XiaoMi-AI文件搜索系统
World File Search System均方误差
机器学习的药品销售预测
摘要：这项研究探讨了机器学习策略估算药品协议的适当性，并显示了对四个计算的比较研究：随机森林，梯度增长，长期记忆（LSTM）和自动性综合运动平均值（ARIMA）。现实世界中的药物交易信息用于评估使用测量值的预定计算的先见优先执行，例如残酷绝对误差（MAE），均方误差（MSE）和根残酷平方误差（RMSE）。结果表明，LSTM击败了其他计算，完成了最大的900个MAE，13000的MSE和113.96的RMSE。此外，该研究对不同部门的有先见之明分析和机器学习的后续进展进行了全面调查，计算医疗保健，供应链给药，背部和自然支持性。这些发现强调了进步分析在推动关键决策，优化资产分配以及缓解药品交易中的危险方面的变革潜力。向前迈进，将机器学习驱动的确定模型集成到组织程序中将继续彻底改变制药行业，并为可维护的开发和进步扫清道路。
基于贝叶斯优化的Informer锂离子储能电站电压异常预测方法
1 新疆大学可再生能源发电与并网教育部工程研究中心，乌鲁木齐 830049，新疆，中华人民共和国。2 新疆电力有限公司电力科学研究院，乌鲁木齐 830049，新疆，中华人民共和国。通讯作者：吴嘉辉 (wjh229@xju.edu.cn)。摘要：随着储能电站领域的蓬勃发展，电池系统状态和故障的预测受到广泛关注。电压作为各类电池故障的主要指示参数，准确预测电压异常对确保电池系统的安全运行至关重要。本研究采用基于 Informer 的预测方法，利用贝叶斯优化算法对神经网络模型的超参数进行微调，从而提高储能电池电压异常预测的准确性。该方法以1分钟为采样间隔，采用一步预测，训练集占总数据的70%，将预测结果的均方根误差、均方误差和平均绝对误差分别降低至9.18mV、0.0831mV和6.708mV。还分析了实际电网运行数据在不同采样间隔和数据训练集比例下对预测结果的影响，从而得到一个兼顾效率和准确性的数据集。所提出的基于贝叶斯优化的方法可以实现更准确的电压异常预测。
基于...的四旋翼无人机建模与PID控制
摘要：本文旨在探讨四旋翼无人机的建模与控制方法。建模过程中采用机构建模与实验测试相结合的方式，特别对电机和螺旋桨进行了详细的建模。通过对四旋翼无人机机体结构和飞行原理的了解，采用牛顿-欧拉法对四旋翼无人机进行动力学分析，建立了小角度转动下的无人机数学模型。采用过程辨识器（PID）对其进行控制。首先采用PID控制模型的姿态角，在此基础上采用PID控制各个方向上的速度。然后，利用MATLAB对重心偏移的四旋翼飞行器的PID控制进行仿真。结果表明:在重心不发生偏移的情况下,俯仰角和滚转角可以共同控制5°,PID可以有效地控制控制量,并在较短的时间内达到预期的效果。对经典BP算法、经典GA-BP算法、改进GA-BP算法分别进行了训练,共150组训练数据,训练函数采用Levenberg-Marquardt(trainlm),性能函数采用均方误差(MSE)。在同样噪声的背景下,改进GA-BP算法的检测率最高,经典GA-BP算法次之,经典BP算法最低。
通过卷积神经网络混合模型对脑电信号进行抑郁症连续评分
摘要 — 传统上，抑郁评分是通过贝克抑郁量表 (BDI) 测试来确定的，这是一种定性问卷。通过分析和分类预先记录的脑电图 (EEG) 信号，也可以实现抑郁症的定量评分。在这里，我们更进一步，将原始 EEG 信号应用于提出的混合卷积和时间卷积神经网络 (CNN-TCN)，以连续估计 BDI 分数。在本研究中，119 名受试者的 EEG 信号通过连续的闭眼和睁眼间隔被 64 个头皮电极捕获。此外，所有受试者都参加 BDI 测试并确定他们的分数。所提出的 CNN-TCN 在睁眼状态下提供 5.64 ± 1.6 的均方误差 (MSE) 和 1.73 ± 0.27 的平均绝对误差 (MAE)，在闭眼状态下提供 9.53 ± 2.94 的 MSE 和 2.32 ± 0.35 的 MAE，这显著超过了最先进的深度网络方法。在另一种方法中，从连续帧的 EEG 信号中提取常规 EEG 特征，并将它们与已知的统计回归方法结合应用于所提出的 CNN-TCN。我们的方法提供了 10.81 ± 5.14 的 MSE 和 2.41 ± 0.59 的 MAE，在统计上优于统计回归方法。此外，使用原始 EEG 的结果明显优于使用 EEG 特征的结果。
利用人工神经网络达到风速...
