XiaoMi-AI文件搜索系统
World File Search System平方误差
liteVr：使用可解释的AI
Cybersickness是与虚拟现实（VR）用户体验相关的常见疾病。基于机器学习（ML）和深度学习（DL）的几种自动化方法，以检测网络病。但是，这些Cybersickness检测方法中的大多数被视为计算密集型和黑盒方法。因此，这些技术既不值得信赖，也不是实用的，因为它可以在独立的能源受限的VR头部安装设备（HMD）上。在这项工作中，我们提出了可解释的人工智能（XAI）基于Cybersickness检测的框架LiteVR，解释了模型的结果，降低了功能维度和整体计算成本。首先，我们基于长期短期记忆（LSTM），门控复发单元（GRU）和多层感知器（MLP）开发了三个Cybersickness DL模型。然后，我们采用了事后解释，例如Shapley添加说明（SHAP），以解释结果并提取Cybersickness的最主要特征。最后，我们以减少的功能数量重新训练DL模型。我们的结果表明，引人注目的特征是Cybersickness Declection的最主要的。此外，基于基于XAI的功能排名和降低维度，我们显着将模型的大小降低了4.3倍，训练时间最高为5.6倍，其推理时间最高为3.8倍，最高可降低Cybersick Nessick Nespection tection coctection tection coctiction Percipation Percipation和低回归误差（即快速运动尺度）（FMS）。我们提出的LITE LSTM模型在分类网络病和回归（即FMS 1-10）中获得了94％的精度，其根平方误差（RMSE）为0。30，表现优于最先进的。我们提出的LITEVR框架可以帮助研究人员和从业人员在独立的VR HMD中分析，检测和部署其基于DL的Cybersickness检测模型。
特定于患者的SEEG电极弯曲的立体定向神经外科计划
抽象目的电极弯曲在立体定向干预后观察到，通常在任何一个计算机辅助计划算法中都不考虑任何一个假定直线轨迹或在质量评估中，仅报告与进入和目标点有关的指标。我们的目的是为预测立体电动摄影（SEEG）电极弯曲的预测提供全自动和验证的管道。方法，我们将86个情况的电极转换为一个公共空间，并比较基于特征和基于图像的神经网络，以回归局部位移（LU）或电极弯曲（ˆ EB）的能力。根据入口和目标点处的大脑结构，将电极分层分为六组。模型，无论有没有蒙特卡洛（MC）辍学，都经过训练并使用十倍的交叉验证进行了验证。结果基于法师的模型OutperformedFeatures基于ModelsForallGroups，Modelsthatpriped Lu执行的better，而不是EB。基于图像的模型预测与MC脱落的模型预测导致较低的平方误差（MSE），而没有辍学的改进高达12.9％（LU）和39.9％（ˆ EB）。与在预测LU时使用T1加权MRI相比，使用脑组织类型（皮层，白色和深灰质）的图像（皮质，白色和深灰质）产生了相似的性能。在推断基于图像的模型（脑组织类型）的轨迹时，有86.9％的轨迹具有MSE≤1mm。结论一种基于图像的方法与其他方法，输入和输出相比，用脑组织类型的图像回归局部位移，从而产生了更准确的电极弯曲预测。未来的工作将调查电极弯曲到计划和质量评估算法的集成。
天气对牛奶生产的影响的空间计量经济学分析
摘要：温室气体（GHG）排放引起的气候变化，尤其是自20世纪中叶以来发生的，一直在极大地影响短期天气状况，例如天气变异性的增加和极端天气相关的事件的发生率。牛奶生产对这种变化很敏感。在这项研究中，我们使用空间面板计量经济学模型，空间误差模型（SEM）和空间Durbin模型（SDM），并在状态级别上有一个小组数据集在各个季节的变化中，以估算气候指标和牛奶之间的关系，以降低省略的努力，以降低省略的稳定范围，并且可以降低遗漏的范围，并且可以使省略的变化范围逐渐变化。数据模型。我们发现夏季热应激对每头母牛牛奶产量（MPC）的逆U形作用，表明牛奶的产量对夏季热应激的低水平增加反应，然后随着热应激的持续增加，MPC下降了，超过72个阈值。此外，降水对MPC表现出U型U形影响，表明牛奶产量以降低的速度增加，直到降水降低到14英寸，然后在该阈值中，牛奶产量以增加的速度下降。我们还发现，相对于常规面板数据模型，空间面板计量经济学模型可以通过导致较小的样本中和样本的根平方平方误差来改善预测性能。我们的研究通过探索有希望的空间面板模型的可行性，并导致估计天气对牛奶生产率的影响，并以高模型预测性能，从而为文献做出了贡献。
能量化学杂志
