XiaoMi-AI文件搜索系统
World File Search System数据评估
从定性到制造公司的定量数据评估
摘要。由于数据在工业环境中变得越来越重要，因此在制造公司如何一致，全面地衡量数据驱动的附加值方面出现了一个问题。目前，对数据估值的尝试主要是在公司内部层面和定性规模上进行。这导致了不确定的结果和数据获利的未使用机会。从理论上讲，现有的方法以确定定量数据值很少使用且不太复杂。尽管定量估值框架可以使实体能够将数据估值从内部到外部级别传输到外部级别，以考虑到数字转换的进度到外部报告。本文通过提出一个四部分估值框架，该框架指定如何转移内部（定性，定量数据评估），从而有助于数据价值评估。所提出的框架建立在以实践为导向的行动研究中获得的见解。最终使用单个案例研究方法对机床制造商进行了测试。将价值放在数据上将有助于管理层管理数据的能力以及实现数据驱动的收益和收入。
与核数据评估相关的先进反应堆基准（5）。
1996 年 1 月 1 日之后发布的报告通常可通过美国能源部 (DOE) SciTech Connect 免费获取。网站 www.osti.gov 公众可以从以下来源购买 1996 年 1 月 1 日之前制作的报告： 国家技术信息服务 5285 Port Royal Road Springfield, VA 22161 电话 703-605-6000（1-800-553-6847） TDD 703-487-4639 传真 703-605-6900 电子邮件 info@ntis.gov 网站 http://classic.ntis.gov/ DOE 员工、DOE 承包商、能源技术数据交换代表和国际核信息系统代表可以从以下来源获取报告： 科学技术信息办公室 PO Box 62 Oak Ridge, TN 37831 电话 865-576-8401 传真 865-576-5728 电子邮件 reports@osti.gov 网站 http://www.osti.gov/contact.html
使用地理空间数据评估茶树健康和产量...
茶是印度最重要的饮料之一。它是第一大外汇收入来源。印度是世界上最大的茶叶生产国。印度的阿萨姆邦、梅加拉亚邦、特里普拉邦、北孟加拉邦（大吉岭）和锡金邦对该国的茶叶总产量贡献巨大。除此之外，印度南部的泰米尔纳德邦、卡纳塔克邦和喀拉拉邦也为茶叶生产做出了贡献。过去几年，人们发现茶产业正在失去立足之地。这主要是因为生产结构错误、由于生产成本高而无法与其他茶叶生产国竞争、小农户组织化、加工阶段的质量控制不佳以及更重要的害虫和疾病侵扰。遥感和 GIS 技术已被有效用于监测水稻、小麦等多种一年生作物。因此，开发一种使用遥感和 GIS 监测茶园的方法已成为迫切需要。之前缺乏使用遥感监测茶叶的研究，这为开发一种方法提供了想法，该方法可以帮助监测种植园的生长并在需要时采取有效措施。在本研究中，尝试使用遥感图像的纹理和色调变化来评估茶树的健康状况。应用灰度共生矩阵 (GLCM) 技术将茶斑分为健康、中度健康和患病茶。使用纹理和分类图像来描绘患病斑块。得出了健康、中度健康和患病茶的百分比。观察发现，2001 年 12 月的 LANDSAT 图像显示健康茶树的面积为 60.4%，中度感染茶树的面积为 23.6%，患病茶树的面积为 16.2%。对于 2004 年 2 月的 LISS III 图像，发现健康茶树的面积为 43.9%，中度感染茶树的面积为 36.8%，患病茶树的面积为 19.3%。同样，对于 2004 年 6 月的 ASTER 图像，发现健康茶树的面积为 24.9%，中度健康茶树的面积为 50.1%，患病茶树的面积为 25.1%。最后将结果与地面叶面积指数 (LAI) 和产量进行了比较。因此，这里尝试的纹理分析和色调变化可以在识别和检测茶园中的病斑方面发挥重要作用。这项研究表明，4 月、6 月和 8 月基于 MODIS 的 NDVI 与庄园层面的茶叶产量有显著相关性。为进一步检验 MODIS 得出的 NDVI 是否与 LAI 相关，建立了一个经验方程，结果表明茶叶的 LAI 与 NDVI 具有显著的线性关系 (R 2 =0.36)。然而，研究发现，仅凭不同时间段的 NDVI 观测结果无法解释茶叶产量的差异。这表明茶叶产量的统计模型似乎并不令人鼓舞。
