XiaoMi-AI文件搜索系统
World File Search System均方根
支持向量机和人工神经网络期权价格预测的比较研究
选择定价已成为金融市场中非常重要的部分之一。由于市场总是动态的，因此很难准确预测期权价格。因此，已经设计和开发了各种机器学习技术，以解决预测期权价格未来趋势的问题。在本文中，我们比较了支持向量机（SVM）和人工神经网络（ANN）模型的有效性，以预测期权价格。两种模型均使用公共可用数据集的基准测试，即在测试和培训阶段间谍期权价格2015。在两种模型中都使用了通过主成分肛门（PCA）转换的数据，以实现更好的预测准确性。另一方面，整个数据集分为两组培训（70％）和测试集（30％），以避免过度拟合问题。将SVM模型的结果与基于均方根误差（RMSE）的ANN模型的结果进行了比较。实验结果证明了ANN模型的性能优于SVM模型，并且预测的期权价格与相应的实际期权价格非常吻合。
具有空间时间平均功能的分数 N PLL，用于...
摘要 — 本文介绍了一种空间时间平均技术，该技术可实现瞬时小数分频，从而显著降低小数 N 锁相环 (PLL) 中的量化误差。空间平均可通过使用并行运行的分频器阵列来实现。它们的不同分频比由小数调制器 (DSM) 和动态元件匹配 (DEM) 块产生。为了降低分频器功率，本文还提出了一种仅使用一个分频器和相位选择来实现空间平均的方法。原型 2.4 GHz 小数 N PLL 采用 40 nm CMOS 工艺实现。测量结果表明，所提出的技术分别在 1 MHz 和 10 MHz 偏移处将相位噪声降低了 10 dB 和 21 dB，从而使积分均方根抖动从 9.55 ps 降低至 2.26 ps。索引术语——调制器（DSM）、数据加权平均（DWA）、动态元件匹配（DEM）、小数N分频PLL、频率合成器、相位噪声、锁相环（PLL）、量化噪声降低。
使用优化的1D CNN的智能天气预测模型与Gru
影响人类生计的主要因素之一是天气事件。造成森林火灾，高空温度和全球变暖的高天气灾难，导致干旱。需要采取有效，准确的天气预报方法来针对气候灾难采取措施。因此，设计一种可以做出更好天气预测的方法很重要。这项工作提出了一个优化的深度学习模型，即1D卷积神经网络（CNN），其注意力门控复发单元（GRU）模型，可用于可靠的天气预测。也就是说，要捕获天气数据的局部特征，使用了1D CNN，并捕获天气数据的时间特征，使用了优化的GRU。注意机制用于改善性能，而GRU的超参数通过自适应野马算法（AWHA）进行了优化。这项工作考虑了具有14个参数的Jena气象数据库，并为不同的预测度量进行了比较分析。提出的天气预测模型达到了更好的均方误差（MSE）和均方根（RMSE）值。
基于人工智能的自动化主动准备实时系统，用于准确预测 COVID-19 感染——性能评估
COVID-19 是一种传染病，已感染全球超过 5 亿人。由于病毒的迅速传播，各国面临着应对感染增长的挑战。特别是，医疗保健组织在有效配置医务人员、设备、病床和隔离中心方面面临困难。机器和深度学习模型已用于预测感染，但模型的选择对于数据分析师来说具有挑战性。本文提出了一种自动化的人工智能主动准备实时系统，该系统根据感染演变的时间分布选择学习模型。所提出的系统集成了一种确定合适学习模型的新方法，无需人工干预即可产生准确的预测算法。对我们提出的方法和最先进的方法进行了数值实验和比较分析。结果表明，与最先进的方法相比，所提出的系统预测感染的平均绝对百分比误差 (MAPE) 平均降低了 72.1%，均方根误差 (RMSE) 平均降低了 65.2%。
一种提高输电线路动态热额定值估计精度的数字孪生方法
摘要：输电线路热容量的限制对电力系统的安全性和可靠性起着至关重要的作用。动态热线额定值方法旨在估计输电线路的温度并评估其是否符合上述限制。现有的基于物理的标准是根据多个传感器测量的环境和线路条件来估计温度的。本文表明，采用数据驱动的数字孪生方法可以提高估计精度。所提出的方法利用机器学习，通过学习物理传感器数据和实际导体温度之间的输入输出关系，作为基于物理的标准的数字等价物。对真实数据的实验评估，将所提出的方法与 IEEE 738 标准进行比较，结果显示均方根误差减少了 60%，最大估计误差从 10°C 以上降至 7°C 以下。这些初步结果表明，数字孪生提供了更准确、更稳健的估计，可以作为传统方法的补充或潜在替代方案。
源自...的数字地图的几何精度评估
