XiaoMi-AI文件搜索系统
World File Search System实际数据
比较遗传算法（GA）和粒子群优化（PSO），用于估计易感暴露感染的（SEIR）模型PAR
背景：用于分析疾病扩散的最常用的数学模型是易感暴露感染的回收（SEIR）模型。此外，SEIR模型的动力学取决于几个因素，例如参数值。目标：本研究旨在比较两种优化方法，即遗传算法（GA）和粒子群优化（PSO），以估算SEIR模型参数值，例如感染，过渡，恢复和死亡率。方法：将GA和PSO算法与SEIR模型的估计参数值进行了比较。适应性值是根据累积阳性covid-19病例的实际数据与从seir covid-19模型解决方案的案例数据之间的误差计算得出的。此外，使用四阶Runge-kutta算法（RK-4）计算了CoVID-19模型的数值解，而实际数据是从印度尼西亚雅加达省正Covid-19 Case的累积数据集获得的。然后使用两个数据集比较每个算法的成功，即数据集1，代表COVID-19的扩展的初始间隔和数据集2，该间隔代表一个间隔，其中COVID-19 Case Case较高增加。结果：估计四个参数，即由于疾病引起的感染率，过渡率，恢复率和死亡率。在数据集1中，当值= 0.5时，GA方法的最小误差（即8.9％）发生，而PSO的数值误差为7.5％。在数据集2中，GA方法的最小误差，即31.21％，当时发生在= 0.5时，而PSO的数值误差为3.46％。结论：基于数据集1和2的参数估计结果，PSO比GA具有更好的拟合结果。这表明PSO对所提供的数据集更健壮，并且可以更好地适应Covid-19-19的流行病的趋势。关键字：遗传算法，粒子群优化，SEIR模型，COVID-19，参数估计。文章历史记录：2024年2月12日，2024年5月17日第一个决定，2024年6月20日接受，在线获得2024年6月28日
金融风险管理中机器学习的演变
摘要。金融风险管理在日常财务决策中起着至关重要的作用，旨在减轻风险和最大化利润。鉴于其对数据的依赖，财务风险管理可以从应用机器学习工具的应用中受益匪浅。多年来，我们观察到这些应用程序演变的明确趋势，其标志着模型的复杂性增加和更广泛的可管理任务范围。本文在三个关键方面为该领域做出了贡献：首先，我们提供了风险的明确分类法和相关机器学习方法的介绍，以建立基础并确定目标问题。接下来，我们将探索实际数据应用程序，讨论从最早到最近的三种方法的利弊。最后，根据观察到的结果，我们强调了当前的挑战和局限性，并提出了潜在的改进方向。
应用于EEG分类的新型判别分析
摘要 - 本文提供了一种开发t -wishart分布的协方差矩阵的分类方法，该方法概括了WishArt分布。与WishArt分布相比，它对于异常协方差矩阵更为强大，并且更灵活地对分布不匹配。在此矩阵变化分布的最新发展之后，提出的分类器是通过利用判别分析框架并提供原始决策规则来获得的。通过对实际数据的数值实验，我们的方法的实际兴趣得到了表明。更确切地说，所提出的分类器在两个标准的脑电图数据集上获得了最佳结果，而最佳最低距离（MDM）分类器相比。索引项 - EEG，协方差矩阵，t -wishart，Bayseian分类，判别分析，BCI。
idc-通过可靠的人工智能数据策略加速创新。...
