XiaoMi-AI文件搜索系统
World File Search System回归
使用高斯工艺回归方法的电动汽车锂离子电池的电荷估计
应将通信发送到Selvarani N：N.Selvarani@psnacet.edu.edu.edu.in Info Info Machine and Computing杂志（http://anapub.co.ke.ke.ke/journals/jmc/jmc/jmc/jmc.html） 2024;从2024年8月18日修订； 2024年8月12日接受接受，2024年10月5日©2024作者。由Anapub出版物出版。这是CC BY-NC-ND许可证下的开放访问文章。（http://creativecommons.org/licenses/by-nc-nd/4.0/）摘要 - 为了确保在电动汽车中使用清洁能源的安全，可靠和负担得起的性能，对LIB的精确负荷状态的估计非常重要。在本文中，提出了具有不同内核函数的SOC预测的高斯过程回归，并通过良好的健康和福祉进行了评估和分析的表现。使用GPR的一个有用的好处是能够量化和估计不确定性，从而评估社会估计的可靠性。内核函数是提高GPR性能的关键超参数。GPR认为电池的温度和电压彼此独立，因为它们各自的输入参数与行业，创新和基础架构相关联，而目标依赖性变量是电池SOC。最初，训练过程涉及确定内核函数的理想超参数以准确表示数据的特征。使用测试数据评估预测电池SOC的准确性。根据仿真结果，基于指数核函数的平方元函数估计SOC具有很高的准确性和较低的RMSE和MAE，从而确保了能源效率和Q Uality Education。关键字 - 充电状态，GPR，内核功能，RMSE，Lib-Lithium Ion电池，能源效率和优质教育。
用于脑网络回归分析的分层图学习模型
脑网络因其能够更好地表征神经和精神疾病中的脑动态和异常而受到越来越多的关注。近年来，深度学习取得了巨大的成功。许多人工智能算法，尤其是图学习方法，已被提出用于分析脑网络。现有图学习方法的一个重要问题是这些模型通常不易解释。在本研究中，我们提出了一种可解释的脑网络回归分析图学习模型。我们将这个新框架应用于人类连接组计划 (HCP) 的受试者，以预测多个成人自我报告 (ASR) 分数。我们还使用其中一个 ASR 分数作为示例，说明如何使用我们的模型识别回归过程中的性别差异。与其他最先进的方法相比，我们的结果清楚地证明了我们的新模型在有效性、公平性和透明度方面的优越性。
与SLC6A1相关疾病的发育回归和相关临床特征的模式
方法：在这项研究中，我们确定了24例与SLC6A1相关疾病的患者组成的发育回归模式，并评估了与回归相关的临床特征。我们回顾了与SLC6A1相关疾病患者的病历，并将受试者分为两组：1）回归组和2）对照组。我们描述了发育回归的模式，包括在回归之前是否有触发因素，多次回归发作以及是否恢复了技能。我们评估了回归和对照组之间临床特征的关系，包括人口统计学因素，癫痫发作，发育里程碑获取，胃肠道问题，睡眠问题，自闭症谱系障碍和行为问题。
人工智能的回归：使用主题建模对人工智能法律研究的分析
人工智能研究正处于其历史上的第三次繁荣时期，近年来，与人工智能相关的主题在法律等新学科中获得了相当大的欢迎。本文探讨了人工智能法律研究的构成及其发展方式，同时解决了信息检索和研究重复的问题。使用潜在狄利克雷分配 (LDA) 主题建模对 3931 篇期刊文章的数据集进行研究，我们探讨了三个问题：(a) 人工智能法律研究中的哪些主题可以区分？(b) 这些主题是什么时候讨论的？和 (c) 可以检测到类似的论文吗？主题建模共产生 32 个有意义的主题。此外，研究发现，截至 2016 年，人工智能法律研究急剧增加，主题随着时间的推移变得更加细化和多样化。最后，通过比较算法和人类专家得出的相似性评估，可以发现评估结果往往一致。研究结果有助于了解人工智能法律研究如何随时间演变，并支持开发机器学习和信息检索工具（如 LDA），帮助构建大型文档集并识别相关文章。
埃及的能源支出：基于分位数回归方法的实证证据
