XiaoMi-AI文件搜索系统
World File Search System多元回归
确定利用甲醇燃烧技术的间接量热仪的准确性和可靠性
摘要背景：市面上有几种间接量热法 (IC) 仪器，但缺乏比较有效性和可靠性数据。现有数据受到协议、受试者特征或单仪器验证比较不一致的限制。本研究的目的是使用甲醇燃烧作为跨实验室标准来比较代谢车的准确性和可靠性。方法：在 12 个代谢车上完成了八次 20 分钟的甲醇燃烧试验。计算了呼吸交换率 (RER) 和 O 2 和 CO 2 恢复百分比。结果：为了准确度，1 Omnical、Cosmed Quark CPET（Cosmed）和两个 Parvos（Parvo Medics trueOne 2400）测量的所有 3 个变量在真实值的 2% 以内； DeltaTracs 和 Vmax Encore System (Vmax) 在测量 1 个或 2 个变量（但不是全部变量）时都表现出相似的准确性。对于可靠性，8 种仪器被证明是可靠的，其中 2 种 Omnicals 排名最高（变异系数 [CV] < 1.26%）。Cosmeds、Parvos、DeltaTracs、1 Jaeger Oxycon Pro (Oxycon)、Max-II Metabolic Systems (Max-II) 和 Vmax 至少对 1 个变量可靠 (CV ࣘ 3%)。对于多元回归，湿度和甲醇燃烧量是 RER 的显著预测因子（R 2 = 0.33，P < .001）。温度和甲醇燃烧量是 O 2 恢复的显著预测因子（R 2 = 0.18，P < .001）；只有湿度是 CO 2 回收率的预测因素（R 2 = 0.15，P < .001）。结论：Omnical、Parvo、Cosmed 和 DeltaTrac 具有更高的准确性和可靠性。测试的仪器数量较少，并且气体校准变异性预计存在差异，限制了结论的普遍性。最后，可以在实验室中修改湿度和温度以优化 IC 条件。（Nutr Clin Pract.2018；33：206–216）
通过多变量回归和新型遗传算法预测 Q 值
收到日期：2020 年 1 月 5 日；修订日期：2020 年 4 月 17 日；接受日期：2020 年 5 月 28 日 摘要：确定隧道支撑是隧道工程领域的一个重要争论，它确保了隧道的稳定性和安全性。Q 系统分类是一种用于确定岩石隧道支撑系统的技术。问题在于无法获得支撑系统所需的所有参数。另一方面，这种访问非常昂贵且耗时。因此，不可能在所有情况下确定 Q 值。本文使用 SPSS 程序确定 Q 系统中最有影响力的参数。然后，采用多元回归 (MVR) 和遗传算法 (GA) 方法，提出了一种使用三个有影响的参数预测 Q 值的关系。为此，使用了 140 个实验数据。为了评估获得的模型，使用了 34 个不在原始数据集中的新实验数据。本文的创新之处在于不再使用六个参数，而是使用对 Q 值影响最大的三个参数来确定 Q 值。在本研究中，MVR 模型（训练数据的 RMSE = 2.68、相关系数 = 0.81，测试数据的 RMSE = 2.55、相关系数 = 0.80）表现优于 GA 模型（训练数据的 RMSE = 2.90、相关系数 = 0.82，测试数据的 RMSE = 2.61、相关系数 = 0.84）。关键词：遗传算法、影响参数、多变量回归、Q 系统、隧道支护。1. 引言如今，地下空间在发达国家和发展中国家的使用越来越多。地面空间的限制、核电站的建设以及弹药和武器库的建设使得利用地下空间和设计隧道成为必然。
人工智能：谷歌课堂和学习分析对尼日利亚大学商科教育学生学术参与的互动影响
摘要 本研究旨在确定一个支持学生学术参与和提高学习成果的交互式数字学习环境。本研究采用准实验和非等效对照组研究设计。我们使用目的抽样技术来选择研究样本。此外，该研究还从南尼日利亚四所大学的 422 名本科营销专业学生的纵向研究调查回复中抽取样本，以检验研究假设。这些大学包括卡拉巴尔大学 (UNICAL)、安布罗斯阿里大学、埃克波玛大学 (AAU)、乌约大学 (UNIUYO) 和阿巴拉卡三角州立大学 (DSUA)。UNICAL 和 AAU 的学生组成治疗组，而 UNIUYO 和 DSUA 的学生则为对照组。本研究使用了三套工具。它们是：电子营销成就测试问卷、营销专业学生学术参与度量表和学生学习满意度量表。这三种工具由五位专家验证，每所研究的机构各派一名专家。使用 Cronbach alpha 系数测试了这些工具的可靠性，结果显示 e-MATQ、MSAES 和 SLSS 的系数可靠性指数分别为 0.850、0.835 和 0.863。使用重复测量方差分析 (ANOVA)、分层多元回归 (HMR) 分析和 5000 次重新采样 BC 引导来检验 0.05 显着性水平下的假设。结果表明，与对照组相比，接受治疗的营销学生在第 2-3 次的学业成绩显著提高。学生表达了通过 E-MVC 参与学术活动的满意度和意愿，而学术参与对学生的学习成绩具有完全的中介作用。我们建议大学管理者和教育部应创建一个有利的虚拟环境，以促进使用 E-MVC 进行有效的教学实践。