锂离子电池的安全可靠操作需要准确预测剩余使用寿命（RUL）。但是，由于各种老化机制，各种操作条件和有限的测量信号，此任务具有挑战性。尽管将数据驱动的方法视为一种承诺解决方案，但它们忽略了内在的电池物理学，导致准确性损害，效率低和低解释性。在回应中，本研究将领域知识纳入深度学习，以增强规则预测的绩效。我们仅使用单个充电曲线来证明准确的RUL预测。首先，开发了一个可普遍的基于物理的模型，以提取与年龄相关的参数，可以描述和解释电池充电数据中的电池降解。参数为深度神经网络（DNN）告知以高精度和效率来预测RUL。考虑到充满电和部分充电的案件，训练有素的模型在3种情况下的3种电池下进行了阀门。仅使用来自一个周期的数据，所提出的方法的平均平方误差（RMSE）为11.42循环，平均为3.19％的平均绝对相对误差（MARE），与两种最新数据驱动的方法相比，平均为3.19％，低于45％和44％。除了其准确性外，所提出的方法还优于现有方法，从效率，输入负担和健壮性方面。进一步揭示了模型参数与电池降解机制之间的固有关系，证明了该方法的内在优势。2024年科学出版社和达利安化学物理研究所，中国科学院。由Elsevier B.V.和科学出版社出版。这是CC下的开放式访问文章（http：//creati- vecommons.org/licenses/4.0/）。
使用神经网络的一般电流轮廓充电的健康估计和增量能力分析的电池状态
摘要 - 递增能力分析（ICA）和不同的电压分析（DVA）通常需要电池降解监控的恒定当前条件，这限制了它们在现实情况下的适用性。本文提出了一种统一的方法，可以在一般充电当前概况下启用基于ICA/DVA的降解监测，这在文献中尚未解决。首先，提出了一种新颖的虚拟增量能力（IC）和不同电压（DV）的概念。第二，两个相关的卷积神经网络（CNN），称为U-NET和CONC-NET，是为了构建虚拟IC/DV曲线的构建，并估算了跨任何状态（SOC）范围内的一般充电概况的健康状况（SOH），以满足某些约束。最后，提出了两个称为移动U-NET和移动网络的CNN，分别替换了U-NET和Conv-NET以进行车载实现。它们会大大减少计算和内存需求，同时在虚拟IC/DV曲线构建和SOH估计中保留性能。在具有各种快速充电协议和SOC范围的电池模块的广泛实验数据集上进行了测试，拟议的U-NET和移动U-NET构造精确的虚拟IC/DV曲线可以提取有价值的降级功能。建议的Conv-NET和移动网络提供的模块级SOH估计值，根平方误差（RMSE）小于0.5％。关键字 - 增量容量分析；差分伏分析；非恒定电流充电；快速充电；卷积神经网络；健康状况估计
百里香糖和葡萄糖的最小抑制浓度
自锂离子电池的进步以来，已经大大提高了电池性能，降低成本和能量密度。这些进步加速了电动汽车（EV）的开发。电动汽车的安全性和有效性取决于对锂离子电池健康状况（SOH）的准确测量和预测；但是，这个过程尚不确定。在这项研究中，我们的主要目标是通过减少充电状态（SOC）估计和测量的不确定性来提高SOH估计的准确性。为了实现这一目标，我们提出了一种新型方法，该方法利用基于级的优化器（GBO）评估锂电池的SOH。GBO最小化的成本是为了选择最佳的候选者，以通过mem-ory fading遗忘因素更新SOH。我们评估了我们的方法针对四种鲁棒算法，即颗粒群优化最高方形支持矢量回归（PSO-LSSV），BCRLS-MULTIPEPIPPY加权双重加长扩展Kalman滤波（BCRLS-MWDEKF），总平方（TLS），以及近似加权的总载体（AWTLS）（awtles and ever and Square）（HEF）（ev）ev）（EV）。我们的方法始终优于替代方案，而GBO达到了最低的最大误差。在EV方案中，GBO的最大错误范围从0.65％到1.57％，平均误差范围从0.21％到0.57％。同样，在HEV场景中，GBO的最大错误范围从0.81％到3.21％，平均误差范围从0.39％到1.03％。此外，我们的方法还展示了出色的预测性能，均方根误差（MSE）的值较低（<1.8130e-04），根平方误差（RMSE）（RMSE）（<1.35％）和平均绝对百分比误差（MAPE）（MAPE）（MAPE）（<1.4）（<1.4）。
基于机器学习的急性死亡率的预测
对化学物质的调节需要了解其对大量物种的毒理作用，这些物种传统上是通过体内测试获得的。最近为基于机器学习寻找替代方案的努力并没有集中于保证透明度，可比性和可重复性，这使得很难评估这些方法的优势和缺点。此外，还需要可比的基线表现。在这项研究中，我们在[Schür等人，《自然科学数据》，2023年提出的Adore“ T-F2F”挑战上训练了回归模型，以预测鱼类上有机化合物的LC50（致命浓度50），以LC50（致命浓度50）测量。我们训练了拉索，随机森林（RF），XGBOOST，高斯工艺（GP）回归模型，并发现了一系列稳定的方面，这些方面均稳定：（i）使用质量或摩尔浓度不会影响性能； （ii）性能仅微弱地取决于化学物质的分子代表，但（iii）强烈地依赖于数据的分解方式。总体而言，基于树的型号RF和XGBoost表现最好，我们能够预测log10转换的LC50，其根平方误差为0.90，这对应于原始LC50量表上的数量级。在本地一级，模型无法始终如一地准确地预测单个化学物质的毒性。对单个化学物质的预测主要受几种化学特性的影响，而分类特性未被模型充分捕获。我们讨论了这些挑战的技术和概念改进，以增强对环境危害评估的适用性。因此，这项工作展示了最先进的模型，并为监管整合的持续讨论做出了贡献。
