XiaoMi-AI文件搜索系统
World File Search System平方误差
融合算法启用的电动汽车电池的电荷估计，考虑到极端温度
使用扩展的Kalman滤波器（EKF）来估计锂离子电池（LIBS）的电荷状态（SOC），系统的噪声协方差矩阵和能量收集器的观察声音大多是随机给出的，这使得无法优化噪声问题。这会导致SOC估计的准确性和稳定性较低。为解决这些问题，提出了一种基于长期短期记忆 - 自适应的无知的卡尔曼滤波器（LSTM – AUKF）融合的方法来提高估计Libs Soc的准确性和稳定性。首先，从混合脉冲功率表征（HPPC）实验数据中鉴定出Thevenin模型的离线参数。然后，为电源LIB构建了SOC估计窗口的LSTM结构，并且电池SOC训练网络是通过电池电流，电压，温度和历史数据实时预测的。最后，设计了估计权力液体SOC的AUKF算法，然后提出了融合策略。实验验证表明，用于估计研究窗口中LSTM -AUKF混合动力锂电池的均方根平方误差（RMSE），最大（最大）和平均绝对误差（MAE）分别为1.13、1.74和0.39％。与窗口LSTM网络相比，融合算法提高了SOC估计功率LIB的准确性和稳定性。
使用数据驱动的方法对政府支出与影子经济之间的非线性依赖性进行建模
摘要：本文旨在使用非线性方法对影子经济规模与最重要的政府支出分别建模社会保护，健康和教育之间的关系。我们在1995年至2020年之间的横截面数据集上应用了四种不同的机器学习模型，即支持向量回归，神经网络，随机森林和XGBoost。我们的目标是校准一种算法，该算法可以比线性模型更好地解释影子经济规模的差异。此外，最大的模型已被用来预测30,000多个模拟支出组合的影子经济规模，以概述一些可能的拐点，之后政府支出变得适得其反。我们的发现表明，ML算法在R平方和根平方误差方面优于线性回归，而社会保护支出是阴影经济规模的最重要决定因素。进一步进行了我们对28个欧盟州的分析，在1995年至2020年之间，结果表明，当社会保护费用大于GDP的20％，健康费用大于GDP的6％，而教育费用占GDP的6％和8％的范围。据作者所知，这是第一篇用ML模拟影子经济及其决定因素（即政府支出）的论文。我们提出了一种易于复制的方法，可以在未来的研究中开发。
增强基础设施可观察性：用于主动监测和异常检测的机器学习
摘要本研究解决了基础设施可观察到的主动异常检测和有效资源管理的关键挑战。引入了一种创新的基础架构监视方法，这项工作将机器学习模型集成到可观察性平台中，以增强实时监视精度。采用微服务体系结构，拟议的系统促进了迅速而积极的异常检测，解决了在升级之前通常无法预测潜在问题的传统监测方法的局限性。该系统的核心在于其使用随机森林，梯度增强和支持向量机算法的预测模型，以预测关键的度量行为，例如CPU使用和内存分配。与传统监测方法相比，与传统监控方法相比，梯度BoostingRegressor模型的渐变bloostingRegressor模型可以强调该系统的功效，而梯度BoostingRegressor模型可预测请求率的R²得分为0.86，而RantlyForestRegressressor模型可将平均平方误差显着降低2.06％。这些发现不仅证明了机器学习在增强可观察性方面的潜力，而且为更具弹性和适应性的基础设施管理铺平了道路。
样本量很重要：参与者的减少在多大程度上影响神经科学研究的结果。神经营销领域的案例研究