Microsoft Word - FantasyFootball-KDD-DLP-Sports-cameraready.docx
摘要 梦幻体育让球迷可以管理自己喜欢的运动员组成的球队，并与朋友和其他经理竞争。梦幻平台将运动员在现实世界中的统计表现与梦幻得分相结合，其受欢迎程度稳步上升，2018 年至 2019 年期间，每月估计有 910 万玩家在 ESPN Fantasy Football 平台上花费了 77 亿分钟，球员卡片浏览量达 44 亿次。与此同时，体育媒体界制作了幻想体育范围内和范围外的新闻报道、博客、论坛帖子、推文、视频、播客和观点文章。然而，人类幻想足球玩家无法消化和总结数十亿字节的自然语言文本和多媒体数据来做出阵容决定。在我们的系统出现之前，幻想经理依靠专家预测及其对平均 3.9 个信息源的分析来做出阵容决定。虽然这些专家擅长根据传统统计数据评估球员，但他们忽略了大部分可用于评估的数据。我们的工作讨论并展示了一种新颖的（正在申请专利的）机器学习管道的结果，该管道可以有效地管理 ESPN Fantasy Football 团队。每天将经过训练的统计实体检测器和 document2vector 模型应用于超过 50,000 个新闻来源和 230 万篇文章、视频和播客，使系统能够理解自然语言，类比测试准确率为 100%，关键字测试准确率为 80%。接下来，98 层深的深度学习前馈神经网络提供球员分类，例如球员是否会失败、爆发、带伤上场或发挥有意义的作用，累计准确率为 72%，真实世界分布率为 12%。最后，多元回归集成接受深度学习输出和 ESPN 投影数据，为 2018 年排名前 500 的梦幻足球球员中的每一个提供点投影。点投影保持了 6.78 个点的均方根误差。接下来，从适合当前预测和历史得分的 24 个概率密度函数中选出最佳的函数来
检测并绘制松属植物中槲寄生发生率的图表...
槲寄生在法国赤松林中发生率的上升是阿尔卑斯山赤松林保护和可持续性面临的主要问题之一。与天然林相比，人工林更容易受到生物入侵。研究区域覆盖着针叶林（低海拔地区主要是法国赤松），法国西南部阿尔卑斯山的一部分黑森林受到半寄生虫槲寄生的严重影响。由于槲寄生的发生，研究区域的法国赤松树枝肿胀、树体弯曲；树木死亡率惊人。为了管理和尽量减少生物入侵，检测和绘图在森林保护中起着关键作用。通过遥感技术检测和绘制生物入侵地图是研究人员要克服的挑战。高分辨率 (VHR) 卫星图像和航空图像的进步以及遥感和 GIS 技术的应用，已在森林健康状况的检测、绘图和监测方面显示出良好的效果。在本研究中，数字航空正射影像（分辨率 15 厘米）和 VHR 卫星图像 WorldView-2（全色 0.5m 和多光谱 2m）用于通过基于像素的最大似然分类器检测和绘制欧洲松林中槲寄生的存在。在 WorldView-2 光学影像上，成功绘制了欧洲松林的分布，精度较高（96%），kappa 系数为 0.84。存在槲寄生的欧洲赤松在所有波段的光谱反射率都较低，但 WorldView-2 的 NIR1、NIR2 和红边对槲寄生的区分能力更强。同样，植被指数 NDVI 85（红光和 NIR2 的波段组合）也有区分槲寄生的潜力。此外，结果表明，槲寄生与海拔呈负相关和显著相关（r=-0.5135；p<0.01），而与欧洲赤松的 DBH 呈显著正相关（r=0.52；p<0.01）。通过使用海拔和 DBH 建立了弱但统计显著的多元回归和逻辑回归，以模拟欧洲赤松树中槲寄生的发生率。通过应用基于像素的最大似然算法对松林中的槲寄生进行检测，在 WorldView-2 图像中实现了总体分类准确率 (86%) 和 kappa 系数 (0.52)。2m 分辨率 WV-2 与 0.15cm 分辨率正射影像分类输出的比较表明，空间分辨率较低但光谱分辨率较高的 WV-2 影像的分类精度较高（86%）。这项研究揭示了高分辨率光学影像在检测和绘制树木侵染地图方面具有巨大潜力。检测和绘制此类生物入侵地图可为更好地管理森林提供有用信息。关键词：检测和绘图、欧洲赤松、槲寄生、光学影像、生物入侵
