XiaoMi-AI文件搜索系统
World File Search System参数优化
破坏平衡：可改变的风险因素如何促进阿尔茨海默氏病的发展
摘要：海洋生物地球化学模型描述了海洋的循环，其物理特性及其生物地球化学特性及其在耦合微分方程的帮助下进行转化。这些方程式的数值近似值允许模拟从数年到几个世纪以来，在现实的全球或区域空间域中，海洋状态的动态演变。我们解释了模型构建的过程以及不同模型类型的主要特征，优势和缺点，范围从最简单的营养素 - 潮流 - 浮游生物 - Zooplankton-detritus或NPZD模型到用于接地系统模型和气候预测的复杂生物地球化学模型。我们描述了模型数据中常用的模型数据比较的指标，以及如何通过参数优化或状态估计来了解模型，这是两种主要数据同化方法。示例说明了如何将这些模型用于各种实际应用，从碳会计，海洋酸化和海洋去氧化到观察系统设计。访问点提供了使读者能够以传统的形式进行生物地球化学建模，并在代码示例上进行了全面的公开模型和观察数据集列表。我们为模型归档中的最佳实践提出了建议，最后讨论了模型的当前局限性以及预期的未来发展和挑战。
基于粒子群优化的高参数调整机器学习模型的大型covid-19数据分析
分析大数据，尤其是医学数据，有助于为患者提供良好的医疗保健并面临死亡的风险。COVID-19大流行对全世界的公共卫生产生了重大影响，强调了对风险预测模型的需求。机器学习（ML）技术在分析复杂的数据模式和预测疾病预后方面已显示出希望。这些技术的准确性受到更改参数的很大影响。超参数优化在证明模型性能中起着至关重要的作用。在这项工作中，使用粒子群优化（PSO）算法有效地搜索超参数空间并通过识别可以提供最高精度的最佳超级参数来提高机器学习模型的预测能力。在本研究中使用了与COVID-19病例相关的各种临床和流行病学特征的数据集。使用各种机器学习模型，包括随机森林，决策树，支持向量机和神经网络，用于捕获数据中存在的复杂关系。为了评估模型的预测性能，采用了精度。实验发现表明，估计Covid-19风险的建议是有效的。与基线模型相比，优化的机器学习模型的性能更好，并产生了更好的结果。关键字
智能采煤机器人关键技术
摘 要： 采煤机是综采工作面的核心装备，研发智能采煤机器人是实现综采工作面智能化的关键。 综合分析当前采煤机机器人化研究进程中的传感检测、位姿控制、速度控制、截割轨迹规划与跟 踪控制等技术的研究现状，提出研发智能采煤机器人必须破解的 “ 智能感知、位姿控制、速度控制、 截割轨迹规划与跟踪控制、位 − 姿 − 速协同控制 ” 五大关键技术，并给出解决方案。针对智能感知 问题，提出了构建智能感知系统思路，给出了智能采煤机器人智能感知系统的架构，实现对运行 状态、位姿、环境等全面感知，为智能采煤机器人安全、可靠运行提供保障；针对位姿控制问题， 提出了智能 PID 位姿控制思路，给出了改进遗传算法的 PID 位姿控制方法，实现了智能采煤机器 人位姿精准控制；针对速度控制问题，提出了融合 “ 力 − 电 ” 异构数据的截割载荷测量思路，给出 了基于神经网络算法的截割载荷测量方法，实现了截割载荷的精准测量；提出牵引与截割速度自 适应控制思路，给出了人工智能算法牵引与截割速度决策方法和滑模自抗扰控制的牵引与截割速 度控制方法，实现了智能采煤机器人速度精准自适应控制；针对截割轨迹规划与跟踪控制问题， 提出了截割轨迹精准规划思路，给出了融合地质数据和历史截割数据的截割轨迹规划模型，实现 了截割轨迹的精准规划；提出了截割轨迹精准跟踪控制思路，给出了智能插补算法的截割轨迹跟 踪控制方法，实现了智能采煤机器人截割轨迹高精度规划与精准跟踪控制；针对 “ 位 − 姿 − 速 ” 协同 控制问题，提出了 “ 位 − 姿 − 速 ” 协同控制参数智能优化思路，给出了基于多系统互约束的改进粒子 群 “ 位 − 姿 − 速 ” 协同控制参数优化方法，实现了智能采煤机器人智能高效作业。深入研究五大关键 技术破解思路，有利于加快推动研发高性能、高效率、高可靠的智能采煤机器人。