电力被普遍认为是增强生活水平的关键因素。因此，安全的电能消耗对于有效的国家能源管理至关重要。要这样做，需要对电力需求进行细致的评估。通过可行性研究找到可行的位置，并测量当地风速是建立植物风能之前的必要步骤。风速和模拟的估计可以用于进行这些评估。这项研究使用了人工神经网络（ANN），其中包括Levenberg-Marquardt（LM）学习算法来估计利比亚市Dernah的风速。利比亚气象中心的一年数据已用于训练，测试和验证ANN以预测小时风速。通过神经元计数为10、20、30、40和50，对ANN的结构进行了评估，从而使我们能够确定神经元的最佳数量以进行准确的预测。使用从Levenberg-Marquardt方法（LMA）获得的结果以及均方误差（MSE）和确定系数（R²）进行估计分析。结果表明，具有10个神经元的Levenberg-Marquardt方法表现最佳，R2的值为0.99661，MSE为0.000250。这些发现证实，可以在合理的范围内计算风速，因为它们表明基于可用的微不足道的气象数据的风速估计几乎与测量值匹配。
v2.3 发布说明 - 水文工程中心
有效记录长度 (ERL) 可定义为“产生与给定的历史数据和系统数据组合相同的均方误差 [或分位数方差] 的系统数据的年数”（Cohn and Stedinger，1986 5）。当所有输入数据都是系统的（即精确的）时，ERL 就等于记录长度。当某些输入数据包含流量间隔、删失或区域偏差信息时，ERL 是未知的，必须进行估算。存在各种基于随机（蒙特卡罗）的方法，用于对分析流量频率曲线中的不确定性进行建模。这些模型通常用于支持各种风险知情决策。一些示例包括流域分析工具 (HEC-WAT 6 )、洪灾减少分析 (HEC-FDA 7 ) 和水库频率分析 (RMC-RFA 8 )。 ERL 通常用作输入参数，使用诸如引导法（Efron，1979 9 ）或参数抽样分布（USACE，2016 ）等技术对流量频率曲线中的不确定性进行建模。版本 2.3 中添加了一种新的 ERL 计算方法，当包含流量间隔、审查和/或区域偏差信息时，该方法可以计算出更准确的 ERL 估计值，如下图所示。有关此更改以及示例应用程序的更多信息，请参见此处 10 。
数据驱动的数字焊接预测性维护方法...