脑时代分析中的陷阱
Alam，S。B.，Nakano，R。和Kobashi，S。（2016）。 使用大脑MR图像中多元回归分析的大脑年龄估计。 ijicic，12（4），1385 - 1396。 Aycheh，H。M.，Seong，J.-K.，Shin，J.-H.，Na，D.L.，Kang，B.，Seo，S.W。，＆Sohn，K.-A。 （2018）。 使用皮质厚数据数据的生物脑年龄预测：一项大型队列研究。 衰老神经科学的边界，10，252。 Beheshti，I.，Maikusa，N。，＆Matsuda，H。（2018）。 “大脑年龄评分”（BAS）与阿尔茨海默氏病传统神经心理筛查工具之间的关联。 大脑和行为，8（8），E01020。 Beheshti，I.，Nugent，S.，Potvin，O。，＆Duchesne，S。（2019年）。 基于神经影像学的脑年龄框架中的偏置调整：一个健壮的方案。 神经图像：临床，24，102063。 Bland，J。M.和Altman，D。G.（1994）。 回归均值。 BMJ，308（6942），1499。 Brown，T。T.，Kuperman，J.M.，Chung，Y.，Erhart，M.，McCabe，C.，Hagler Jr，…Dale，A.M。（2012）。 生物成熟度的神经解剖学评估。 Curlant Biology，22（18），1693 - 1698年。 Calkins，M。E.，Merikangas，K。R.，Moore，T。M.，Burstein，M.，Behr，M。A.，Satterthwaite，T。D.，…Gur，R。E.（2015）。 费城神经发育群体：建立一个深厚的表型协作。 儿童心理学和精神杂志 - 56（12），1356 - 1369。 Chen，W.，Hribar，P。和Melesta，S。（2018）。 使用残差作为因变量时的不正确推断。Alam，S。B.，Nakano，R。和Kobashi，S。（2016）。使用大脑MR图像中多元回归分析的大脑年龄估计。ijicic，12（4），1385 - 1396。Aycheh，H。M.，Seong，J.-K.，Shin，J.-H.，Na，D.L.，Kang，B.，Seo，S.W。，＆Sohn，K.-A。 （2018）。 使用皮质厚数据数据的生物脑年龄预测：一项大型队列研究。 衰老神经科学的边界，10，252。 Beheshti，I.，Maikusa，N。，＆Matsuda，H。（2018）。 “大脑年龄评分”（BAS）与阿尔茨海默氏病传统神经心理筛查工具之间的关联。 大脑和行为，8（8），E01020。 Beheshti，I.，Nugent，S.，Potvin，O。，＆Duchesne，S。（2019年）。 基于神经影像学的脑年龄框架中的偏置调整：一个健壮的方案。 神经图像：临床，24，102063。 Bland，J。M.和Altman，D。G.（1994）。 回归均值。 BMJ，308（6942），1499。 Brown，T。T.，Kuperman，J.M.，Chung，Y.，Erhart，M.，McCabe，C.，Hagler Jr，…Dale，A.M。（2012）。 生物成熟度的神经解剖学评估。 Curlant Biology，22（18），1693 - 1698年。 Calkins，M。E.，Merikangas，K。R.，Moore，T。M.，Burstein，M.，Behr，M。A.，Satterthwaite，T。D.，…Gur，R。E.（2015）。 费城神经发育群体：建立一个深厚的表型协作。 儿童心理学和精神杂志 - 56（12），1356 - 1369。 Chen，W.，Hribar，P。和Melesta，S。（2018）。 使用残差作为因变量时的不正确推断。Aycheh，H。M.，Seong，J.-K.，Shin，J.-H.，Na，D.L.，Kang，B.，Seo，S.W。，＆Sohn，K.-A。（2018）。使用皮质厚数据数据的生物脑年龄预测：一项大型队列研究。衰老神经科学的边界，10，252。Beheshti，I.，Maikusa，N。，＆Matsuda，H。（2018）。“大脑年龄评分”（BAS）与阿尔茨海默氏病传统神经心理筛查工具之间的关联。大脑和行为，8（8），E01020。Beheshti，I.，Nugent，S.，Potvin，O。，＆Duchesne，S。（2019年）。