使用胸部X射线通过卷积神经网络对Covid-19肺炎的诊断
这项研究强调需要改善诊断方案并提高意识，以有效地管理Covid-19及其并发症，尤其是肺炎，以减轻医疗保健系统负担的负担，这强调了早期识别肺炎的早期识别的重要性重要性，以减轻与造成影响和快速症状的战略方法，以减轻造成影响和快速症状。引入了一种用于检测Covid-19肺炎的新型模型，利用在开源平台上可用的胸部X射线图像和卷积神经网络，并在二进制分类设置中进行了精确的诊断。遵循两个步骤，以提高分类精度并避免过度拟合：（1）在保持分类方案的平衡时放大数据集； （2）结合正则化技术并进行超参数优化。该模型非常适合在本地部署有限的能力，而无需互联网访问。由于网络大小，模型容量大大降低。与文献进行了比较，最终模型的性能更好，并且需要更高的参数，同时达到99.63％的分类准确性，对于二进制案例，模型灵敏度为93.75％。这些模型可以上传到数字平台，以快速诊断并弥补缺乏专业人员和RT-PCR（逆转录聚合酶链反应）。
用于埃塞俄比亚风力发电预测的新型混合 CNN-LSTM
摘要。可再生能源目前正经历着有希望的增长，成为减少化石燃料使用产生的污染气体（导致全球变暖）的替代解决方案。为了将这些可再生能源安全地整合到电网系统中，并使电网系统更加稳定，准确预测特定风力发电场的风力发电量和发电时间至关重要。深度学习方法已显示出对复杂和非线性问题（例如时间序列风力发电数据）的良好预测性能。然而，需要进一步研究通过将多个模型与超参数优化相结合来优化深度学习模型，以使这些单个模型获得最佳性能。在本文中，我们提出了一种用于埃塞俄比亚风力发电预测的混合 CNN-LSTM 模型。在构建混合 CNN-LSTM 模型之前，应用贝叶斯优化来调整单个学习器的超参数，包括 1D-CNN 和 LSTM 模型。在从埃塞俄比亚电力公司获得的三个案例研究风力发电数据集上对所提出的模型进行了测试。根据 MAE、RMSE 和 MAPE 评估指标，对于所有案例研究数据，混合模型的表现明显优于基准模型，包括 ANN、RNN、BiLSTM、CNN 和 LSTM 模型。
镍基高温合金增材制造激光重熔工艺模拟与优化
摘要：镍基高温合金具有优异的耐腐蚀和耐高温性能，在能源和航空航天工业中广受欢迎。镍合金的直接金属沉积 (DMD) 已达到技术成熟度，可用于多种应用，尤其是涡轮机械部件的修复。然而，DMD 工艺过程中的零件质量和缺陷形成问题仍然存在。激光重熔可以有效地预防和修复金属增材制造 (AM) 过程中的缺陷；然而，很少有研究关注这方面的数值建模和实验工艺参数优化。因此，本研究的目的是通过数值模拟和实验分析来研究确定重熔工艺参数的效果，以优化 DMD 零件修复的工业工艺链。热传导模型分析了 360 种不同的工艺条件，并将预测的熔体几何形状与流体流动模型和选定参考条件下的实验单轨观测值进行了比较。随后，将重熔工艺应用于演示修复案例。结果表明，模型可以很好地预测熔池形状，优化的重熔工艺提高了基体和 DMD 材料之间的结合质量。因此，DMD 部件制造和修复工艺可以从此处开发的重熔步骤中受益。
有条件生成分子的潜扩散