使用 49 个独立检查点 (ICP) 对正射 QuickBird 高分辨率卫星图像 (HRSI) 产品（地面采样距离 (GSD) 约为 70 厘米）的几何精度进行了评估。在 QuickBird HRSI 上选择的 ICP 表示为独特的点特征，有利于在 HRSI 和地面上进行高精度测量，并广泛分布在研究区域。这些 ICP 是使用基于与 QuickBird HRSI 相同的坐标参考和投影的南差分全球定位系统 (DGPS) 测量的，以获得其相应的地面控制点 (GCP) 坐标。所得结果表明，差异幅度很小且具有随机性。计算得出的均方根误差（RMSE 2D 为 0.722481 米）和调整后的 R 2（0.999999）表明，获得的精度符合正射校正 QuickBird HRSI 的分辨率。因此，正射校正 QuikBird HRSI 可用于地图创建、变化检测、图像分析，以及在不使用地面控制点的情况下对偏远地区的特征进行地理定位以及其他相关的测绘应用。
锂离子电池寿命预测方法在热梯度条件下
摘要：锂离子电池组中不可避免的热梯度由于热量产生和耗散不均，这会影响电池老化。在本文中，建立了用于模拟实用热梯度条件的实验平台。实验结果表明高非线性电池降解程度很高。考虑到高度非线性，高度非平稳性和随时间变化的数据的极限学习机器（ELM），它具有良好的学习能力和拟合能力。在本文中提出了基于麻雀搜索算法（SSA）的电池寿命预测模型，以优化ELM网络的随机权重和偏置，并通过实验数据进行验证。结果表明，与传统的ELM和后传播神经网络相比，SSA优化的ELM的预测结果具有较低的平均绝对误差百分比和均方根误差，这表明SSA-ELM模型具有较高的预测准确性，并且具有更好的稳定性，并且具有高非线性程度的处理数据方面具有明显的优势。
普通趋势和国家特异性的异质性 -
我们采用半参数功能系数面板方法，允许具有经济利益的利益关系，以具有国家特定的异质性和一个共同的组成部分，并且在协变量中可能是非线性的，并且可能会随着时间而变化。估算了系数和部分导数（弹性）的共同成分的表面，然后通过功能主组件分解，并引入了基于自举的程序，以推断功能性主组件的负载。将这种方法应用于国家能量GDP弹性，我们发现弹性是由两组国家 /地区不同的共同组成部分驱动的，但具有共同的功能性主要组成部分。这些群体大致对应于经合组织和非OECD国家，但是我们利用一种新的方法来基于共同的能耗模式来重新组合国家，以降低组内的均方根误差。包含更多发达国家的群体的共同组成部分具有额外的功能性主要成分，可降低近几十年来最富有国家的弹性。
增强型生成对抗网络，用于 3D 脑 MRI 超分辨率
用于磁共振成像 (MRI) 的单图像超分辨率 (SISR) 重建引起了人们的极大兴趣，因为它不仅可以加快成像速度，还可以改善可用图像数据的定量处理和分析。生成对抗网络 (GAN) 已被证明在图像恢复任务中表现良好。在这项工作中，我们遵循 GAN 框架并开发了一个与鉴别器相结合的生成器来解决 T1 脑 MRI 图像上的 3D SISR 任务。我们开发了一种新颖的 3D 内存高效的残差密集块生成器 (MRDG)，其在 SSIM（结构相似性）、PSNR（峰值信噪比）和 NRMSE（归一化均方根误差）指标方面实现了最先进的性能。我们还设计了一个金字塔池化鉴别器 (PPD) 来同时恢复不同尺寸尺度上的细节。最后，我们引入了模型混合，这是一种简单且计算效率高的方法，可以平衡图像和纹理
文章 使用机器学习算法对锂离子 NMC 电池进行充电状态 (SoC) 预测建模 Farah Apit Tantri 1、Dewanto Harj
6 文莱理工大学工程学院电气工程系，文莱达鲁萨兰国加东 *电子邮件：elhanif@staff.uns.ac.id（通讯作者）摘要。充电状态 (SoC) 估计对于锂离子电池至关重要，以防止过度充电和放电，影响电池的安全性、稳定性和效率。传统技术是估算 SoC 最常用的方法。然而，由于它们的计算敏感性和难以适应复杂环境，它们在预测 SOC 方面不太准确。本研究提出了四种机器学习模型：线性回归、多层感知器、决策树和随机森林，用于锂离子 NMC 电池的 SoC 预测。模型的性能是根据相关系数和误差值（平均绝对误差或 MAE 和均方根误差或 MRSE）进行评估的。结果显示，随机森林模型性能最佳，相关系数为1，MAE和MRSE值分别为0.2052和0.2712。相反，线性回归模型性能最差，相关系数为0.9534，MAE和MRSE值分别为5.9064和8.2602。关键词：充电状态（SoC），NMC电池，机器学习。