XiaoMi-AI文件搜索系统
World File Search System均方根
用于 GDP 预测的神经网络集成方法
我们提出了一种集成学习方法来预测未来美国 GDP 增长释放。我们的方法将循环神经网络 (RNN) 与考虑均值随时间变化的动态因子模型和广义自回归评分 (DFM-GAS) 相结合。该分析基于一组预测因子，涵盖以不同频率测量的广泛变量。预测练习旨在通过考虑均值变化（可能由影响经济的衰退引起）来评估集成中每个模型组成部分的预测能力。因此，我们展示了 RNN 和 DFM-GAS 的组合如何改善对 2008-09 年全球金融危机后美国 GDP 增长率的预测。我们发现神经网络集成显著降低了短期预测范围的均方根误差。
文章 深度学习算法预测加密货币价格波动：提高投资意识
摘要：以太坊和 XRP 等数字货币允许所有交易在线进行。为了强调法定货币的去中心化性质，我们可以举例说明所有虚拟货币用户都可以在没有第三方参与的情况下访问服务。加密货币价格波动是非平稳且高度不稳定的，类似于传统股票的价格变化。由于加密货币的吸引力，投资者和研究人员都更加关注加密货币价格预测。随着深度学习的兴起，加密货币预测变得非常重要。在本研究中，我们提出了一种长短期记忆 (LSTM) 算法，可用于预测四种类型的加密货币的价值：AMP、以太坊、光电系统和 XRP。均方误差 (MSE)、均方根误差 (RMSE) 和归一化均方根误差 (NRMSE) 分析用于评估 LSTM 模型。从这些模型中获得的结果表明，LSTM 算法在预测所有形式的加密货币方面均具有出色的性能。因此，它可以被视为最有效的算法。LSTM 模型为所有加密货币提供了有希望且准确的预测。该模型用于预测 180 天内加密货币的未来收盘价。在训练和测试过程中，使用 Pearson 相关性指标来评估预测值与目标值之间的相关性。在预测 XRP 货币价格时，LSTM 算法在训练 (R = 96.73%) 和测试 (96.09%) 中实现了最高的相关值。使用已建立的 LSTM 模型可以准确预测加密货币价格，该模型表现出高效的性能。应用这些模型的意义在于，它们可能通过协助投资者和交易者识别不同类型加密货币的销售和购买趋势，对经济产生巨大影响。将 LSTM 模型的结果与现有系统的结果进行了比较。本研究的结果表明，基于所提出的系统的低预测误差，所提出的模型表现出卓越的准确性。
确定 CD-SEM 线边缘粗糙度测量的最佳参数
线边缘粗糙度 (LER) 的测量最近已成为光刻计量学界和整个半导体行业关注的话题。高级计量咨询小组 (AMAG) 是一个由国际 SEMATECH (ISMT) 联盟成员公司和美国国家标准与技术研究所 (NIST) 的首席计量学家组成的委员会，该委员会正在开展一项研究 LER 指标并指导关键尺寸扫描电子显微镜 (CD-SEM) 供应商社区采用半导体行业支持的标准化解决方案。2003 年国际半导体技术路线图 (ITRS) 为粗糙度提供了新的定义。ITRS 设想了边缘和宽度粗糙度的均方根测量。还有其他可能的指标，其中一些将在此处进行调查。ITRS 设想将均方根测量限制在粗糙度波长范围内，并且测量重复性优于指定的公差。本研究解决了满足这些规范所需的测量选择。推导出必须测量的线长和沿该长度测量位置间距的表达式。结果表明，图像中的噪声会产生粗糙度测量误差，这些误差既有随机成分，也有非随机成分（即偏差）。在特殊测试图案中报告了对紫外线抗蚀剂和多晶硅的测量结果，这些材料的粗糙度是典型的。这些测量结果表明，粗糙度测量对噪声的敏感度主要取决于边缘检测算法的选择和聚焦的质量。当使用基于模型或 S 形拟合算法并且图像聚焦良好时，测量对噪声的敏感度较低。使用测得的紫外线抗蚀剂线的粗糙度特性并应用 90 nm 技术节点的 ITRS 要求，推导出的采样长度和采样间隔表达式意味着必须以 7.5 nm 或更短的间隔测量至少为节点 8 倍的线长（即 720 nm）。
深度学习算法预测加密货币波动价格：增加投资意识
摘要：以太坊和 XRP 等数字货币允许所有交易在线进行。为了强调法定货币的去中心化性质，我们可以举例说明所有虚拟货币用户都可以在没有第三方参与的情况下访问服务。加密货币价格波动是非平稳且高度不稳定的，类似于传统股票的价格变化。由于加密货币的吸引力，投资者和研究人员都更加关注加密货币价格预测。随着深度学习的兴起，加密货币预测变得非常重要。在本研究中，我们提出了一种长短期记忆 (LSTM) 算法，可用于预测四种类型的加密货币的价值：AMP、以太坊、光电系统和 XRP。均方误差 (MSE)、均方根误差 (RMSE) 和归一化均方根误差 (NRMSE) 分析用于评估 LSTM 模型。从这些模型中获得的结果表明，LSTM 算法在预测所有形式的加密货币方面均具有出色的性能。因此，它可以被视为最有效的算法。