差异，单个平均值和均值差的测试。单位IV：假设的估计和检验，大型样本测试估计参数，统计数据，抽样分布，点估计，无效假设的制定，替代假设，临界和接受区域，显着性水平，显着性水平，两种类型的误差和测试的功率。一个样本中参数和两个样本问题的置信区间单位V：小样本测试学生t分布（对单个均值，两个均值和配对t检验的测试），方差平等的测试（F检验），χ2-拟合良好的测试，χ2-属性独立性的测试。