尽管人工智能是创新和可持续竞争优势的关键，但全球大多数组织仍在努力将其试点项目投入生产。根据同一项研究，解决方案的成本、缺乏熟练的人员（即人才）、解决方案的决策标准、缺乏足够数量/质量的数据以及缺乏运营和值得信赖的人工智能是实施人工智能解决方案的一些主要挑战。从模型开发的角度来看，将数据输入机器学习平台的难度被评为最大挑战（见图 2）。不幸的是，由于上述挑战，组织在实际数据科学以外的任务上花费了更多时间。例如，根据同一项研究，组织大约将 21% 的时间花在数据收集/准备上（见图 3）。
人工智能在预测和预防高风险环境中汽车故障中的作用
人工智能模仿人类智能，用于预测和预防关键的汽车故障。这些故障通常发生在测试情况下，可能很危险。了解组件行为对于实施有效的故障防御措施至关重要。目前，预测随机组件故障具有挑战性。人工智能通过智能模拟真实世界条件来实现预测性故障模拟。通过将模拟的组件行为与实际数据进行比较，可以实现故障预测。这对于维护和备件供应计划非常有价值。汽车系统中的人工智能技术正在不断发展，对于解决当前问题和防止未来故障至关重要。模拟和预防性维护对于了解系统行为和防止故障至关重要。
使用混合加密技术的安全文件存储
摘要 - 在当今的数字世界中，敏感数据经常面临被未经授权的人员读取的危险，因此文件的安全存储至关重要。混合加密技术结合了多种加密方法的优势，是解决此问题的方法之一。在混合加密技术中，原始对称密钥使用不同的对称密钥进行加密，而实际数据也使用不同的对称密钥进行加密。这使得数据能够快速有效地加密和解密，同时还增加了多种加密方法的额外保护，以进行身份验证。组织机构可以利用混合加密技术来保证其关键数据的安全存储，防止非法访问和任何数据泄露。
ppn 06/21减少碳计划-2023
AD认识到基于支出的排放会计的局限性和挑战，并旨在通过探索如何摆脱基于支出的方法来计算排放来改善其排放足迹计算。在2024年，AD将开展一个全面的项目，该项目致力于计算其范围3的范围3排放量与其在15个类别中的整个价值链相关的排放，并被认为是范围。该项目将从发现阶段开始，以确定测量和管理与每个类别相关的排放的最佳方法和方法，并在可用的情况下优先考虑实际数据；否则，将使用支出数据。此阶段将在所有相关类别中进行计算和基准测试，以提供强大而透明的温室气数据。
使用扩散模型模拟射电星系的图像
上下文。随着天文调查产生的数据量的越来越多，自动分析方法已变得至关重要。合成数据是开发和测试此类方法所必需的。当前模拟的经典方法通常从不可能的细节或源类型出现的不准确表示。深层生成建模已成为综合现实图像数据以克服这些定义的新方法。目标。，我们实施了一个深入的生成模型，该模型对观测值进行了训练，以产生逼真的射电星系图像，并完全控制了频道和源形态。方法。我们使用了一个分散模型，该模型经过连续的时间步骤训练，以减少采样时间而没有质量损害。这两个模型分别在两个不同的数据集上进行了培训。一组是从Lofar两米高调查（Lots）的第二个数据发布中获得的图像选择。该模型在重新缩放图像像素值后保留信号强度信息的峰值条件。另一个较小的集合是从非常大的阵列（VLA）调查中，对二十秒（第一个）的无线电天空的微弱图像进行了调查。在该集合中，每个图像都带有形态学类标签。有条件的抽样是通过无分类的分解指导实现的。，我们通过比较了实际数据和生成数据的不同数量的分布来评估生成的图像的质量，包括来自标准源填充算法的结果。结果。通过培训分类器并比较其在实际数据和生成的数据上的性能来评估类调节。我们已经能够使用25个采样步骤来生成高质量的逼真图像，这在射电天文学领域是前所未有的。生成的图像在视觉上与训练数据无法区分，并且已成功复制了不同图像指标的分布。分类器显示出对真实图像和生成的图像的表现同样出色，表明对形态源特性的强烈采样控制。
巴黎高科大学博士论文 -Theses.fr
我们描述了一种评估移动激光测量的准确性和/或精密度的新方法。这是基于城市场景的线性实体的提取和比较。配对段之间计算的平均距离（即修改后的 Hausdorff 距离）用于相对于现有参考对云进行评分。对于边缘的提取，我们提出了一种检测通过 RANSAC 算法找到的平面段之间的交叉点的方法，该算法通过相关组件的分析进行丰富。我们还在考虑一种通过同样基于线性元素的刚性配准来校正移动激光读数的方法。最后，我们研究边缘的相关性来推导移动系统外参标定的参数。我们在作为 TerraMobilita 项目一部分获得的模拟数据和实际数据上测试我们的方法。
蓄电池促进自然能源，有效利用太阳能和风能
注：其他可再生能源包括生物能源、地热能、水力发电和海洋能 资料来源：2021 年实际数据来自《BP 世界能源统计评论 2022》，2022 年 6 月。有关 2050 年的预测可参见国际能源署的《2022 年世界能源展望》（2022 年 10 月）、美国能源部的《太阳能未来研究》（2021 年 9 月）、日本自然能源基金会 /Agora Energiewende/拉彭兰塔-拉赫蒂理工大学的《日本实现气候中和的可再生能源途径：目标是到 2050 年实现能源系统零排放》（2021 年 3 月）以及法国电力运输网络的《2050 年能源途径：主要成果》（2021 年 10 月）。