XiaoMi-AI文件搜索系统
World File Search System平方误差
预测稀土掺杂眼镜中的JO参数
本文介绍了一种机器学习驱动的方法，用于预测稀土（Re）掺杂玻璃系统的光谱特性，重点是DY 3+离子。使用熔融液压技术合成0.25 PBO – 0.2 SIO 2 - （0.55-X）B 2 O 3 –x dy 2 O 3，及其密度，摩尔体积和judd-offelt（jo）参数（ω2，ω4，ω6）进行了实验确定。使用judd-芬芳理论来计算光谱参数，例如振荡器强度，辐射过渡概率和辐射寿命，用于DY 3+掺杂玻璃。此外，开发了一个随机森林（RF）回归模型，以根据玻璃的组成来预测这些参数。该模型显示高精度，在0.1下，R²（确定系数）值高于0.9和根平方误差（RMSE），从而验证了RF的使用以可靠地预测光学性质。结果表明，RF模型可以有效地模拟稀土（RE）载有玻璃的发光特性，从而大大减少了对实验测试的需求。这种方法提供了优化在激光器，光学放大器和温度传感器等应用中使用的光学材料设计的潜力。
比较尼日利亚的Adamawa和Cross Rivers State的水稻产量预测的机器学习算法
稻米生产对于全球粮食安全至关重要，准确的收益预测使他们有知情的决策。本文研究了Adamawa和Cross River州的水稻产量预测的机器学习（ML）技术，具有不同的农业气候条件。常用的传统收益预测方法通常具有限制，例如对可用数据的见解和降低的准确性。因此，这项研究探讨了机器学习的潜力，以提高预测准确性。我们利用气候数据和历史水稻产量来训练和评估决策树，随机森林，支持矢量回归，多项式回归，多线性回归和长期短期记忆（LSTM）模型。使用平方误差，均方根误差，确定系数，平均绝对误差和平均绝对百分比误差进行比较。特征选择将全天空的光合辐射（PAR）视为最具影响力的因素。线性回归以上模型出现，其R²为0.90（Adamawa）和0.91（Cross River），表明了整个地区的可概括性概括性。这项研究为两个尼日利亚地区的ML驱动农业信息系统的开发做出了贡献，从而增强了农业实践和粮食安全。
eeg记录中ECG和EOG信号的时间序列预测多元时间序列方法eeg记录中ECG和EOG信号的时间序列预测多元时间序列方法
可靠的脑电图（EEG）信号获取对于医疗疾病，脑机构界面（BCIS）和神经科学研究至关重要。然而，心电图（ECG）和电解图（EOG）伪像经常污染EEG记录，损害数据质量和解释性。传统的删除方法可能会扭曲脑电图信号，或需要其他传感器进行ECG和EOG获取。本研究使用多元预测方法将删除伪像作为回归任务，从EEG数据本身重建ECG和EOG信号。我们的方法在两个独立数据集上进行了严格评估，用于ECG和EOG信号，并在不同个体的未见数据上进一步验证。使用平方误差（MSE），平均绝对误差（MAE）和峰值信噪比（PSNR）评估性能。我们的方法实现了与使用实际的ECG和EOG记录的常规方法相媲美的方法，证明了使用原始EOG记录清洁清洁的脑电图和脑电图之间的PSNR为39 dB。这使我们的方法成为经济高效且非侵入性的替代方案。这些发现提出了脑电图噪声过滤研究的有希望的新方向。
使用多尺度的CNN-LSTM注意模型准确预测中国东部温度指标
摘要。近年来，由于全球气候变化的影响和数据科学的快速发展，准确天气预报的重要性变得越来越突出。传统的预测方法通常难以处理气候数据中固有的复杂性和非线性。为了应对这些挑战，我们提出了一个基于多尺度卷积CNN-LSTM注意结构的天气预测模型，该模型是专门针对中国温度数据预测的时间序列预测的。模型集成了卷积神经网络（CNN），长期记忆（LSTM）网络和注意机制，以利用空间特征提取，时间序列建模的优势以及专注于重要特征的能力。该模型的开发过程包括数据收集，预处理，功能提取和模型构建。实验结果表明，该模型在高精度上预测温度趋势方面表现出色。最终计算的结果表明，平均平方误差（MSE）为1.978295，均方根误差（RMSE）为0.8106562。这项工作标志着将深度学习技术应用于气象数据，提供了一种有价值的工具，可以提高天气预测的准确性，并为城市规划，农业和能源管理等领域的决策提供必要的支持。
lu spect/ct成像