本文表达的任何观点均为作者观点，而非 IZA 观点。本系列中发表的研究可能包括政策观点，但 IZA 不代表任何机构政策立场。IZA 研究网络致力于遵守 IZA 研究诚信指导原则。IZA 劳动经济研究所是一个独立的经济研究机构，开展劳动经济学研究，并就劳动力市场问题提供基于证据的政策建议。在德国邮政基金会的支持下，IZA 运营着世界上最大的经济学家网络，其研究旨在为我们这个时代的全球劳动力市场挑战提供答案。我们的主要目标是在学术研究、政策制定者和社会之间架起桥梁。IZA 讨论文件通常代表初步工作，并被分发以鼓励讨论。引用此类文件时应说明其临时性质。修订版可直接从作者处获得。
将预训练的 ViT 与 TCNet 融合以实现增强型 EEG 回归
摘要。脑电图 (EEG) 分析任务对于脑机接口 (BCI) 的发展至关重要。然而，要达到开发稳健、有用的 BCI 的目标，很大程度上取决于 BCI 理解神经动态的速度和准确性。为了实现这一目标，本文详细介绍了预训练视觉变换器 (ViT) 与时间卷积网络 (TCNet) 的集成，以提高 EEG 回归的精度。这种方法的核心在于利用 ViT 的顺序数据处理优势以及 TCNet 的卓越特征提取能力，显着提高 EEG 分析的准确性。此外，我们分析了如何构建最佳补丁以供注意力机制分析的重要性，以平衡速度和准确性。我们的结果表明，回归准确度显著提高，EEGEyeNet 的绝对位置任务的均方根误差 (RMSE) 从 55.4 降至 51.8，优于现有的最先进模型。在不牺牲性能的情况下，我们将该模型的速度提高了一个数量级（最高可提高 4.32 倍）。这一突破不仅为 EEG 回归分析树立了新的标杆，还为未来将 Transformer 架构与针对不同 EEG 数据集的专门特征提取方法相结合的研究开辟了新途径。
使用高斯进程回归机器学习模型的Flyrock投掷预测
I.引言Flyrock是爆炸启动时远离采矿区的岩石质量。通常考虑的第一个参数是：负担，爆炸孔直径，深度，粉末因子间距，茎，爆炸性材料类型和sub-drill在Flyrock预测期间是可控参数。此外，爆炸工程师无法影响的岩石性能是无法控制的参数，例如压缩间距和岩石的拉伸强度。因此，爆炸工程师必须更改第一个参数，以最大程度地减少flyrock掷距离。设计了各种经验方程，以设想由爆破操作[1]，[2]产生的fly架。经验模型是根据flyrock上的几个现场实验的有效参数开发的，即孔直径，爆炸性，茎，负担的密度，弹出材料，粉末因子和孔长度的初始发射速度。因此，这些经验方程的性能预测能力在许多情况下不是很有效[2]，[3]。
基于逻辑回归，Randomforest，XGBoost和Adaboost的贷款默认预测研究
在金融领域，信用风险是与抵押，信用卡和其他类型贷款有关的常见现象。总是有可能借款人不会全额偿还贷款。与贷款申请有关的风险评估是贷款机构在残酷市场和盈利能力中生存的主要问题。贷款机构每天从消费者那里收到许多贷款申请，但并非所有这些贷款都得到了批准。这些机构使用各种技术来评估申请人的信息，以便做出最佳选择。尽管如此，许多人未能每年支付贷款。贷方必须处理这种巨大损失[1]。人工智能技术可以实现深度挖掘和分析大数据，以应对金融技术带来的财务风险和挑战。与传统专家评级的缺点相比，用于预测银行信用贷款违约的机器学习模型表现更好[2]。人工智能可以利用大数据和机器学习技术来分析借款人的个人信息，信用记录和其他相关数据，从而帮助银行和其他金融机构评估信贷风险并做出更准确的贷款决策。作为一种新兴技术，人工智能无疑将成为金融业发展的巨大推动力。它将降低客户贷款的违约率，并使银行的资本流程过去正常，银行和其他金融机构经常使用人工分析来确定客户的信用。基于以前的数据，人工信用分析是一种效率低下且耗时的方法。它无法处理大量数据，例如机器学习。同时，人工信用分析的准确性远低于机器学习的准确性。机器学习可以发展更多自动化
经济观察中国 | 中美利率回归对中国信贷市场意味着什么？
展望未来，预计当前形势将在短期内持续，直到美联储将联邦基金利率降至中国政策利率以下。这意味着，就目前而言，当前形势将继续下去。从中国的角度来看，政策利率很可能保持不变，或者今年最多再降息一次。由于对金融稳定的担忧，如房地产泡沫、资本外流、货币贬值和地方政府债务，预计人民币汇率不会大幅下调。此外，在经济低迷时期没有理由加息，尤其是考虑到中国央行在疫情期间没有采取激进的宽松政策。因此，预计中国利率将维持不变。