XiaoMi-AI文件搜索系统
World File Search System技术预测
基于数据的药效学对丙泊酚和瑞芬太尼在全身麻醉期间作用的影响
在麻醉期间预测双光谱指数（BIS）和平均动脉压（MAP）对于患者的安全性和e e ff eftectia麻醉管理至关重要。传统的药效动力反应表面模型具有限制和适应性。本文提出了一种使用机器学习技术预测BIS和地图的新方法。而不是使用标准的药效响应表面模型，而是提出了基于机器学习的AP-prach来建模药效学。所提出的方法考虑了标准丙泊酚和雷素药代动力学模型的状态，以及患者信息作为预测BIS和MAP值的特征。培训和测试是在含有191例不同患者的VitalDB数据集[1]的选定子集上进行的。证明，基于机器学习的方法就准确性而优于标准的药效学模型。具体而言，支持向量回归（SVR）模型达到的平均绝对预测误差（MDAPE）比BIS预测的Eleveld模型小32％。为了进行地图预测，SVR模型还降低了66％的MDAPE表现。所提出的方法提供了与深度学习方法[2]相似的性能[2]，同时保留了可以在其他应用程序中使用的简单结构。
超越技术的推测：通过讲故事构建场景
“现代建筑方法”这一术语在很大程度上等同于工厂中产品组件的预制。新兴技术，例如机器人技术和人工智能 (AI)，正在重新定义现代建筑方法的概念，并破坏该行业的结构以满足其实施条件。例如，机器人技术和基于机器的自动化有望迅速而显著地改变建筑制造技术，但变化的程度以及对构成该行业的组织、供应链和商业模式的相关影响仍然未知。现有的预见主要以轨迹视角为主，过分强调技术预测，而忽视了对理解技术采用最有帮助的实施背景故事。本文介绍的另一种方法侧重于讲故事、场景设计和用于帮助传达这些场景的视觉图像。这些让从业者能够探索机器人技术和基于机器的自动化如何在行业的不同特征中发挥作用。该研究涉及分析现有数据集以创建四种情景，然后通过参与式研讨会和访谈调整和扩展这些情景。项目参与者包括制造和建筑制造领域的七家中小型企业 (SME)、一家一级承包商以及来自行业咨询委员会和教育中心的两位知名行业专家。
基于双频无线电信号和卫星间通信网络反演大气水汽含量的研究
摘要：大气总水蒸气含量 (TWVC) 会影响气候变化、天气模式和无线电信号传播。全球导航卫星系统 (GNSS) 等最新技术用于测量 TWVC，但精度、时间分辨率或空间覆盖范围均有所降低。本研究证明了使用扩频 (SS) 无线电信号和低地球轨道 (LEO) 卫星上的软件定义无线电 (SDR) 技术预测、绘制和测量 TWVC 的可行性。提出了一种来自小型卫星星座的卫星间链路 (ISL) 通信网络，以实现 TWVC 的三维 (3D) 映射。然而，LEO 卫星的 TWVC 计算包含电离层总电子含量 (TEC) 的贡献。TWVC 和 TEC 贡献是根据信号传播时间延迟和卫星在轨道上的位置确定的。由于 TEC 与 TWVC 不同，依赖于频率，因此已经实施了频率重构算法来区分 TWVC。这项研究的新颖之处在于使用时间戳来推断时间延迟、从星座设置中独特地推导 TWVC、使用算法实时远程调谐频率以及使用 SDR 进行 ISL 演示。这项任务可能有助于大气科学，测量结果可以纳入全球大气数据库，用于气候和天气预报模型。
PEM燃料电池供应层中气压调节的增强控制方法
摘要。神经模型技术预测学习者绩效的利用已在包括自然语言处理在内的各种技术领域取得成功。最近，研究人员逐步将注意力集中在采用这些方法来促进社会经济可持续性的贡献，尤其是在预测学生学业成绩的背景下。此外，教育数据经常涵盖众多分类变量，预测模型的功效与适用于管理和解释该数据的可持续编码技术息息相关。这种方法符合促进教育中可持续发展的更广泛的目标，强调负责和公平的实践，以利用先进的技术来增强学习成果。基于这种见解，本文介绍了一篇文献综述，该文献综述深入研究了使用机器学习技术来预测在线培训课程中学习者的成果。目的是提供针对预测学生绩效，分类编码方法和所使用的数据集设计的最新模型的摘要。研究进行了实验，以相互评估建议的模型，并且与使用替代机器学习算法的某些预测技术相比，同时同时进行了预测技术。调查结果表明，采用编码技术转换分类数据会增强深度学习体系结构的有效性。值得注意的是，当与长期短期内存网络集成时，该策略会为所检查的问题产生出色的结果。