基于机器学习的急性死亡率的预测
化学物质的调节需要了解其对大量目标物种的毒理作用。传统上，这些知识是通过体内测试获得的。最近为基于机器学习寻找替代方案的努力并没有集中于保证透明度，可比性和可重复性，这使得很难评估这些方法的优势和缺点。此外，还需要可比的基线表现。在这项研究中，我们在[Schür等人，《自然科学数据》，2023年提出的Adore“ T-F2F”挑战上训练了回归模型，以预测鱼类上有机化合物的LC50（致命浓度50），以LC50（致命浓度50）测量。我们训练了拉索，随机森林（RF），XGBOOST，高斯工艺（GP）回归模型，并发现了一系列稳定的方面，这些方面均稳定：（i）使用质量或摩尔浓度不会影响性能； （ii）性能仅微弱地取决于化学物质的表示方式，但（iii）强烈地取决于数据的分配方式。总体而言，基于树的型号RF和XGBoost表现最好，我们能够预测log10转换的LC50，其根平方误差为0.90，这对应于原始LC50量表上的数量级。在本地一级，模型无法准确预测单个化学物质的毒性。对单个化学物质的预测主要由几种化学性质，分类性状并未被模型充分捕获。因此，模型尚不适用于监管过程。尽管如此，这项工作有助于就如何将机器学习整合到监管过程中的持续讨论。
多变量孔隙压力预测的混合机学习优化算法
孔隙压力是钻孔设计中的重要数据，其准确的预测对于确保钻孔安全性和提高钻井效率是必要的。在形成特定的结构和岩性时，预测孔隙压力的传统方法受到限制。在本文中，使用机器学习算法和有效应力定理来建立岩石物理参数和孔隙压力之间的转换模型。本研究收集了三口井的数据。Well 1有881个用于模型训练的数据集，Wells 2和3具有538和464个数据集用于模型测试。在本文中，选择了支持向量机（SVM），随机森林（RF），极端梯度提升（XGB）和多层感知器（MLP）作为孔隙压力建模的机器学习算法。In addition, this paper uses the grey wolf optimization (GWO) algorithm, particle swarm optimization (PSO) algorithm, sparrow search algorithm (SSA), and bat algorithm (BA) to establish a hybrid machine learning optimization al- gorithm, and proposes an improved grey wolf optimization (IGWO) algorithm.IgWO-MLP模型通过使用5倍的交叉验证方法来获得训练数据，从而获得了最小根平方误差（RMSE）。对于井2和3井中的孔隙压力数据，SVM，RF，XGB和MLP的确定系数（R 2）为0.9930和0.9446、0.9943和0.9943和0.9472、0.9472、0.9945和0.9945和0.9488、0.9949、0.9949、0.9949和0.9949和0.9574。MLP在训练和测试数据上都达到了最佳性能，MLP模型显示出高度的概括。©2023作者。Elsevier B.V.的发布服务代表KEAI Communications Co. Ltd.表明IGWO-MLP是孔隙压力的极好预测指标，可用于预测孔隙压力。这是CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/ 4.0/）下的开放访问文章。
用于预测股票市场趋势的机器学习模型的比较分析
研究学者，印度萨加尔萨加尔的计算机科学与工程学院助理教授阿迪纳科学技术学院摘要：准确预测股票市场趋势是财务预测的重要组成部分，需要使用强大的方法来导航动态市场行为中固有的复杂性。这项研究对各种机器学习模型进行了比较分析，包括支持向量回归（SVR），线性回归，随机森林，K-Nearest邻居（KNN），决策树和弹性网，旨在预测三种nifty Indices的股票市场趋势：金融服务，信息技术和金属。评估将平方误差（MSE）用作度量标准，以及预测开放库存值的精确度。调查结果表明，决策树模型始终在所有检查指标中产生最低的MSE，这表示其出色的预测能力。随机森林模型还展示了竞争性能，尤其是在漂亮的金融服务和漂亮的金属指数中，提供了以低MSE为特征的可靠预测。相反，SVR模型显示出升高的MSE值，表明其在此特定分析中的功效有限。这项研究强调了模型选择在财务预测中的重要性，并强调了基于树的方法在有效捕获股票市场数据中存在的非线性关系方面的潜力。这项研究通过确定有效的机器学习模型来预测股票趋势，从而增强了金融市场中预测分析的领域。未来的调查可能集中于实时数据的整合，超参数的优化以及分析以涵盖全球市场的扩展，从而提高了这些预测模型的鲁棒性和适用性。