XiaoMi-AI文件搜索系统
World File Search System平方误差
单级篮子试验中的回应率估计
摘要。肿瘤学的治疗进步已基于特定的基因组畸变过渡到靶向治疗。这种转变需要在临床试验中进行创新的统计方法，尤其是在总体协议研究的新兴范式中。篮子试验是一种总体方案，评估了共享共同基因组畸变但在肿瘤组织学上不同的同类群体中的单一治疗方法。在具有运营优势的同时，对篮子试验的分析引入了有关统计推断的挑战。篮子试验可用于确定目标治疗的肿瘤组织学有望足以搬迁以确定临床评估，并可以采用贝叶斯设计来支持这一决策。除了决策之外，对队列特异性响应率的估计对于为后续试验的设计提供了高度相关。这项研究通过仿真研究评估了具有二元结果的七种贝叶斯估计方法，与（频繁的）样本比例估计值形成鲜明对比。目的是提出特定于响应率，重点是平均偏差，平均平方误差和信息借贷程度。探索了各种场景，涵盖了整个队列中的均匀，异类和聚类的响应率。评估方法的性能显示出偏见和精确度的相当大的交易，强调了基于试验特征的方法选择的重要性。Berry的方法在异质性有限的情况下表现出色。在更一般的情况下没有明确的获胜者出现，方法性能受到了对整体平均值，偏见以及先验和调整参数的选择的收缩量所影响。挑战包括方法的计算复杂性，需要仔细调整参数和先前的分布规范以及对其选择的明确指导。研究人员应在设计和分析篮子试验时考虑这些因素。
基于学习的深度巷道维护辅助系统...
摘要 - 本文提出了专门为自动驾驶汽车设计的高级车道保管援助系统。提出的模型将强大的Xeption网络与转移学习和微调技术相结合，以准确预测转向角度。通过分析摄像机捕获的图像，该模型有效地从人类驾驶知识中学习，并提供了对安全车道保持所需的转向角度的精确估计。转移学习技术允许模型利用从Imagenet数据集获得的广泛知识，而微型调整技术则用于根据输入图像来指导角度预测的特定任务来定制预训练的模型，从而实现最佳性能。微调是通过最初冷冻预训练的模型并仅训练前10个时期的完全连接（FC）层来开始的。随后，整个模型涵盖了主链和FC层，以进行进一步的训练。为了评估系统的有效性，对包括NVIDIA，MOBILENETV2，VGG19和InceptionV3在内的流行现有模型进行了全面的比较分析。评估包括基于损耗函数的操作准确性的评估，特别是利用了平方误差（MSE）方程。所提出的模型实现了训练和验证的最低损耗函数值，证明了其出色的预测性能。这种实际评估提供了对模式的可靠性及其有效协助行驶任务的潜力的宝贵见解。此外，通过对预设计的轨迹和地图进行广泛的现实世界测试进一步评估了该模型的性能，从而导致转向角度远离所需轨迹的最小偏差。关键字 - 行长辅助，自动驾驶汽车，X CEPTION，转移学习，微调，转向角度预测
使用静止状态功能连通性在识别主要抑郁症的多元机器学习分析：多中心研究
摘要：使用静止状态功能连通性（RS-FC）数据诊断重大抑郁症（MDD），遇到了许多挑战，例如高维度，小样本和个体差异。To assess the clinical value of rs-FC in MDD and identify the potential rs- FC machine learning (ML) model for the individualized diagnosis of MDD, based on the rs-FC data, a progressive three-step ML analysis was performed, including six di ff erent ML algorithms and two dimension reduction methods, to investigate the classi fi cation performance of ML model in a multicentral, large sample dataset [1021例MDD患者和1100例正常对照（NCS）]。此外，线性最小二乘拟合的回归模型用于评估RS-FC特征与MDD患者临床症状的严重程度之间的关系。在使用的ML方法中，通过极端梯度提升（XGBoost）方法构建的RS-FC模型显示出最佳的分类性能，可将MDD患者与单个水平的NCS区分开（准确性= 0.728，Sensitivity = 0.720，Sensitivity = 0.720，Speciifity = 0.739，Speciifity = 0.739，curve = 0.8331）。同时，通过XGBoost模型识别的RS-FC主要分布在默认模式网络，边缘网络和Visual Network之间。更重要的是，可以使用XGBoost模型确定的RS-FC特征来准确预测MDD患者的17个单个汉密尔顿抑郁量表评分（调整后的R 2 = 0.180，根平方误差= 0.946）。使用RS-FCS的XGBoost模型显示了MDD患者和HCS之间的最佳分类性能，具有良好的概括和神经科学的解释性。关键字：重度抑郁症，静止状态功能连接，多中心，机器学习，分类，极端梯度增强■简介