采用人工智能技术进行学生表现评估和教学策略丰富：一种创新方法
智能辅导系统是解决大学教育教学和评估系统难题的绝佳人工智能 (AI) 替代方案。它通过采用 AI 技术评估学生的表现并丰富各种教学策略，体现了当前系统的范式转变。与普通课堂上老师必须控制 30 到 50 名学生不同，老师必须监控数百名学生，这非常困难且令人精神疲惫。在这种情况下，仅靠导师或老师不足以监控学生并为每个学生提供最佳的关注和照顾。需要一种新颖的方法来促进可靠且灵活的大学生监控系统方法。该系统应该能够评估许多学生的表现，预测最终成绩，并实时制定智能决策。多种基于计算机的 AI 模型正在逐渐在教学和学生成绩评估中发挥重要作用。本文提出了一种新策略来说明应用 AI 技术预测学生最终成绩的优势。验证过程是在 2018-2019 学年期间使用计算机科学学士学位 12 门核心课程和 18 门选修课程的 1000 名学生的实时数据集进行的。本文提出了一种带有模糊专家系统的混合 SVM，以展示该技术在教学和学生最终成绩预测方面的熟练程度以及未来工作的可能性。
使用各种机器学习预测未来降雨量...
本研究提出了一种机器学习技术，可以提高对年降雨总量的预测。预测特定区域的降水量和降水时间被称为降雨预测。全球社会非常关注降雨预报的准确性。人们知道这是每年洪水和其他自然灾害的根源。许多行业都可能受到恶劣天气的影响，包括农业、建筑、发电和旅游业。降水预报是最具挑战性和不确定性的工作之一，因为它对人类社会有着深远的影响。减少不必要的痛苦和经济损失的唯一方法是及时和准确的预测。本文利用澳大利亚主要城市一天的历史气象数据，描述了一系列实验，这些实验建立了能够使用尖端机器学习技术预测明天降雨可能性的模型。这项比较研究将详细研究输入、方法和预处理策略。使用各种衡量算法理解天气数据和预测降水可能性的能力的指标，结果揭示了这些机器学习算法的表现如何。事实证明，机器学习在预测何时下雨方面非常有用，这是目前最基本的需求，目前，很难确定何时会下雨。在预测降水量的过程中，我们采用了大量方法，例如决策树算法、线性回归、支持向量回归、随机森林回归器和随机森林分类器。在农业方面，有效降雨是决定作物生长速度的关键因素。使用机器学习预测降雨量可以改善水资源规划、农业生产和用水预测。
请引用原文：Du, B., Lund, PD, & Wang, J. (2021). 结合 CFD 和人工神经网络技术预测全玻璃直真空管太阳能集热器的热性能。能源，220，文章 119713。https://doi.org/10.1016/j.energy.2020.119713
本文分析了一种新型全玻璃直通真空管集热器的热性能建模和性能预测。开发了管的数学模型，并将其纳入 CFD 软件进行数值性能模拟。为了提高集热器的热性能预测，考虑了不同的人工神经网络 (ANN) 模型。采用包含 200 多个样本的综合实验数据集对模型进行测试。将热模拟模型与 ANN 模型相结合，使用建模的集热器输出作为输入模型之一，显著提高了 ANN 模型的预测精度。与 ANN 模型相比，仅基于 CFD 模型的预测精度最差。卷积神经网络 (CNN) 模型被证明是预测精度最好的 ANN 模型。关键词：太阳能集热器；真空管；神经网络；多元线性回归；CFD；热性能；预测
太阳能和地热能案例研究