摘要：样本量在科学研究中是一个至关重要的关注点，甚至在行为神经科学中更重要的是，除了最佳实践外，并非总是有可能达到大型实验样本。在这项研究中，我们研究了研究结果如何响应样本量减少。在分析中考虑了涉及四个视频的任务中计算的三个索引，两个与脑脑电图（EEG）活动有关的指数，一个与自主神经生理指标（即心率和皮肤电导率）有关。考虑了样本量的五个亚组（32、28、24、20、16），研究了这些指数的修改，每个子组由36个受试者中的630种不同组合组成，其中36名受试者中的N（n =样本量）与总人群相对于总体（I.E.，36个受试者）。在分析中考虑了相关分析，平方误差（MSE）和索引的标准偏差（STD），并在分析中考虑了三个因素：索引的类型，任务及其持续时间及其持续时间（时间长度）。发现与参与者减少相关的相关性显着下降，以及MSE和STD的显着增加（P <0.05）。指出了结果的阈值，其结果仍然很重要且可比。效果对所有研究变量敏感敏感，但主要效果是由于任务长度引起的。因此，在减少点持续时间时，结果的最小阈值可比。
一种用于建模和预测短期空气温度的功能自回旋方法
对大气温度的精确预测对于各种应用，例如农业，能源，公共卫生和运输至关重要。现代技术的进步导致了传感器和其他工具的开发，以收集高频空气温度数据。但是，由于其特定特征，包括高维度，非线性，季节性依赖性等，准确的预测是具有挑战性的。为了应对这些预测挑战，本研究提出了一个基于组件估计技术的功能建模框架，通过将空气温度时间序列划分为确定性和随机组件。使用广义添加剂建模技术对每日和每年的季节性组成的确定性组成部分进行了建模和预测。同样，解释该过程短期动力学的随机组件是由功能自回旋模型，自动回归积分移动平均平均值和向量自回归模型对过程进行建模和预测的。为了评估模型的性能，从伊斯兰堡，巴基斯坦收集了每小时的空气温度数据，并获得了一日样本的预测。使用根平方误差，平均绝对误差和平均绝对百分比误差比较所有模型的预测结果。结果表明，与Arima和VAR模型相比，所提出的远距离模型的性能相对较好，从而导致样本外预测误差。这项研究的发现可以促进跨部门的明智决策，优化资源分配，增强公共安全并促进社会经济的韧性。
使用机器学习算法的鱼池水质评估模型
传统的养鱼面临着一些重大挑战，包括水污染，温度失衡，饲料管理，有限的土地可用性和高成本。水产养殖业继续面临各种挑战，包括需要增强监测系统的需求，早期鉴定疾病暴发，高死亡率以及促进可持续性。这些问题代表了需要解决的持续关注，并促使该研究使用woosong University Fish Pond Dataset进行了有关鱼类池塘水质管理的研究，这些数据集来自Kaggle Machine Learning存储库。这项研究的目的是开发利用机器学习（ML）技术的水产养殖解决方案，以增强虾的生长并在池塘环境中提高生产率。因此，该研究仔细检查了某些机器学习算法的有效性，包括XGBoost，梯度提升，K-Neighbors Repressor，随机森林回归器和混合集合模型。使用一些评估指标的评估指标，例如均方根误差（MSE），平均绝对百分比误差（MAPE），R-squared（R2）和根平方误差（RMSE），以评估算法的有效性。该研究的发现表明，在预测准确性方面，随机的森林回归和混合合奏模型优于其他算法，使其成为评估养鱼养鱼水质的强大候选者。
使用机器学习算法预测住宅物业价格
摘要。住宅房地产价格预测对于评估市场价值并确定价格过高或定价不足至关重要。这项研究研究了各种机器学习算法的性能，包括决策树（DT），Random Forest（RF）和多层Perceptron（MLP），以预测住宅物业价格。该研究执行探索性数据分析和主要成分分析（PCA），以降低变量的维度，并提取马来西亚吉隆坡梯田房价的最有用的变量。一个公开可用的数据集用于培训和测试算法，在预处理过程后的比例为70:30。性能指标，例如Kappa统计，R -Squared，平均绝对误差（MAE），平均绝对百分比误差（MAPE）和根平方误差（RMSE）来评估算法。结果表明，RF的表现优于DT和MLP，获得85.82％的最高精度得分，最高的KAPPA统计数据为0.8307。研究还发现，RF算法的预测数据与火车集可靠。进行探索性数据分析和PCA后，RF-PCA证明了住宅物业价格预测的最佳性能，与DT-PCA和MLP-PCA相比，MAE（0.6091），MAPE（19.23％）和RMSE（1.066）的R平方值为0.7497，MAE（0.6091），MAPE（19.23％）和RMSE（1.066）。