通过功能加密进行隐私数据评估，重新访问
摘要 - 在基于云的数据市场中，基本的观点在于促进数据购物者与卖家之间的相互作用。这种参与度使购物者可以使用外部数据来增强其内部数据集，从而导致其机器学习模型的显着增强。尽管如此，鉴于数据值的潜在多样性，对于消费者来说，在巩固任何交易之前评估数据的价值变得至关重要。最近，Song等。引入了Pri-Mal（ACSAC出版），这是云辅助的隐私数据评估（PPDE）策略。此策略依赖于功能加密（FE）作为基础框架的变体，它比替代加密原始图（例如安全的多方计算和同质加密）具有明显的性能优势。但是，在本文中，我们遗憾地强调了原始人容易遭受无意滥用FE的影响，并为绩效缓和留下了备受期望的空间。为了对抗这一点，我们引入了一种新型的加密原始性，称为标记的函数隐藏内部产品。这个新的原始性是一种补救措施，并为设计PPDE的具体框架构成了基础。此外，在实际数据集上进行的实验表明，我们的框架大大降低了当前最先进的安全PPDE方案的总体计算成本，大约10倍，数据销售商的通信成本约为2倍。索引术语 - 私人关系，数据评估，功能加密
A709 资格计划更新和机械性能数据评估
免责声明 本信息是根据美国政府机构资助的工作编写的。美国政府及其任何机构或其任何雇员均不对所披露的任何信息、设备、产品或流程的准确性、完整性或实用性做任何明示或暗示的保证，也不承担任何法律责任或义务，也不表示其使用不会侵犯私有权利。本文以商品名、商标、制造商或其他方式提及任何特定商业产品、流程或服务并不一定构成或暗示美国政府或其任何机构对其的认可、推荐或支持。本文表达的作者的观点和意见不一定代表或反映美国政府或其任何机构的观点和意见。
使用数据评估Covid-19期间在线学习的影响
摘要 - Covid-19的迅速传播导致包括斯里兰卡在内的许多国家关闭所有教育机构并转换为在线学习。但是，这种突然的转变并非没有挑战。在这项研究中，作者旨在确定影响斯里兰卡在线学习的因素，并确定它如何影响大学生在大流行期间的学业表现，CGPA和看法。我们使用数据挖掘和机器学习技术来创建基于分发给大学生的问卷的预测模型。结果表明，长期使用数字设备和心理因素（例如压力，分心和孤独感）对学生的CGPA产生了负面影响，而良好的互联网连接具有正相关。研究还发现，在线讲座没有显着差异，但是在线实践显示出负相关。作者认为，薄弱的教育政策和大流行的影响强调了对加强斯里兰卡在线教育质量的跨学科方法的必要性。我们敦促教育政策制定者和政府制定新的战略，以确保公平，平等和不受限制的教育机会。最终，必须使用从这个大流行中学到的教训来建立一个为未来大流行病和后大流行时代的可持续在线教育体系。
购买前尝试：基于云的机器学习数据市场的隐私数据评估