LSTM 模型为所有加密货币提供了有希望且准确的预测。该模型用于预测 180 天内加密货币的未来收盘价。在训练和测试过程中，使用 Pearson 相关性指标来评估预测值与目标值之间的相关性。在预测 XRP 货币价格时，LSTM 算法在训练 (R = 96.73%) 和测试 (96.09%) 中实现了最高的相关值。使用已建立的 LSTM 模型可以准确预测加密货币价格，该模型表现出高效的性能。应用这些模型的意义在于，它们可能通过协助投资者和交易者识别不同类型加密货币的销售和购买趋势，对经济产生巨大影响。将 LSTM 模型的结果与现有系统的结果进行了比较。本研究的结果表明，基于所提出的系统的低预测误差，所提出的模型表现出卓越的准确性。
确定 CD-SEM 测量线边缘粗糙度的最佳参数
线边缘粗糙度 (LER) 的测量最近已成为光刻计量学界和整个半导体行业关注的话题。高级计量咨询小组 (AMAG) 是由国际 SEMATECH (ISMT) 联盟成员公司和美国国家标准与技术研究所 (NIST) 的首席计量学家组成的委员会，该委员会有一个项目，旨在研究 LER 指标并指导关键尺寸扫描电子显微镜 (CD-SEM) 供应商社区采用半导体行业支持的标准化解决方案。2003 年国际半导体技术路线图 (ITRS) 包含了粗糙度的新定义。ITRS 设想了边缘和宽度粗糙度的均方根测量。还有其他可能的指标，其中一些在这里进行了调查。ITRS 设想将均方根测量限制在粗糙度波长范围内，该波长落在指定的工艺相关范围内，并且测量重复性优于指定的公差。本研究解决了满足这些规范所需的测量选择。推导出必须测量的线长表达式以及沿该长度的测量位置间距。图像中的噪声会产生粗糙度测量误差，这些误差既有随机成分，也有非随机成分（即偏差）。在特殊测试图案中报告了对紫外线抗蚀剂和多晶硅的测量结果，这些材料的粗糙度是典型的。这些测量表明，粗糙度测量对噪声的灵敏度主要取决于边缘检测算法的选择和焦点的质量。当使用基于模型或 S 形拟合算法且图像对焦良好时，测量对噪声的敏感度较低。使用测量的 UV 抗蚀剂线的粗糙度特性并应用 ITRS 对 90 nm 技术节点的要求，得出的采样长度和采样间隔表达式意味着必须以 7.5 nm 或更小的间隔测量至少 8 倍节点（即 720 nm）的线长。
阵列元素定位声纳浮标原型 - DTIC
特性由阵列的孔径决定。但是，由于稀疏阵列中的元素数量减少，平均旁瓣电平高于相同孔径的全采样阵列的预期值。假设主瓣幅度为 M，正如预期的那样，对于一个由 M 个标准化和完全局部化的元素组成的阵列，每个元素在主响应轴方向上贡献一个同相矢量。然而，在远离主响应轴的给定方向上，由于元素位置随机，矢量并不同相，而是表现出统计随机相位。单位矢量与随机相位相结合，产生一个均方根 (rms) 幅度为 rm 的旁瓣电平。因此，对于随机阵列，平均旁瓣与主瓣的功率比为 M/MI = 1/M (Lo, 1964, 1965)。
机器学习在采矿业的应用系统评价
摘要：智能采矿技术的最新发展使得实时生成、收集和共享大量数据成为可能。因此，利用这些数据的机器学习 (ML) 研究正在采矿业中积极开展。在本研究中，我们回顾了过去十年发表的 109 篇研究论文，这些论文讨论了矿产勘探、开采和矿山复垦的 ML 技术。系统分析了 109 篇论文中主要讨论的研究趋势、ML 模型和评估方法。结果表明，自 2018 年以来，采矿业一直在积极开展 ML 研究，主要用于矿产勘探。在 ML 模型中，使用最多的是支持向量机，其次是深度学习模型。对 ML 模型的评估主要基于其均方根误差和判定系数。
湍流边界层的气动光学畸变
四个直接数值模拟 (DNS) 数据集涵盖了 8 至 14 的有效自由流马赫数，用于研究高超音速边界层中湍流引起的气动光学畸变行为。数据集包括两个来自平板边界层（马赫数 8 和 14）的模拟数据集和两个来自尖锥流（马赫数 8 和 14）的模拟数据集。来自每个 DNS 的瞬时三维密度场被转换为折射率并进行积分以产生由湍流引起的光程差 (OPD) 分布。然后将这些值与文献中的实验数据和现有的 OPD 均方根模型进行比较。虽然该模型最初是为马赫数 ≤ 5 的流动开发的，但它为我们比较高超音速数据提供了基础。
宏观经济数据预测模型的构建和优化
摘要： - 人力资本首先被视为宏观经济发展中的生产成分，但内源性生长理论最终取代了这一观点。大多数早期研究都使用计量经济学模型来研究GDP预测。由于机器学习模型可以有效地解决非线性相互作用，因此该研究通过使用机器学习方法来检查链接提供了新的视角。使用最佳的机器学习技术，特别是支持向量机器，创建了经济发展的预测模型。为了改善SVM预测，使用贝叶斯方法和多个内核函数优化了超级参数。三个统计指标 - 确定系数，平均绝对误差和均方根误差用于评估模型的有效性。