一种基于计算机视觉的航空视频中准确提取车辆轨迹的方法
车辆轨迹数据拥有有价值的信息，用于高级驾驶开发和交通分析。虽然无人机（UAV）提供了更广泛的视角，但视频框架中小规模车辆的检测仍然遭受低精度的折磨，甚至错过了。本研究提出了一个全面的技术框架，以进行准确的车辆轨迹提取，包括六个主要组成部分：视频稳定，车辆检测，车辆跟踪，车道标记检测，坐标转换和数据denosing。为了减轻视频抖动，使用了冲浪和绒布稳定算法。仅一旦使用X（Yolox）进行多目标车辆检测，就只能看一下一个增强的检测器，并在检测头中包含一个浅特征提取模块，以提高低级和小规模特征的性能。有效的通道注意力（ECA）模块在颈部之前集成，以进一步提高表现力。此外，在输入阶段还应用了滑动窗口推理方法，以防止压缩高分辨率的视频帧。Savitzky-Golay过滤器用于轨迹降低。验证结果表明，改进的Yolox的平均平均精度（地图）为88.7％，比原模型的增强5.6％。与Advanced Yolov7和Yolov8模型相比，所提出的方法分别将MAP@50增加到7.63％和1.07％。此外，已经开发了车辆轨迹数据集，并且可以在www.cqskyeyex.com上公开访问。大多数跟踪（MT）轨迹度量达到98.9％，单侧定位的根平方误差约为0.05 m。这些结果证实，所提出的框架是交通研究中高准确性车辆轨迹数据收集的有效工具。
使用不同的机器学习算法研究低成本空气质量监测模型
摘要。为了提高空气质量监测的校准模型的性能，提出了基于不同机器学习算法的低成本多参数空气质量监测系统（LCS）。LCS可以测量颗粒物（PM 2。5和PM 10）以及同时的气体策略（SO 2，NO 2，CO和O 3）。基于传感器的原始信号，环境温度（T）和相对湿度（RH）以及参考仪器的测量值，开发了多输入多输出（MIMO）预测模型。比较和讨论不同算法（RF，MLR，KNN，BP，GA – BP）的性能，例如确定系数r 2，根平方误差（RMSE）和平均绝对误差（MAE）。使用这些方法，PM的算法（RF，MLR，KNN，BP，GA – BP）的R 2在0.68–0.99范围内； PM 2的RMSE值。5和PM 10分别在2.36–18.68和4.55–45.05 µg m -3之内； PM 2的MAE值。5和PM 10分别在1.44–12.80和3.21–23.20 µg m -3之内。对于气体污染物（O 3，CO和NO 2）的算法rit-rithm的r 2（RF，MLR，KNN，BP，GA – BP）在0.70-0.99之内；这些污染物的RMSE值分别为4.05–17.79 µg m -3，0.02-0.18 mg m -3，2.88–14.54 µg m -3；这些污染物的MAE值分别为2.76–13.46 µg m -3，0.02-0.19 mg m -3，1.84–1.84–11.08 µg m -3。SO 2的算法（RF，KNN，BP，GA – BP，除MLR）的R 2在0.27–0.97之内，RMSE值在0.64–5.37 µg m -3范围内，MAE值在0.39-4.24 µg m -m -m - -− -− -− -− - - 3中。这些测量与中国的国家环境保护标准需求一致，以及基于LCS的
使用机器学习对CO2排放的预测
Kanyarat Bussaban 1*，Kunyanuth Kularbphettong 1，Nareenart Raksuntorn 1，Chongrag Boonseng 2 1 1 1 1 1 1 1 1 Suan Sunandha Rajabhat University，Thailand，Suan Sunandha Rajabhat University； kanyarat.bu@ssru.ac.th（K.B.），kunyanuth.ku@ssru.ac.th（K.K.），nareenart.ra@ssru.ac.th（n.r。）2工程学院，国王蒙库特理工学院Ladkrabang，曼谷，泰国； chongrag.bo@kmitl.ac.th（C.B.）摘要：二氧化碳（CO 2）作为温室气体对气候变化的贡献显着贡献。