随着新的放射性药物疗法的发展，定量SPECT/CT已逐渐成为剂量测定的重要工具。SPECT的一个主要障碍是其分辨率不佳，这导致活动分布模糊。尤其是对于小物体，这种所谓的部分体积效应限制了活性定量的准确性。已经提出了许多用于部分体积矫正的方法（PVC），但是大多数方法都假定成像系统的空间不变分辨率的缺点，而SPECT不得有。此外，大多数方法都需要基于解剖信息的分割。方法：我们介绍了DL-PVC，这是一种使用深度学习（DL）的177 lu spect/ct进行PVC的方法。培训是基于一个数据集，该数据集的随机活动分布放置在延伸心脏 - 躯干身体幻像中。使用Simind Monte Carlo Simulation程序创建了现实的SPECT采集。SPECT重建没有和分辨率建模分别使用蓖麻和搅拌重建软件进行。将基本真相活性分布和模拟的SPECT图像对进行训练。对这些U-NET的表现的定量分析是基于指标，例如结构相似性指数量度或归一化的根平方误差，也基于体积活性精度，这是一种新的度量，它描述了体素的差异，在该指标中描述了确定的活性浓度与真实活性浓度较小的元素相比，而不是一定的磁性。根据此分析，确定了标准化，输入大小和网络体系结构的最佳参数。结果：我们基于模拟的分析表明，结构相似性指数量度/归一化根平方误差/体积活动精度的DL-PVC（0.95/7.8％/35.8％）优于没有PVC（0.89/10.4％/12.1％）的SPECT和迭代Yang PVC（0.89/10.4％/12.1％），并且在迭代中均超过SPECT（0.89/10.4％/12.1％）。此外，我们验证了不同几何形状的3维印刷幻象的177 lu Spect/CT测量的DL-PVC。尽管DL-PVC显示出类似于Itera the Yang方法的活性恢复，但不需要分割。此外，DL-PVC能够纠正其他图像伪像，例如Gibbs响起，使其在体素水平上显然优越。结论：在这项工作中，我们证明了定量177 LU SPECT/CT的DL-PVC的附加值。我们的分析验证了DL-PVC的功能，并为未来在临床图像数据上的部署铺平了道路。
使用各种机器学习算法评估电力需求预测
能源部门在很大程度上依赖于电力负载预测的各种机器学习算法，该算法在制定发电和发电的政策中起着关键作用。功率载荷预测的精度取决于反映数据中非线性特征的许多因素。值得注意的是，机器学习算法和人工神经网络已成为当代电力负载预测中必不可少的组件。这项研究专门针对机器学习算法，涵盖支持向量机（SVM），长期短期记忆（LSTM），集合分类器，复发性神经网络和深度学习方法。该研究通过利用过去5年来利用昌迪加尔UT电力数据来精心研究短期电力负载预测。对预测准确性的评估利用了指标，例如归一化平方误差（NMSE），均方根误差（RMSE），平均绝对误差（MAE）和相互信息（MI）。与其他算法相比，LSTM的预测结果表明，LSTM的性能出色，预测误差是LSTM中最低的，而SVM中的误差最低，高13.51％。这些发现为不同机器学习算法的优势和局限性提供了宝贵的见解。使用MATLAB R2018软件进行了建议的方法的验证实验。
引用：Imran M，Jannat Mishu NE，Khaliq H，Shahzad F（2025）评估机器学习模型，用于上游印度河上的降水预测
降水在有效管理水资源和维持储层水位中起着至关重要的作用。然而，气候变化发生了显着改变的降水模式，导致了极端的水文事件，例如干旱和洪水，这些事件具有深远的社会经济和环境影响。本研究的重点是使用机器学习模型预测上印度河盆地（UIB）中的降水事件。在这项研究中，采用了三种广泛使用的机器学习算法支持向量机（SVM），K-Nearest邻居（KNN）和随机森林（RF），以预测UIB中的降水事件。数据集分为培训（80％）和测试（20％）子集进行模型评估。在测试的算法中，KNN表现出最佳的预测性能，得出的平均绝对误差（MAE）为2.662，根平均平方误差（RMSE）为16.3，R²得分为0.879，总准确度为83.16％。结果表明，KNN算法是UIB中降水预测的最有效的机器学习模型。这项研究的结果有助于改善预警系统，并在面对气候变化和极端天气事件的情况下促进有效的水资源管理。
使用长期记忆的每日气候预测...