设计小分子治疗是一个具有挑战性的多参数优化问题。必须共同优化效力，选择性，生物利用度和安全性，以提供有效的临床候选者。我们提出了Coati-LDM，这是潜在扩散模型在有条件地生成特性优化的，类似药物样的小分子的新颖应用中。潜在的分子编码的扩散产生，而不是直接扩散的分子结构，提供了一种吸引人的方式来处理分子特性常见的小且错配的数据集。我们基于针对预训练的自回归变压器和遗传算法的各种扩散引导方案和采样方法，以评估对效力，专家偏好和各种物理化学特性的控制。我们表明，条件扩散允许控制生成分子的性能，具有实用和性能优势，而不是竞争方法。我们还应用了最近引入的粒子引导概念来增强样品多样性。我们前瞻性地调查了一组药物学家，并确定我们可以通过学习的偏好评分有条件地产生与其偏好相一致的分子。最后，我们提出了一种从种子分子开始的分子特性局部优化的部分扩散方法。使用潜在扩散模型在分子编码上的有条件生成小分子，为先前分子产生方案提供了一种高度实用且灵活的替代方案。
loihi> thrductive尖峰图神经网络
图形神经网络已成为深度学习的专业分支，旨在解决对象之间成对的对象至关重要的问题。最新进步利用图形卷积神经网络在图结构中提取特征。尽管结果有希望，但由于稀疏特征，在资源利用效率低下的情况下，这些方法在现实世界应用中面临挑战。最近的研究从哺乳动物的大脑中吸收了吸收性，并采用尖峰神经网络来建模和学习图形结构。但是，这些副本仅限于传统的基于von Neumann的计算系统，这些计算系统仍然面临硬件效率低下。在这项研究中，我们提出了专为Loihi 2.我们使用熔岩贝叶斯优化优化网络参数，这是一种与神经形态计算体系结构兼容的新型超参数优化系统。我们展示了将神经形态贝叶斯优化与使用固定精确尖峰神经元进行引用图分类的方法相结合的性能优势。我们的结果证明了整数精确，Loihi 2兼容尖峰神经网络在执行引文图分类中具有与现有浮点实现相当的精度。
进行大肠癌中的药物输送
结直肠癌（CRC）仍然是全球第三大癌症的主要全球健康挑战。生存在很大程度上依赖于早期诊断和治疗，然后发展为转移。采用纳米技术进行靶向药物传递显示有望提高CRC的治疗功效和耐受性。各种纳米颗粒平台可作为CRC药物载体具有独特的优势，具有可调性的特性，例如改善药代动力学，稳定性，持续释放和通过内吞作用或胞吞作用的肿瘤细胞摄取。突出显示的关键平台包括脂质体，聚合物胶束，固体脂质纳米颗粒，纳米散发，核心体和多糖颗粒。必须在体内测试将多参数优化的载体设计转换为临床应用。模拟有助于预测载体定位，生物分布，受控释放和最佳配方。总体而言，纳米医学有望提供更多针对性的治疗递送，以改善CRC患者的生存率，尤其是患有晚期或转移性疾病的患者。但是，意识到这一潜力需要其他药效研究，以及机械澄清和载体优化，以进行临床评估的进展设计。推进个性化的，有针对性的纳米技术治疗方案仍然必须进行。
可再生能源预测：...的比较研究
摘要。随着深度学习 (DL) 的进步，人们对可再生能源产量预测的关注度日益增加。可再生能源固有的多变性和预测方法的复杂性要求可再生能源领域采用稳健的方法，例如 DL 模型。与传统机器学习 (ML) 相比，DL 模型更受欢迎，因为它们可以捕捉可再生能源数据集中复杂的非线性关系。本研究通过比较 DL 框架内的各种方法和训练/测试比率，研究了影响 DL 技术准确性的关键因素，包括采样和超参数优化。使用结合了来自 12 个地点的天气和光伏电力输出数据的数据集，评估了七种机器学习方法——LSTM、Stacked LSTM、CNN、CNN-LSTM、DNN、时间分布式 MLP (TD-MLP) 和自动编码器 (AE)。应用早期停止、神经元丢失和 L1/L2 正则化等正则化技术来解决过度拟合问题。结果表明，早期停止、dropout 和 L1 正则化的组合对于减少具有较大训练集的 CNN 和 TD-MLP 模型中的过度拟合效果最佳，而早期停止、dropout 和 L2 正则化的组合对于减少具有较小训练集的 CNN-LSTM 和 AE 模型中的过度拟合效果最有效。