XiaoMi-AI文件搜索系统
World File Search System权重系数
使用传统计算机的文本分类...
机器学习中使用的神经网络是由几个简单处理器（单位，神经元）组成的系统，这些系统由通信渠道（连接）连接。这些连接具有相应的权重系数，并且每个神经元具有自己的激活函数，该功能接受输入信号以确定输出信号。人工神经网络是数学模型的集合，它们取决于结构，通过计算加权系数和激活函数的方法来确定。学习是训练，其中数据集通过迭代和计算连接的重量系数来训练算法。这些连接存储解决特定问题所需的知识。Scikit学习库中使用的分类器称为
基于混合能源电源管理的居民用电需求优化调度
摘要 - 本研究旨在解决可再生能源和住宅部门负荷不确定的情况下电网混合能源的调度问题。引入混合资源后，通过电力管理算法实施调度模型，试图优化资源成本、排放和未供应能源 (ENS)。所述问题由两个决策层组成，根据每个目标函数的优先级，它们具有不同的权重系数。根据可调度和不可调度资源的技术约束、不确定性参数和日前实时定价 (RTP)，选择所提出的算法进行能源优化管理。此外，使用负荷削减和负荷转移技术研究了需求响应计划 (DRP) 对给定算法的影响。最后，获得的结果导致对具有不同操作模式的所有决策层中的功能进行优化。
基于EEG的高性能抑郁状态识别 5-HT6受体配体的效果与... 结合 3D微/纳米水凝胶结构由二... 制造 基于氧化石墨烯的2D/3D复合材料，用于增强环氧涂层的抗腐蚀特性 文章通过高纤维曲线加密增强了车辆互联网中的隐私 算法翻译校正机制
抑郁症是一种对人有害的全球疾病。基于各种规模的传统识别方法不够客观和准确。脑电图（EEG）包含丰富的生理信息，这使其成为识别抑郁状态的新研究方向。但是，大多数基于EEG的算法仅提取原始的EEG特征，而忽略复杂的时空信息相互作用，这将降低性能。因此，迫切需要一种更准确和客观的抑郁识别方法。在这项工作中，我们提出了一种新型的抑郁识别模型：W-GCN-GRU。在我们提出的方法中，我们根据Spearman的等级相关系数审查了六个敏感特征，并通过AUC分配了不同的权重系数，以通过AUC进行敏感特征的加权融合。特别是，我们将基于加权敏感特征作为抑郁识别模型的GCN和GRU级联网络使用。对于GCN，我们创造性地基于相关系数矩阵将脑功能网络作为邻接矩阵输入和加权融合敏感的特征用作节点特征矩阵输入。我们所提出的模型在我们的自我收集的数据集和MODMA数据集上表现良好，精度为94.72％，表现优于其他方法。我们的发现表明，特征维度降低，加权融合和脑电图空间信息都对抑郁识别产生了很大影响。
基于 CEEMD 和... 的飞机故障率预测方法
准确预测飞机故障率可以提高飞行安全和备件供应效率，有效提供良好的维修保养决策和健康管理指导。为了实现非线性非平稳飞机故障率的准确预测，提出了一种基于互补集经验模态分解（CEEMD）与组合模型融合的飞机故障率预测方法。首先利用互补集经验模态将故障率分解为多个不同频率的分量，然后选取集成移动平均自回归模型（ARIMA）模型和灰色Verhulst模型对不同分量进行预测，利用熵权重法求解组合模型的系数，最后将各预测模型的预测结果乘以各自的权重系数，得到最终的预测结果。以飞机燃油控制系统故障率数据的实际案例应用为例进行试验，采用7个评价函数作为评价标准来评估组合模型的性能。实验结果表明，所开发的组合模型优于其他误差平方和（SSE）、平均绝对误差（MAE）等模型，可以显著提高飞机故障率的预测精度，证明了该模型可以提高飞机故障率的预测精度。
航天器跟踪控制和同步 - Madjid Tavana
人工智能 (AI) 有望在从任务设计规划到卫星数据处理和导航系统等太空操作领域取得突破。人工智能和太空运输的进步使人工智能技术能够应用于航天器跟踪控制和同步。本研究评估了三种替代的航天器跟踪控制和同步 (TCS) 方法，包括非人工智能 TCS 方法、人工智能 TCS 方法和组合 TCS 方法。该研究提出了一种混合模型，包括一个用于定义权重系数的新模型和基于区间型 2 模糊集的组合折衷解 (IT2FSs-CoCoSo) 来解决航天器 TCS 问题。一种新方法用于计算标准的权重系数，而 IT2FSs-CoCoSo 用于对 TCS 方法的优先级进行排序。进行了比较分析以证明所提出的混合模型的性能。我们通过一个案例研究来说明适用性，并展示所提出方法的有效性，该方法基于十个不同的子标准对替代 TCS 方法进行优先排序，这些子标准分为三个主要方面，包括复杂性方面、操作方面和效率方面。根据本研究的结果，人工智能和非人工智能方法相结合是最有利的替代方案，而非人工智能方法则是最不有利的。2022 COSPAR。由 Elsevier BV 出版 这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons.org/licenses/by/4.0/）。
基于熵权法的长期电离层foF2组合预测模型
摘要：准确预报电离层F2层临界频率（foF2）具有十分重要的意义，它极大地限制了通信、雷达和导航系统的效率。本文引入熵权法，建立了澳大利亚达尔文站（12.4 ◦ S，131.5 ◦ E）长期foF2的组合预报模型（CPM）。在完成校准期单个模型的仿真后，利用熵权法确定CPM中各单个模型的权重系数。为验证本研究采用的方法，分析了两组数据：一组是2000年和2009年，属于校准期（1998—2016年），另一组是校准周期之外的数据（1997年和2017年）。为了检验性能，我们将观测到的每月 foF2 中值、所提出的 CPM、国际无线电科学联盟 (URSI) 和国际无线电咨询委员会 (CCIR) 的均方根误差 (RMSE) 进行比较。1997 年、2000 年、2009 年和 2017 年，从 CPM 计算出的年度 RMSE 平均值小于从 URSI 和 CCIR 计算出的年度 RMSE 平均值。2000 年和 2009 年，CPM 与 URSI 之间的平均百分比改进为 9.01%，CPM 与 CCIR 之间的平均百分比改进为 13.04%。在校准期之外，CPM 与 URSI 之间的平均百分比改进为 13.2%，CPM 与 CCIR 之间的平均百分比改进为 12.6%。预测结果表明，无论是在校准期内还是在校准期外，所提出的 CPM 都比 URSI 和 CCIR 具有更高的预测精度和稳定性。