通讯作者： - Jinxin XU1*摘要： - 气候预测在包括农业，灾难管理和城市规划在内的各个部门中起着至关重要的作用。用于气候预测的传统方法通常依赖于复杂的物理模型，这些模型需要大量的计算资源，并且可能无法准确捕获当地天气模式。本研究探讨了长期记忆（LSTM）网络（一种复发性神经网络）的潜力，用于预测每日气候变量，例如温度，降水和湿度。利用德里市的历史气候数据，我们开发了一种LSTM模型来预测短期气候趋势。该模型由两个LSTM层组成，然后是三个密集的层，并与Adam Optimizer，平均平方误差丢失以及平均绝对误差作为度量组成。我们的结果证明了该模型在气候数据中捕获时间依赖性的能力，从而达到了温度预测的令人满意的准确性水平。这项研究强调了机器学习技术，尤其是LSTM网络的潜力，以增强气候预测，并促进对天气敏感部门更明智的决策。关键字： - 机器学习，预测模型，时间序列预测，长期记忆。
基于最优人工智能的调节控制器在一类嵌入式非线性电力系统中的应用
本文研究了蝙蝠启发算法 (BIA) 的实施，作为一种优化技术，以找到两类控制器的最佳参数。第一种是经典的比例-积分-微分 (PID)。第二种是混合分数阶和大脑情感智能控制器。这两个控制器分别用于具有三个物理嵌入非线性的单区域电力系统的负载频率控制。第一个非线性代表发电速率约束 (GRC)。第二个是由于调速器死区 (GDB)。最后一个是由于调速器-涡轮机链路、热力学过程和通信通道施加的时间延迟。这些非线性已嵌入到所研究系统的仿真模型中。已应用 Matlab/Simulink 软件来获得应用两类控制器的结果，这些控制器已使用 BIA 进行了最佳调整。已选择平方误差积分 (ISE) 标准作为目标函数的元素，以及百分比超调量和稳定时间，以实现两个控制器的最佳调节技术。仿真结果表明，当使用混合分数阶和大脑情感智能控制器时，它比传统的比例积分微分 (PID) 控制器提供更好的响应和性能指标。
不同人工智能技术在爆炸空气超压预测中的比较研究
摘要：爆破是露天矿中最常见的岩石破碎方法。然而，它的副作用也不容小觑，例如飞石、地面振动、粉尘、有毒副产品、空气过压和背裂。这些影响会显著改变周围环境，尤其是在压力高于正常水平时。本研究提出并比较了四种用于预测爆炸引起的空气过压的人工智能模型，即多层感知器 (MLP)、随机森林 (RF)、等渗回归 (IR) 和 M5 规则。根据输入变量，即堵塞长度 (T)、每延迟炸药量 (W)、负担 (B)、监测距离 (R) 和间距 (S)，选择空气过压作为输出变量。使用几个统计性能指标，包括判定系数 (R²)、根相对平方误差 (RRSE)、均方根误差 (RMSE)、平均绝对误差 (MAE) 和相对绝对误差 (RAE) 来评估模型。此外，还采用了颜色强度分组排序方法和一般排序方法进一步评估模型。基于性能指标的结果证实，与其他技术相比，M5-Rules 是出色的模型。关键词：爆炸引起的空气过压；人工智能技术；地球科学；采石场；软计算