使用正弦和基于教学学习的融合培训馈送前馈神经网络，用于医学图像注册
摘要这项研究提出了一种新型的杂交元神经算法，正弦辅助教学学习学习的优化（SCATLBO），旨在训练用于单声道和多模式医学图像注册的喂养前进神经网络（FNNS）。scatlbo结合了正弦骨算法（SCA）的优势，用于探索基于教学学习的优化（TLBO），以实现剥削，达到了平衡，从而增强了算法能力，以避免局部最小值并提高逆转率。医学图像注册，对于准确的医学分析必不可少的，从这种混合方法中受益，因为它有效地对齐了复杂的多模式图像。在这项工作中，SCATLBO用于训练来自癌症基因组乳房侵入性癌（TCGA-BRCA）数据集的乳房MRI图像。SCATLBO的性能是针对几种众所周知的元启发式算法的基准测试，包括TLBO，粒子群优化（PSO），蚂蚁菌落优化（ACO），灰狼优化器（GWO）和进化策略（ES），以及基于平均平方误差（MSE）的评估（MIS）和杂音的评估（MI）。实验结果表明，SCATLBO在准确性，收敛速度和稳健性方面优于其他技术，将其确立为基于神经网络的图像注册任务的有前途的工具。这项工作有助于提高FNN的元启发式培训方法，并在各种医学成像领域中使用了潜在的应用。
机器学习估计雷达的最大垂直速度
摘要：尽管它们固有的对流及其相关的恶劣天气危害，但仍无法进行风暴上升的量化。上升的代理，例如从卫星造成的高层区域，与恶劣的天气危害有关，但仅与一定程度的总暴风雨上升到达有关。这项研究调查了机器学习模型，即U-NET是否可以巧妙地从单独的三维栅格雷达雷达反射性中巧妙地检索最大的垂直速度及其面积范围。使用模拟的雷达反射性和垂直速度对机器学习模型进行了训练，该模型从国家严重风暴实验室的对流中允许警告搜索系统（WOFS）训练。使用SINH - ARCSINH - 正态分布的参数回归技术适用于U-NETS运行，从而可以对最大垂直速度的最终和概率预测。超参数搜索后的最佳模型提供了小于50％的根平方误差，一个大于0.65的确定系数，以及由WOFS数据组成的独立测试集上的联合（IOU）的相交（IOU）超过0.45。除了WOFS分析之外，使用真实的雷达数据和超级电池内垂直速度的相应的双重多普勒分析进行了案例研究。U-NET始终低估了双重多个多置速度上升速度估计值50％。同时，5和10 m s 2 1上升气流核的面积显示为0.25。尽管上述统计数据并非例外，但机器学习模型可以快速蒸馏3D雷达数据，该数据与最大垂直速度有关，这对于评估风暴的严重潜力可能很有用。
Urban-Air质量估计 - 使用Visual-Cues-and-A- ...
摘要：移动监控提供了对空气污染的强大测量。但是，资源限制通常会限制测量数量，因此无法在所有感兴趣的位置获得评估。在响应中，已经提出了替代测量方法，例如视频和图像。先前对空气污染和图像的研究使用了静态图像（例如卫星图像或Google Street View图像）。当前的研究旨在开发深度学习方法，以从用仪表板摄像机获得的视频中推断出在道路上污染物的浓度。分析了印度班加罗尔的四种污染物（黑碳，颗粒数浓度，2.5质量浓度，二氧化碳）的五十小时。对每个视频框架的分析涉及识别对象并确定运动（通过分割和光流）。基于这些视觉提示，使用回归卷积神经网络（CNN）推断污染浓度。研究结果表明，CNN方法的表现优于其他几种机器学习（ML）技术和更多常规分析（例如，线性回归）。CO 2预测模型实现了不同的火车验证分区方法的归一化根平方误差为10-13.7％。因此，此处的结果通过使用视频和屏幕上的对象而不是静态图像的相对运动以及实施快速分析方法，从而实时对视频进行分析，从而有助于文献。关键字：与交通相关的空气污染，深度学习，计算机视觉，移动监控这些方法可以应用于其他移动监控活动，因为他们唯一需要的其他设备是便宜的仪表板摄像头。