XiaoMi-AI文件搜索系统
World File Search System均方根
智利系统运营商使用的通用电网形成模型的回顾
AC 交流电 ABCG 三相接地故障 AEMO 澳大利亚能源市场运营商 AG 单相接地故障 BC 两相故障 BESS 电池储能系统 EMT 电磁暂态 EMTP 电磁暂态程序 EPRI 电力研究院 F 频率 FRT 故障穿越 GFM 并网 IBR 基于逆变器的资源 ISR IBR 短期额定值 HIL 硬件在环 IEEE 电气电子工程师协会 NERC 北美电力可靠性公司 OEM 原始设备制造商 P 有功功率，单位 MW。单位 Pu POC 连接点 RMS 均方根 ROCOF 频率变化率 SCR 短路比 SCRX 简单励磁系统模型 S 视在功率，单位 MVA SG 同步发电机 TGOV 涡轮调速器模型 V 电压
锂离子电池建模和 BMS 的自适应扩展卡尔曼滤波器实现
摘要- 为单引擎双座滑翔机上的有效载荷系统制造了定制锂离子电池。在形成电池管理系统的软件开发阶段，为了在充电和放电过程中提供安全性，需要一些参数来指示电池的状况。因此，在本研究中，在 42 Ah 锂离子电池中进行了电等效电路方法和自适应扩展卡尔曼滤波器中使用的充电状态估计过程。结果，平均绝对误差和均方根误差的值小于 1%。在实际过程中，从未发现过真正的误差值。给出噪声以确定扩展卡尔曼滤波器和自适应扩展卡尔曼滤波器 (AEKF) 算法之间的自适应能力。此外，将主 SoC 设置为某个值以查看估计精度。研究表明，该方法可以应用于有效载荷系统的 BMS 软件的开发。
EMG信号分类和使用机器学习和
在本文中，使用支持向量机（SVM）设计了一个分类器来对肌电图（EMG）信号进行分类。鉴于EMG信号，基于SVM的分类器旨在将十个单独的手指运动命令分类为预定义的运动之一。在分类之前，将EMG数据用DWT（例如平均绝对值（MAV），均方根（RMS）和SD提取，并将每个窗口提取并组合到功能集。提取的特征用作分类系统的输入。线性SVM（单位方法）用于EMG信号的多类分类。DWT大小。还报告了确保手指运动之间最大歧视的最佳功能集。验证表明，支持向量机可以正确分类EMG信号，更高的分类精度为91.7％，适用于为建议的方法设计。
健康和使用监测系统调查...
A/C 飞机 ARMS 飞机记录和监控系统 CBM 基于条件的维护 CI 条件指示器 CG 重心 COTS 商用现货 CVR 驾驶舱语音记录器 DAU 数据采集单元 DSC 数字源收集器 EF 欧洲战斗机 EVM 发动机振动监控 FAA 美国联邦航空管理局 FDR 飞行数据记录器 HUMS 健康和使用监控系统 IAS 指示空速 IGB 中间齿轮箱 ILS 综合后勤支援 IPS 英寸/秒 IVHM 综合振动健康监控 MARMS 模块化飞机记录和监控系统 MGB 主齿轮箱 MSR 机械应变记录器 RMS 均方根 RTB 旋翼轨迹和平衡 SHM 结构健康监控
预测使用外骨骼进行建筑工作的心理工作量：一种深度学习方法
摘要：外骨骼正在引起人们的注意，作为解决建筑行业背部受伤的潜在解决方案。但是，在施工中使用主动支持外骨骼会引发意想不到的后果，这可能会增加工人的心理工作量。长期增加心理工作可以影响工人的福祉和生产力。预测外骨骼使用期间的心理工作量可以为减轻触发因素提供依据。这项研究研究了两个机器学习框架，用于使用主动的背支持外骨骼进行施工工作来预测精神工作量。实验实验，其中脑电图（EEG）的数据是从戴着主动背支架外骨骼的参与者那里收集的，以执行地板任务。EEG数据接受了预处理，包括频带滤波，缺口过滤和独立的组件分析，以删除工件并确保数据质量。基于回归的长期记忆（LSTM）网络和卷积神经网络和LSTM的混合模型进行了培训，以预测处理后的脑电图数据的未来时间步骤。使用均方根误差和R平方评估网络的性能。平均均方根误差为0.162，R平方为0.939，表明LSTM网络在所有EEG通道上具有更好的预测能力。实际心理工作量和预测的心理工作量之间的比较结果还表明，实际心理工作负载中约有75％的差异是在预测的心理工作中捕获的。这项研究增强了对在建筑工作中使用外骨骼的意外后果的理解。结果强调了各种卷积神经网络方法在识别关键EEG数据特征的有效性，并为未来应用中的算法选择提供了指南。此外，该研究还确定了在使用外骨骼期间评估心理工作量的最合适的大脑通道，从而有助于EEG设备的开发，以优化成本效益，解释力和最少的通道。这项研究为利益相关者提供了宝贵的见解，以便在使用外骨骼并发现缓解机会的同时了解心理工作的影响。
rea 公告 1724e-202 - 美国农业部农村发展部
AAC - 全铝导体 ACSR - 钢芯铝导体 AN - 可听噪声 ASNR - 环境信噪比 BIL - 基本脉冲绝缘水平 BSL - 基本开关浪涌水平 CFR - 联邦法规 EHV - 超高压 EMI - 电磁干扰 E/M - 电磁的 E/S - 静电的 HVAC - 高压交流电 HVDC - 高压直流电 kV - 千伏 MV - 兆乏 MVA - 兆伏安 MW - 兆瓦 NESC - 国家电气安全规范 OHGW - 架空地线 PCB - 电力断路器 RI - 无线电干扰 REA - 农村电气化管理局 RMS - 均方根 ROW - 通行权 SNR - 信噪比 SSR - 次同步谐振 TNA - 瞬态网络分析仪 TVI - 电视干扰 UHV - 特高压
一项基于机器学习预测房价的比较研究
摘要 - 这项研究介绍了四种机器学习方法的开发和比较，即随机森林，决策树，线性回归和K-最近的邻居（K-NN），以使用波士顿住房数据集进行基于房价的预测。使用均方根误差和r 2评估了方法性能，目的是确定最能预测住房价格的模型。对数据集进行了彻底分析，以了解功能，相关性，多重共线性和过度拟合。结果表明，RF模型在预测房价方面的表现优于其他模型，因为它具有解决变量之间非线性和复杂相互作用并减少异常值的影响的能力。DT模型也表现良好，但可能更容易过度拟合。lr可能受到变量之间的线性和独立性的假设的限制。
利用人工智能改善患者流量和医疗服务
预测等待时间和预约延迟有助于优化医院资源并提高患者满意度。Curtis 等人利用几种机器学习算法来预测无需预约的放射中心的等待时间或四种模式（计算机断层扫描、核磁共振、超声波和射线照相）的预约放射设施的延迟时间。从放射信息系统中提取了几个变量。九种机器学习算法（神经网络、随机森林、支持向量机 (SVM)、弹性网络、多元自适应回归样条、k 次近邻、梯度增强机、装袋以及分类和回归树）用于对其参数进行微调，以最佳地拟合训练数据。均方根误差指标用于确定算法的预测精度。在九种机器学习算法中，弹性网络在准确有效地预测等待时间和延迟时间方面优于其他算法 [19]。