地球的大气层自然保持温暖，足以通过在大气中捕获热量的温室气体来维持生命。然而，由于森林砍伐和使用化石燃料的使用，人类活动已大大增加了大气中的二氧化碳量。人类进化的关键关注之一是燃料全球气候变化是二氧化碳（CO 2）。它随着燃料燃烧而发布，因此，全世界的人们逐渐变得越来越意识到环境问题。有效的政策制定需要对影响CO 2排放的因素进行调查，但是微小的数据集和传统的研究方法已经阻碍了先前的研究。这项研究使用三个预测模型来估计CO 2排放，能源使用和GDP之间的CO 2陷阱效率：多线性回归（MLR），支持向量机（SVM）和随机森林（RF）。调查提出了一种用于近似CO 2排放的技术，结果表明支持向量机（SVM）可以达到最高的精度。1。简介这项工作中使用的机器学习（ML）技术证明了具有多个线性回归，支持向量机和具有平均绝对误差的随机森林模型（MAE），平均绝对百分比误差（MAPE）和根平方误差（RMSE）。结果可能是决策支持系统的有用模型，以增强在全球范围内减少CO 2排放的适当行动。关键字：二氧化碳（CO 2），CO 2排放，多个线性回归，随机森林，支持向量机。
使用智能网格的功能选择技术来预测混合PV – Windable可再生能源系统的能源输出
在当前的技术时代，基于不断变化的天气因素预测功率和能源产量在可再生能源部门的经济增长中起着重要作用。与传统的化石燃料资源不同，可再生能源可能在维持一个国家的经济和改善生活质量方面起着关键作用。由于如今我们的星球正面临着由于气候变化和全球变暖而面临的严重挑战，因此这项研究可能有效地在使用不同天气条件的智能电网中实现良好的预测准确性。在当前的研究中，将不同的机器学习模型与混合光伏（PV）的可再生能源系统的估计功率和能量进行了比较，使用了七个天气因素，这些天气因素对PV-Wind-Windable可再生能源系统的产出有重大影响。这项研究对机器学习模型进行了分类，该模型可能具有可能有用且有效地预测能源和功率。历史悠久的小时数据是通过和没有数据操作处理的。使用交叉验证（RFECV）使用递归特征消除进行数据操作。数据是使用人工神经网络（ANN）回归器训练的，并且确定了数据集中不同特征之间的相关性。主要目的是找到有意义的模式，可以帮助统计学习模型根据这些使用模式进行训练。©2021作者。由Elsevier Ltd.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。结果表明，使用线性回归模型选择特征选择技术在所有评估指标中都超过了所有其他模型，必须将平均平方误差（MSE）为0.000000104，平均绝对误差（MAE）为0.00083，r 2，r 2，r 2的99.6％的99.6％的r 2，以及通过0.02的范围进行了启动的效率，以增强的计算效率，以增强的计算效率，以增强的计算效率，以增强效率，以增强的效率，以增强的效率，以增强的效率，以增强的效率。可再生能源系统。
机器学习（R22A6602）.pdf
课程目标： 1. 认识机器学习的基本术语和基本概念。 2. 理解监督学习模型的概念，重点关注最新进展。 3. 关联监督学习的神经网络模型概念 4. 发现机器学习的无监督学习范式 5. 理解强化学习和集成方法的概念。 UNIT-I 简介：机器学习、监督学习、无监督学习、强化学习简介。深度学习。 特征选择：过滤器、包装器、嵌入式方法。 特征规范化：最小-最大规范化、z 分数规范化和常数因子规范化 降维简介：主成分分析（PCA）、线性判别分析（LDA） UNIT-II 监督学习 - I（回归/分类） 回归模型：简单线性回归、多元线性回归。成本函数、梯度下降、性能指标：平均绝对误差（MAE）、均方误差（MSE）R 平方误差、调整 R 平方。分类模型：决策树 - ID3、CART、朴素贝叶斯、K 最近邻（KNN）、逻辑回归、多项逻辑回归支持向量机 (SVM) - 非线性和核方法 UNIT – III 监督学习 – II（神经网络）神经网络表示 – 问题 – 感知器、激活函数、人工神经网络 (ANN)、反向传播算法。分类指标：混淆矩阵、精度、召回率、准确度、F 分数、ROC 曲线。UNIT – IV 分类中的模型验证：交叉验证 - 保留方法、K 折、分层 K 折、留一交叉验证。偏差-方差权衡、正则化、过拟合、欠拟合。集成方法：Boosting、Bagging、随机森林。UNIT – V 无监督学习：聚类-K-均值、K-模式、K-原型、高斯混合模型、期望最大化。强化学习：探索和利用权衡、非关联学习、马尔可夫决策过程、Q 学习
当地风轮廓的表征：随机森林...