公共和私人组织试图预测技术发展的未来，并据此分配资金。根据我们对麻省理工学院创业中心、斯隆管理学院和 IBM 专家的采访以及对文献的回顾，我们发现这一重要的资金分配过程主要依赖专家意见，这在有其优点的同时，也存在重大缺点。在本论文中，我们引入了一种数据驱动的方法，称为早期增长技术分析，用于技术预测，该方法利用多种信息源来分析有前途的新技术的发展。我们的方法基于文献计量分析，包括三个关键步骤：从在线出版物数据库中提取相关关键字、确定这些关键词的出现频率以及识别那些表现出快速增长的关键词。我们的建议超越了理论层面，体现在软件中，该软件通过可视化界面收集用户所需的输入，动态提取网站数据，对收集的数据进行分析，并显示结果。与我们小组以前的软件相比，新界面在执行分析时提供了更好的用户体验。虽然这些方法适用于任何研究领域，但本论文介绍了太阳能和地热能领域的案例研究结果。我们在这些特定领域确定了新兴技术，以测试我们结果的可行性。我们相信，数据驱动的方法（例如本论文中提出的方法）将越来越多地被政策制定者用来补充、验证和确认专家意见，将实际目标映射到基础/应用研究领域并做出技术投资决策。论文指导老师：Stuart Madnick John Norris Maguire 麻省理工学院斯隆管理学院信息技术教授、麻省理工学院工程学院工程系统教授
工业 4.0 对供应链可持续性的影响
K. Mathiyazhagan 博士是研究中心主席兼副教授，Thiagarajar 管理学院位于印度泰米尔纳德邦马杜赖。他是《技术预测与社会变革》（Elsevier）影响因子：12 的助理编辑、《商业战略与环境》（Wiley）影响因子：13.4、《管理决策》（Emerald）影响因子：4.9 和《环境、发展与可持续性期刊》（Springer）影响因子为 4.1 的副编辑。他是《商业物流期刊》（JBL）、《国际物流与物流管理期刊》（IJPDLM）、《国际物流管理期刊》（IJLM）、《可持续生产与消费》（Elsevier）和社会经济规划科学（Elsevier）特刊的主要客座编辑。他还曾担任多家知名期刊的编辑。此外，他还被列为世界前 2% 的科学家之一（斯坦福大学世界前 2% 科学家名单）。他在 IJPE、IJPR、PPC、IEEE TEM、JCP、RCR 等众多期刊上发表过文章，研究引用次数超过 5,000 次。他的一篇论文获得了 Emerald Publisher Ltd. 颁发的卓越引文奖。此外，他还在编辑 Elsevier、Taylor & Francis 和 Springer 出版社出版的关于区块链、精益绿色和社会 4.0 的国际书籍。他于 2023 年 2 月应邀访问意大利罗马 TRE 大学进行研究合作，并应邀于 2023 年 9 月 7 日访问英国诺丁汉特伦特大学，组织联合国际研究卓越研讨会。他是 30 多种知名国际期刊的活跃审稿人，获得了知名期刊的最佳审稿人证书。
预测激光粉末床融合添加剂制造过程中的鞭毛尿酸酯的热电学因子
添加剂制造（AM）工艺，例如激光粉末床融合，可以通过分层扩散和熔化粉末来制造物体，直到创建自由形式的零件形状。为了提高AM过程中涉及的材料的特性，重要的是要预测材料表征作为处理条件的函数。在热电材料中，功率因数是对材料如何将热量转化为电的有效性的量度。虽然较早的作品已经使用各种技术预测了不同热电材料的材料表征特性，但在AM过程中尚未探索机器学习模型的实现，以预测鞭毛尿酸酯（BI2TE3）的功率因数。这很重要，因为BI2TE3是低温应用的标准材料。作为概念证明，我们使用了有关涉及的制造处理参数的数据以及在BI2TE3 AM中收集的原位传感器监视数据，以训练不同的机器学习模型，以预测其热电功率因子。我们使用80％的培训和20％的测试数据实施了监督的机器学习技术，并进一步使用了置换功能重要性方法来识别重要的处理参数和原位传感器功能，这些特征最能预测材料的功率因数。基于合奏的方法，例如随机森林，Adaboost分类器和Bagging分类器，在预测功率因数方面表现最好，而袋装分类器模型则达到了90％的最高精度。此外，我们发现了前15个处理参数和原位传感器功能，以表征材料制造属性（例如功率因子）。这些功能可以进一步优化，以最大程度地提高热电材料的功率因数，并提高使用该材料制造的产品的质量。