XiaoMi-AI文件搜索系统
World File Search System估计器
引用：Geng S，Chen X，Bai K，Ding J，Li H和Shi S（2023）ClínicaUniversidad de Navarra-Body肥胖估计器与2型
大约一半的T2DM患者直到被诊断出来才怀疑他们患有这种疾病[4]。因此，通过有效且可重复的诊断指标识别出早期T2DM风险的人并减少全球糖尿病流行非常重要[5]。在几个可修改的糖尿病风险因素中，肥胖被认为是主要危险因素[6，7]。在一般人群中，最广泛使用的措施来定义多余的体内脂肪（BF）是体重指数（BMI），腰围（WC）和腰围比（WHTR）。先前的研究表明，较高的BMI，WC和WHTR与2型糖尿病（T2DM）的风险增加有关[8，9]。但是，这些人体测量指标受到了批评，因为它们不考虑与肥胖相关的重要因素，尤其是年龄，性别和种族[10，11]。因此，提出了一种新的实用肥胖指数，即ClínicaDeNavarra-Body肥胖估计量（Cunbae），并被认为是人体脂肪估计的更准确的指标[12]。这种估计体内脂肪百分比的方法基于白人受试者的BMI，性别和年龄，与其他人体测量方法相比，通过空气位移体积跟踪测量的体内脂肪百分比的相关性最高[12]。以前的发现表明，与BMI或WC相比，Cun-Bae与T2DM和与脂肪相关的心血管危险因素更密切相关[13，14]。但是，以前的Cunbae评估研究仅限于白人人群，需要扩展到其他人群以确定其适用性。迄今为止，尚无研究探讨Cunbae在中国人口中的适用性。 因此，这项研究的目的是调查中国中年和老年人口中Cun-Bae与T2DM风险的关联，并比较Cun-Bae，BMI，WC和WHTR和T2DM之间关联的强度。迄今为止，尚无研究探讨Cunbae在中国人口中的适用性。因此，这项研究的目的是调查中国中年和老年人口中Cun-Bae与T2DM风险的关联，并比较Cun-Bae，BMI，WC和WHTR和T2DM之间关联的强度。
MN2196管理决策的数据分析
1。审查数学和统计数据：人口均值和差异，样本平均值和方差，均值和方差的特性，推理的基本要素，对数形式的方程式解释。2。线性回归模型：因果关系问题，人口模型，采样过程，估计器和估计值，普通最小二乘模型（OLS）模型，OLS模型3的假设和特性。多重回归：省略的可变偏差问题，多元回归模型，假设和多元回归模型的属性。4。推论：作为随机变量，假设检验（假设和方法，T-检验和F检验），p值，置信区间的估计器。5。功能形式：虚拟变量，将离散变量转换为虚拟变量集，二次模型，具有交互的模型，使用虚拟变量来探索功能形式。6。线性回归的局限性：省略的可变偏差，非随机抽样，测量误差，外围观察结果，异性恋性。7。实验：实验室，现场和自然实验，内部和外部有效性。8。开发时间变化：样本类型（横截面，时间序列，重复的横截面和面板数据），第一差异模型，单个固定效果模型，时间固定效果模型，差异差异差异模型。9。仪器变量：仪器变量是减轻省略的变量偏差，减少形式估计值，两阶段最小二乘估计的方法。
一般高斯噪声机制及其对无偏平均值估计的最佳性
我们调查了差异隐私中无偏见的高维平均估计器。我们考虑了差异的私有机制，其预期输出等于输入数据集的均值，对于从r d中的固定有限域K绘制的每个数据集。一种经典的私人平均估计方法是计算真实的均值，并添加无偏见但可能相关的高斯噪声。在本文的第一部分中，我们研究给定域K的高斯噪声机理可实现的最佳误差，当在某些p≥2中测量误差范围时。我们提供算法，以在适当的假设下计算给定k的高斯噪声的最佳协方差，并证明最佳误差的许多不错的几何特性。这些结果将来自域K的分解机制理论推广到对称和有限的（或等效地，对称的多面体）到任意界面的域。在本文的第二部分中，我们表明，高斯噪声机制在所有私人无偏见的平均估计机制中都在非常强烈的意义上达到了几乎最佳的误差。特别是，对于每个输入数据集，满足集中差异隐私的公正平均估计器至少与最佳高斯噪声机制一样多。我们将此结果扩展到局部差异隐私，并近似差异隐私，但是对于后者，对于数据集或相邻数据集，下限的误差较低的界限是必要的，则必须放松。
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。
用惩罚回归技术测量线性多元过程中的连通性
对耦合和因果关系的时间和频域度量的评估依赖于线性多元过程的参数表示。时间序列之间时间依赖性的研究基于矢量自回旋模型的识别。通过通过普通最小二乘（OLS）估计器解决的回归问题的定义来实现此过程。但是，其准确性受到数据点不足的强烈影响，并且并不能保证稳定的解决方案。要克服这个问题，可以使用受惩罚的回归技术。这项工作的目的是将OLS的行为与不同实验条件下连通性分析的不同惩罚回归方法进行比较。偏见，用于此目的的网络结构重建和计算时间的重建精度。通过模拟数据在不同量的可用数据示例中实现不同的地面真实网络的模拟数据测试了不同的惩罚回归。然后，将方法应用于从执行运动成像任务的健康志愿者中记录的真实脑电图信号（EEG）。惩罚的回归优于仿真设置中的OLS。实际脑电图数据上的应用程序显示了如何使用从大脑网络中提取的功能，即使在数据匮乏的条件下，也可以在两个任务之间进行分解。惩罚回归技术可用于大脑连通性估计，并且可以根据线性假设克服经典OLS施加的局限性来计算所有连接性估计器。
飞机识别、轨迹跟踪和预测最终...