基于云的数据市场提供了一项服务，可以将数据购物者与适当的数据销售商匹配，以便数据购物者可以使用外部数据来增强其内部数据集以改善其机器学习（ML）模型。由于数据可能包含不同的值，因此购物者在进行最终交易之前评估最有价值的数据至关重要。但是，评估ML数据的典型要求云要求访问购物者的ML模型和卖家的数据，这两者都敏感。现有的基于云的数据市场都没有启用ML数据评估，同时保留模型隐私和数据隐私。在本文中，我们在基于云的数据市场上开发了一个隐私保护ML数据评估框架，以保护购物者的ML模型和卖家数据。首先，我们提供了一个隐私保护框架，该框架使购物者和卖家能够分别对其模型和数据进行加密，同时保留云中的数据功能和模型功能。然后，我们开发了一个保护隐私的数据选择协议，该协议使云可以帮助购物者选择最有价值的ML数据。此外，我们开发了一个隐私的数据验证协议，该协议允许购物者进一步检查所选数据的质量。与随机数据选择相比，实验结果表明，我们的解决方案可以减少60％的预测错误。
使用可穿戴传感器收集的心率和手动加速数据评估大学生的精神压力
压力是各种心理健康障碍，包括大学生的抑郁和焦虑。早期压力诊断和干预可能会降低患精神疾病的风险。我们使用了一种基于机器学习的方法来使用自然主义研究中收集的数据鉴定压力，该研究利用自我报告的压力作为基础真理以及生理数据，例如心率和手动加速。这项研究涉及来自一个大型校园的54名大学生，他们使用可穿戴腕部的传感器和移动健康（MHealth）应用程序连续40天使用。该应用程序收集了生理数据，包括以一个Hertz频率的心率和手动加速。该应用程序还通过敲击手表面来使用户能够自我报告压力，从而产生了自我报告的压力的时间标记记录。我们使用心率和加速度计数据创建，评估和分析的机器学习算法，用于识别大学生之间的压力事件。XGBoost方法是最可靠的模型，AUC为0.64，精度为84.5％。手动加速度的标准偏差，心率的标准偏差和最小心率是压力检测的最重要特征。该证据可能支持使用智能手表传感器识别生理反应中的模式的功效，并可能为实时检测压力的未来工具的设计提供信息。关键字：心理健康，机器学习，压力，学生，检测
钠离子电池中的气体释放——DEMS 设置、数据评估及其在富锰层状正极材料中的应用
流场；2) 从电池顶部连接到对电极集电器；3) 参比电极集电器；4) 对电极集电器；a) 集电器箔上的工作电极；b) 隔板；c) 参比电极（钠金属）；d) 对电极（钠金属）；e) 对电极安装板。b) DEMS 测量装置流程图。测量和控制单元的字母符号图例：C = 控制器，F = 流量，I = 指示器，P = 压力，T = 温度。
使用热带雨林中的机载激光雷达数据评估陆地激光扫描仪和测高仪对树木高度和地上生物量的不确定性
森林地上生物量 (AGB)。传统上，树高由测高仪测量，该测高仪广泛用于验证地面激光扫描仪 (TLS) 和机载激光雷达 (ALS)。然而，与 TLS 和 ALS 相比，测高仪的测量结果存在很大的不确定性。与高度测量相关的误差会传递到 AGB 估计模型中，并最终降低估计的 AGB 和随后的碳储量的准确性。在本文中，我们测试了在热带低地雨林中使用测高仪、TLS 和 ALS 来测量高度 (H) 和胸高 (DBH)，并以机载激光雷达为基准，在高度测量中具有高精度和保真度。结果表明，当使用机载 LiDAR 作为基准来验证实地测量和 TLS 时，测高仪测量的实地高度低估了树高，均方根误差 (RMSE) 为 3.11，而 TLS 低估了树高，RMSE 为 1.61。由于高度测量结果存在显著差异，AGB 和碳储量也存在显著差异，实地测量值为 146.33 和 68.77 Mg，TLS 值为 170.86 和 80.31 Mg，机载 LiDAR 值为 179.85 和 84.53 Mg。以机载激光雷达测量结果为最准确，实地测量的地上生物量和碳储量占机载激光雷达总地上生物量和碳储量估计值的85.55%。同时，TLS测量结果反映了以机载激光雷达数据为基准的95.02%的地上生物量和碳储量。结果表明，与小树相比，大树的高度测量存在巨大的不确定性，差异显著。结论是，地上生物量和碳储量对各种测量树高方法得出的高度测量误差很敏感，树木的大小也是如此。