摘要 - 近年来,心血管疾病引起了研究人员的重大关注,因为它是全球死亡的主要原因。本文介绍了一种分类方法,该方法采用了优化算法来提高预测各种性别和年龄段的心血管疾病发展的准确性。患者数据集通常包含大量无关,多余或嘈杂的特征,这可能会阻碍预测的准确性。为了解决这个问题,我们提出了流动方向算法(FDA),该算法选择了疾病的最相关特征以提高分类精度率。在预测阶段,我们将支持向量机(SVM)与流方向优化算法(FDA)相结合,以识别最相关的功能。为了增强分类结果,本研究研究了FDA,OFDA,遗传算法(GA)和粒子群优化(PSO)算法与K-Nearest邻居(KNN)和SVM分类算法的组合。使用准确性,召回,精度和选定特征比例作为度量来评估所提出的算法的性能。使用三个数据集比较了基于SVM和KNN的算法:心力衰竭临床数据集(HFCD),心脏数据集(HD)和心脏病预测数据集(HDPD)从UCI存储库中获得。实验结果表明,与FDA或OFDA优化算法结合使用时,SVM和KNN算法表现更好。
分布式可再生能源 (RES) 的普及率不断提高,加上新型电动汽车 (EV) 型号注册数量不断增加,在零碳能源社区的发展中发挥着重要作用。然而,间歇性可再生能源发电厂的份额越来越大,再加上高且不受控制的电动汽车充电需求总量,要求能源区必须向新的规划和管理模式发展。因此,在这种背景下,本文提出了新颖的智能充电 (SC) 技术,旨在尽可能多地在当地整合 RES 发电和 EV 充电需求,协同作用于电力流并避免对电力系统产生不利影响。为了实现这一点,本文介绍了一种集中式充电管理系统 (CMS),该系统能够单独调节每个插电式电动汽车的充电功率。CMS 旨在最大限度地提高本地 RES 的充电自耗,从而拉平外部电网所需的峰值功率。此外,即使在低 RES 电力可用性条件下,CMS 也能保证所有车辆在出发时的整体充电状态 (SOC) 良好,且无需从电网获取额外能量。本文提出了两种根据 EV 功率流方向而不同的方法。第一种 SC 仅涉及单向功率流,而第二种方法还考虑车辆之间的双向功率流,以车对车 (V2V) 模式运行。最后,根据实际案例研究进行的模拟验证了 SC 对参考场景的影响,该参考场景包括具有光伏 (PV) 电站、非模块化电气负载和 EV 充电站 (CS) 的工业区。本文收集了结果,并比较和详细描述了通过操作不同的 SC 方法实现的性能改进。
当核子被奇异数S = -1的超子(如Λ、Σ)取代时,原子核就转变为超核,从而可以研究超子-核子(Y-N)相互作用。众所周知,二体Y-N和三体Y-N-N相互作用,特别是在高重子密度下,对于理解致密恒星的内部结构至关重要[1,2]。杰斐逊实验室[3]对Λ-p弹性散射和J-PARC[4,5]对Σ−-p弹性散射进行了精确测量,最近获得了新结果,这可能有助于限制中子星内部高密度物质的状态方程。直到最近,几乎所有的超核测量都是利用轻粒子(如e、π+、K−)诱导的反应进行的[6–8],其中从超核的光谱性质来分析饱和密度附近Y-N相互作用。利用重离子碰撞中的超核产生来研究Y-N相互作用和QCD物质的性质是过去几十年来人们感兴趣的主题[9–13]。然而,由于统计数据有限,测量主要集中在轻超核的寿命、结合能和产生产额[12,14,15]。热模型[16]和带有聚结后燃烧器的强子输运模型[17,18]计算预测在高能核碰撞中,特别是在高重子密度下,会大量产生轻超核。各向异性流动通常用于研究高能核碰撞中产生的物质的性质。由于其对早期碰撞动力学的真正敏感性 [19–22],动量空间方位分布的傅里叶展开的一阶系数 v 1 ,也称为定向流,已对从 π 介子到轻核的许多粒子进行了分析 [23– 28]。集体流是由此类碰撞中产生的压力梯度驱动的。因此,测量超核集体性使我们能够研究高重子密度下 QCD 状态方程中的 Y - N 相互作用。在本文中,我们报告了在质心能量 √ s NN = 3 GeV Au+Au 碰撞中首次观测到 3 Λ H 和 4 Λ H 的定向流 v 1。数据由 2018 年在 RHIC 上使用固定靶 (FXT) 装置的 STAR 实验收集。能量为 3.85 GeV/u 的金束轰击厚度为 1% 相互作用长度的金靶,该靶位于 STAR 的时间投影室 (TPC) 入口处 [29]。TPC 是 STAR 的主要跟踪探测器,长 4.2 m,直径 4 m,位于沿束流方向的 0.5 T 螺线管磁场内。沿束流方向每个事件的碰撞顶点位置 V z 要求在目标位置的 ± 2 cm 范围内。