基于神经影像学的脑年龄框架中的偏置调整：一个健壮的方案。神经图像：临床，24，102063。Bland，J。M.和Altman，D。G.（1994）。回归均值。BMJ，308（6942），1499。Brown，T。T.，Kuperman，J.M.，Chung，Y.，Erhart，M.，McCabe，C.，Hagler Jr，…Dale，A.M。（2012）。 生物成熟度的神经解剖学评估。 Curlant Biology，22（18），1693 - 1698年。 Calkins，M。E.，Merikangas，K。R.，Moore，T。M.，Burstein，M.，Behr，M。A.，Satterthwaite，T。D.，…Gur，R。E.（2015）。 费城神经发育群体：建立一个深厚的表型协作。 儿童心理学和精神杂志 - 56（12），1356 - 1369。 Chen，W.，Hribar，P。和Melesta，S。（2018）。 使用残差作为因变量时的不正确推断。Brown，T。T.，Kuperman，J.M.，Chung，Y.，Erhart，M.，McCabe，C.，Hagler Jr，…Dale，A.M。（2012）。生物成熟度的神经解剖学评估。Curlant Biology，22（18），1693 - 1698年。Calkins，M。E.，Merikangas，K。R.，Moore，T。M.，Burstein，M.，Behr，M。A.，Satterthwaite，T。D.，…Gur，R。E.（2015）。费城神经发育群体：建立一个深厚的表型协作。儿童心理学和精神杂志 - 56（12），1356 - 1369。Chen，W.，Hribar，P。和Melesta，S。（2018）。使用残差作为因变量时的不正确推断。会计研究杂志，56（3），751 - 796。https：//doi.org/10.1111/1475-679x.12195 Chung，Y.使用机器学习来确定与
基于结果的循证实践
为社会工作者提供了跟踪客户进步的实用方法。独特的系列的一部分，该系列可帮助高级学生将核心能力应用于专业领域。本书显示了如何利用跟踪进度的反馈来帮助客户实现目标。它重点介绍社会工作者在各种环境中提供的直接服务，包括学校和医疗保健设施。文本使用现实世界的示例来展示概念并突出社会工作者遇到的客户的多样性。此信息对于心理学家，辅导员和治疗师等其他医疗保健专业人员也很有用。在本书结束时，读者应该能够：帮助客户根据进度跟踪做出明智的决定；分析和解释客户的进度；认识到系统进步跟踪对社会工作者的重要性；并确定影响数据质量的潜在问题。本文提供了《基于结果的证据实践》一书的概述，这是核心竞争力系列的一部分。本书提供了衡量和监控客户进度的实用方法，帮助社会工作者量身定制干预措施以实现预期的结果。关键特征包括案例示例，不同的现实世界上下文以及影响数据质量的测量问题的报道。Terri Combs-orme博士是田纳西大学社会工作学院的著名教授，得克萨斯大学阿灵顿大学和圣路易斯华盛顿大学的学术背景很强。她在顶级社会工作，公共卫生和医学期刊上发表了许多文章。在加入田纳西大学教职员工之前，她在包括路易斯安那州立大学，马里兰大学和约翰·霍普金斯大学等几个尊敬的机构任教。Combs-orme博士的教学专业知识涵盖了寿命的发展，并在各个程度上撰写了批判性文献评论。她的研究兴趣在于婴儿的脑发育和育儿，她是田纳西州孟菲斯城市儿童研究所的来访者。她的最新书籍与约翰·奥尔姆（John Orme）合着，“与离散变量的多元回归”提供了有关测量和监视客户进度的实用指导。这种综合资源是Advancunity Core Captions系列的一部分，该系列为学生提供技能，以在专业领域应用CSWE的核心竞争力。该书强调了为向客户提供直接服务的社会工作者，包括临床环境，学校，医疗保健设施和其他社会服务机构的服务的“基于结果的循证实践”。通过使用现实世界的案例示例，Combs-orme博士帮助读者发展基本技能，例如图形，分析和解释客户的进步，以及识别影响数据质量的测量问题。本文对于心理学，精神病学，咨询，护理，物理治疗，职业治疗和其他相关领域的专业人员特别有价值。完成本书后，读者应该能够应用其知识，以帮助客户通过测量和监视进度，相应地修改干预措施以及系统地定期跟踪结果来帮助客户做出明智的决策。结果知情的基于证据的实践提高了核心能力。未经结果的循证实践PDF免费。结果知情的基于证据的实践。是基于证据的实践。基于循证的循证实践PDF。什么是证据知情的实践。基于证据的结果。借用结果知情的基于证据的实践。