介绍了改进飞机识别和轨迹预测方法的技术。这项工作是对高级跟踪器的扩展，它使用平移和姿态数据来提高轨迹跟踪和预测的准确性。这项工作中的新扩展涉及基于曲率半径估计器的新跟踪算法的开发、在预测间隔期间使用基于回归的人工测量以及基于远程轨迹测量的被跟踪车辆的飞机识别技术的开发。该程序使用在训练飞行中获得的 F-14A、AV-8B 和 A6 飞机的实际位置和姿态轨迹数据进行评估。
直接到卫星物联网的网络尺寸估计
摘要 - 全球物联网（IoT）的采用取决于传感器节点的大规模部署和及时的数据收集。但是，在远程或无法访问的区域中安装所需的地面基础设施在经济上是没有吸引力或不可行的。成本效益的纳米卫星部署在低地球轨道（LEO）中是一种替代用解决方案：板载物联网网关可访问对远程物联网设备的访问，这是根据直接到卫星IoT（DTS-IOT）体系结构的访问。DTS-iot的主要挑战之一是设计通信协议，以通过同样受约束的轨道网关提供的数千种高度约束设备。在本文中，我们通过首先估计（移动）纳米卫星足迹下方设置的设备的（不同）尺寸来解决此问题。然后，我们证明了用于智能油门DTS-iot访问协议时估计的适用性。由于最近的工作表明，当网络尺寸估计可用时，MAC协议提高了DTS-IOT网络的吞吐量和能源效率，因此我们在此提出了DTS- IOT中的新颖且计算高效的网络尺寸估计器：基于乐观的碰撞信息（OCI）的估计器。我们通过广泛的DTS-iot场景模拟来评估OCI的有效性。结果表明，当使用网络尺寸估计时，基于Aloha的DTS- IOT网络的可伸缩性将增强8倍，最多可提供4×10 3设备，而无需罚款。我们还显示了OCI机制的有效性，并证明了其低计算成本实施，使其成为DTS-IOT网络估计的有力候选者。
通过定制图神经网络进行预置网络长度和时间估计
摘要 — 网络长度是标准数字设计流程各个阶段中优化时序和功耗的关键代理指标。然而，大部分网络长度信息直到单元布局之前才可用，因此，在布局之前的设计阶段（例如逻辑综合）明确考虑网络长度优化是一项重大挑战。此外，缺乏网络长度信息使准确的布局前时序估计变得极其困难。时序可预测性差不仅影响时序优化，而且妨碍对综合解决方案的准确评估。这项工作通过一个带有网络长度和时序估计器的布局前预测流程解决了这些挑战。我们提出了一种可定制的图注意网络 (GAT) 方法，称为 Net 2，用于在单元布局之前估计单个网络长度。其面向准确度的版本 Net 2a 在识别长网络和长关键路径方面的准确度比之前的几项工作高出约 15%。其快速版本 Net 2f 比布局快 1000 倍以上，同时在各种精度指标方面仍优于以前的工作和其他神经网络技术。基于网络大小估计，我们提出了第一个基于机器学习的预布局时序估计器。与商业工具的预布局时序报告相比，它将电弧延迟中的相关系数提高了 0.08，并将松弛、最差负松弛和总负松弛估计的平均绝对误差降低了 50% 以上。
适用于多群中子扩散方程的混合有限元离散化的笛卡尔网格的自适应网格改进
自适应网状修复基于基本要素：后验估计。在中子中，后验错误控制是一个正在进行的研究主题。AMR。在[16，第3.3节]中，作者解决了A后验估计中使用的规律性假设的问题。在[21，22，25]中，A后验估计值基于双重加权残差方法，其中保证的估计器涉及确切的伴随溶液。在[17]中，他们设计了一个可靠的估计，该估计依赖于双重问题的定义，并突出了由于这个双重问题缺乏稳定性而缺乏效率。严格的估计值不需要过剩的规律性以及适应性网格重新确定策略，以解决运输方程式上的源问题[9]。在这项工作之后，[10]中已经解决了有关特征值问题的理论方面。在这些论文中，作者设计了一种数值策略，该策略依赖于精确控制的操作员评估，例如在[9]中用于解决源问题。在反应堆核心尺度上，使用简化的模型在核工业中很常见。准确地说，简化的模型可以是中子分歧模型或简化的传输模型。在[7]中，我们对中子差异方程的混合有限元离散量进行了严格的后验误差估计，并提出了一种自适应网格重新填充策略，以保留Carte-sian结构。在[13]中执行了这种方法对临界问题的第一个应用，尽管具有次级估计器。关于工业环境和特定的数字模拟，我们的方法是在Apollo3®代码[23]中开发混合有限元求解器[4]的一部分。
与模型无关的参数估计水印...
虽然 PEST 与现有的非线性参数估计软件有一些相似之处（它使用一种功能强大且稳健的估计技术，该技术已在各种问题类型上进行了广泛的测试），但它的设计理念却截然不同。PEST 的新颖之处在于它允许您使用特定模型进行参数估计和/或数据解释，而无需对该模型进行任何更改。因此，PEST 可以适应现有模型，您无需让您的模型适应 PEST。通过将 PEST 包装在您的模型上，您可以将其变成您的模型模拟的系统的非线性参数估计器或复杂的数据解释包。该模型可以是简单的或复杂的，自制的或购买的，并且可以使用任何编程语言编写。