摘要 数字焊接机（DWM）是一种先进的材料成型工具。DWM 的寿命和健康状况与其安全性和可靠性密切相关。针对 DWM 寿命预测准确率不高的问题，提出了一种基于免疫算法（IA）和带注意机制的长短期记忆网络（LSTM）的模型。首先，评估并筛选 DWM 寿命的退化特征指标。然后，利用线性回归构建健康指数，定量反映 DWM 的寿命状态。使用优化模型预测剩余寿命，并使用 5 个指标与各种模型进行比较。最后，基于产品检验和生产调度对 DWM 进行预测性维护。得到目标函数的最优解，计算出数字焊机的最佳预测维护方法。在寿命预测过程中，优化模型与传统LSTM模型相比，均方根误差降低了20%，均方误差降低了35.8%。平均绝对误差降低了14.2%，平均绝对百分比误差更接近于0，判定系数提高了23%。结合实际的产线安排，可以在最合适的时间对DWM进行维护，以最大限度地降低维护成本。
使用神经网络对退役地球静止卫星纵向演化进行建模
摘要：本研究使用神经网络探索退役地球静止卫星复杂的纵向进程。目标是建模和预测卫星在时间维度上的纵向动态。历史卫星经度数据经过彻底的预处理，以训练所有六颗退役卫星的单输入和三输入配置的时间序列神经网络，从而获得全面的纵向行为洞察。结果显示出令人印象深刻的结果：预测和测量经度之间的平均均方误差 (MSE) 为 1.55x10 -3 ，回归接近 1。这种收敛意味着所采用的神经网络方法与复杂的问题领域之间存在很强的一致性。这些结果强调了所选神经网络方法在解决退役地球静止卫星轨迹建模所带来的挑战方面的适用性和有效性。这项研究的影响涵盖了各个领域。深入了解长期轨道变化有助于理解卫星行为，增强轨迹预测和卫星管理和空间技术进步的决策。此外，该研究还强调了准确预测卫星退役后行为的重要性。这有助于更好地规划任务、优化资源，并制定更有效的空间垃圾处理策略。关键词：退役卫星、地球静止轨道、神经网络、纵向演化、轨道动力学。
使用通话详细记录和混合机器学习方法对房地产价格进行建模的人工智能
摘要：开发准确的房地产价格预测模型对于城市发展和几项关键的经济功能至关重要。由于存在巨大的不确定性和动态变量，房地产建模已被视为复杂系统进行研究。在本研究中，提出了一种新颖的机器学习方法来解决房地产建模的复杂性。通话详细记录 (CDR) 为深入研究流动性特征提供了绝佳的机会。本研究探索了借助人工智能 (AI) 预测房地产价格的 CDR 潜力。几个重要的流动性熵因素，包括居民熵、居民回转、工人熵、工人回转、居民工作距离和工人家庭距离，被用作输入变量。使用多层感知器 (MLP) 的机器学习方法开发预测模型，并使用粒子群优化 (PSO) 的进化算法进行训练。使用均方误差 (MSE)、可持续性指数 (SI) 和 Willmott 指数 (WI) 评估模型性能。所提出的模型显示出令人鼓舞的结果，表明工人的熵和居民的工作距离直接影响房地产价格。然而，居民流动、居民熵、工人的流动和工人的家对价格的影响最小。此外，结果表明，活动流动和流动熵通常与房地产价格较低的地区有关。
神经网络量子态断层扫描
现代量子技术利用量子系统的独特特性来实现经典策略无法达到的性能。这一潜在优势取决于创建、操纵和测量量子态的能力。该领域的任何实验程序都需要对这些步骤进行可靠的认证：这正是量子态层析成像 (QST) 的领域 [1]。QST 的目标是通过对系统有限组相同副本进行测量来估计未知的量子态。如果状态由密度矩阵 ϱ 描述，位于 ad 维希尔伯特空间中，则需要 O(d/ε) 个副本才能获得 ϱ 的估计值，且误差（理解为总变分距离）小于 ε[2]。这清楚地说明了 QST 对大规模系统的资源需求。从广义上讲，QST 是一个逆问题 [3-5]。因此，线性反演 [6] 可能是该主题最直观的方法。然而，它也有一些缺点：它可能报告非物理状态，并且无法通过分析确定估计的均方误差界限。为了绕过这些缺点，可以使用各种有用的 QST 方法，例如贝叶斯断层扫描 [ 7 ， 8 ]、压缩感知 [ 9 ， 10 ] 或矩阵积状态 [ 11 ， 12 ]，尽管最大似然估计 (MLE) 仍然是最常用的方法 [ 13 ， 14 ]。从现代的角度来看，QST 本质上是一个数据处理问题，试图从