摘要。在转子扫地面积的高度上进行准确的风速确定对于资源进行至关重要。ERA5数据与通过“测量，相关，预测”（MCP）方法结合使用短期测量，在这种情况下通常用于离岸应用。然而，ERA5由于其低分辨率而引起的限制位点特异性风速变化。为了解决这个问题，我们开发了随机的森林模型，将近地面风速扩展到200 m，重点关注北海的荷兰部分。基于在四个位置收集的公共2年浮动激光循环数据，15％的测试子集表明，在其余85％的现场风能中，在其余85％的森林模型中训练的随机森林模型在准确性，偏见，偏见和相关方面都超过了MCP经过MCP校正的ERA5风能。在没有转子高度测量值的情况下，该模型在200 km区域内训练有效地处理垂直延伸，尽管偏置增加。我们受区域训练的随机森林模型在捕获风速变化和局部效应方面表现出较高的精度，与校正的ERE5相比，AV的偏差低于5％，并且与测量值的偏差为20％。10分钟随机预测的风速捕获了功率谱的中尺度部分，其中ERE5显示出降解。对于稳定条件，与不稳定的条件相比，根平方平方误差和偏置分别大于12％和29％，这可以归因于稳定地层期间在较高高度处的去耦效应。我们的研究通过机器学习方法（特定的随机森林）强调了风资源评估的潜在增强。未来的研究可能会探索扩展较高高度的随机森林方法，从而使新一代的离岸风力涡轮机构成新一代，并通过跨国公司的跨国激光雷达网络在北海中唤醒群集，这取决于数据可用性。
云型的机器学习 - 泰特里 - 观察 -
摘要。气候模型中云反馈的不确定性是未来Climeate预测的主要限制。因此，云模拟的评估和改进对于确保气候模型的准确性至关重要。我们在气候模型中相对于卫星观测值分析了云偏差和云的变化，相对于全球平均值近表面温度（GMST），并将它们与均衡气候灵敏度，瞬态气候响应和云反馈相关联。For this purpose, we develop a supervised deep convolutional artificial neural network for determination of cloud types from low-resolution (2.5 ◦ × 2.5 ◦ ) daily mean top-of-atmosphere shortwave and longwave radiation fields, corresponding to the World Meteorological Organization (WMO) cloud genera recorded by human observers in the Global Telecommunication System (GTS).We train this network on top-of-atmosphere radiation retrieved by the Clouds and the Earth's Radiant Energy System (CERES) and GTS and apply it to the Coupled Model Intercomparison Project Phase 5 and 6 (CMIP5 and CMIP6) model output and the European Centre for Medium-Range Weather Forecasts (ECMWF) Reanalysis version 5 (ERA5) and the Modern-Era Retrospective Analysis for Research and Applications version 2 （Merra-2）Reanalyses。我们比较模型和卫星观测值之间的云类型。我们将偏见与气候灵敏度联系起来，并确定云类型的根平方误差与源自神经网络的均方根误差与模型平衡气候灵敏度（ECS），瞬态气候响应（TCR）和云反馈。模型集合中的这种统计关系有利于具有较高EC，TCR和云反馈的模型。但是，这种关系可能是由于当今偏见和未来预测的云变化之间使用的集合的规模相对较小或解耦。使用ebrupt-4×CO 2 CMIP5和CMIP6实验，我们表明，模拟层状减少和增加的累积云的模型往往具有比模拟层状增加和减小累积云的模型更高的EC，并且这也可以部分解释模型云类型的发生之间的关联。