XiaoMi-AI文件搜索系统
World File Search System测量数据
从多指双极晶体管中的测量数据中提取真实的手指温度
摘要 - 在此简介中，我们提出了一种逐步策略，以准确估计基于硅的多纤维双极晶体管结构中的纤维温度，从常规的调查中。首先，我们在给定的环境温度下提取几乎零动力的自加热电阻（r TH，II（t a））和热耦合因子（C IJ（t a））。现在，通过将叠加原理应用于几乎零功率的这些变量上，其中保留了热扩散方程的线性，我们估计有效的热电阻（r th，i（t a））和相应的修订后的效率温度t i（t a）。最后，Kirchhoff在T I（t a）上的trans形得出每个纤维处的真实温度（t i（t a，p d））。所提出的提取技术自动包括晶体管结构中存在的后端金属层和不同类型的沟渠的影响。该技术是针对具有不同发射极尺寸的双极晶体管的3D TCAD模拟结果验证的，然后应用于从stmicroelectronics B5T技术中从最先进的多纤维sige HBT获得的实际测量数据。可以观察到，原始测量数据在40 mW左右的叠加量低估了真正的纤维温度约10％。
如何从惯性测量数据的行为模式的监督机器学习中处理混合行为段
摘要，监督机器学习方法从生物学家的惯性测量中识别行为模式已成为行为生态学的标准工具。几种设计选择可以影响识别行为模式的准确性。这样的选择是包含或排除在机器学习模型培训数据中包含不仅是单个行为（混合段）组成的细分。目前，常见的实践是在模型培训期间忽略此类段。在本文中，我们检验了以下假设：在模型训练中包括混合段将提高准确性，因为该模型在测试数据中识别它们的表现更好。我们使用在四个加速度计数据数据集上进行了一系列数据模拟，并从四个研究物种（Damaraland mole鼠，Meerkats，Meerkats，Olive Baboons，Polar Bears）获得了一系列数据模拟。结果表明，当大量测试数据是混合行为段（高于10％）时，包括机器学习模型培训中的混合段可提高分类的准确性。这些结果在四个研究物种中是一致的，并且在混合段内的片段长度，样本量和混合物程度的变化稳健。但是，与未经混合段的训练的模型相比，在某些情况下（尤其是在狒狒中）模型（尤其是在狒狒）模型中显示出仅包含单个行为（纯）段的测试数据的准确性降低。在这种情况下，应避免将混合段过量包含在培训数据中。基于这些结果，我们建议当预期分类模型处理大量混合行为细分（> 10％）时，将它们包括在模型培训中是有益的，否则，这是不必要的，但也不有害。当时有一个基础假设培训数据包含的混合段率要比要分类的实际（未观察到的）数据更高 - 可能发生这种情况，尤其是在收集训练数据的情况下，并用于将数据分类并从野外分类。关键字身体加速器，生物遗传，机器学习，动物行为
AGV通信和传感器测量数据集
abtract本文在工业测试台上介绍了两项无线测量活动：工业车辆到车辆（IV2V）和工业车辆到工业 - 弗拉图和传感器（IV2I+），并提供有关两个捕获的数据集的详细信息。IV2V涵盖了移动机器人和固定机器人之间的侧链链路通信方案，而IV2i+是在自主清洁机器人连接到私人蜂窝网络的工业环境中进行的。在综合测量方法中，不同的通信技术的组合提供了洞察力，可以通过ML来利用这些洞察力，例如鳍片，视线识别，视线检测，服务质量的预测或链接选择。此外，数据集可公开可用，标记和预先贴上，以快速登机和适用性。
测量数据和数据流的价值
该报告由Simon Lange，John Mitchell，Vincenzo Spiezia和Jorrit Zwijnenburg起草。它是在经合组织科学，技术与创新局（STI）的主任安迪·维科夫（Andy Wyckoff）和STI数字经济政策部主管Audrey Plonk的监督下准备的。该报告受益于经合组织科学，技术和创新局（Angela Attrey，Gallia Daor，Christian Reimsbach-Kounatze等）的评论和建议，以及Virtual OECD工作室的参与者，“衡量数据和数据流的价值”，在4月7日举行。Angela Gosmann和Mark Foss提供了编辑支持。本出版物是对数字经济政策委员会的2021-2022工作和预算计划的IOR 1.3.1.2.3的贡献。
脑年龄预测：使用脑形态测量数据的机器学习模型比较
摘要：大脑结构形态随衰老轨迹而变化，利用大脑形态特征预测人的年龄有助于检测异常衰老过程。基于神经影像学的大脑年龄被广泛用于量化个人大脑健康状况与正常大脑衰老轨迹的偏差。机器学习方法正在扩大准确预测大脑年龄的潜力，但由于机器学习算法种类繁多，因此具有挑战性。在这里，我们旨在比较使用从结构磁共振成像扫描中获得的大脑形态测量值来估计大脑年龄的机器学习模型的性能。我们评估了 27 种机器学习模型，应用于来自人类连接组计划 (HCP，n = 1113，年龄范围 22-37)、剑桥衰老和神经科学中心 (Cam-CAN，n = 601，年龄范围 18-88) 和图像信息提取 (IXI，n = 567，年龄范围 19-86) 的三个独立数据集。使用交叉验证和未见过的测试集评估每个样本的性能。对于 HCP、Cam-CAN 和 IXI 样本，这些模型的平均绝对误差分别为 2.75–3.12、7.08–10.50 和 8.04–9.86 岁，预测大脑年龄与实际年龄之间的皮尔逊相关系数分别为 0.11–0.42、0.64–0.85 和 0.63–0.79。我们发现在同一数据类型上训练的模型之间的性能存在显著差异，这表明模型的选择会导致大脑预测年龄的巨大差异。此外，在三个数据集中，正则化线性回归算法的性能与非线性和集成算法相似。我们的结果表明，正则化线性算法在大脑年龄预测方面与非线性和集成算法一样有效，同时显著降低了计算成本。我们的研究结果可以作为未来使用机器学习模型应用于大脑形态数据来改善大脑年龄预测的起点和定量参考。
Echo Labs 如何利用 AI 让所有人都能获取关键测量数据
LVivo Seamless 自动为每位超声心动图患者提供的重要测量示例是应变。领先的影像和心脏病学协会认可测量和报告整体纵向应变 (GLS 或应变) 以评估各种心脏状况。应变测量正在成为监测亚临床左心室 (LV) 功能障碍的关键指标；在心脏毒性、化疗患者以及冠状动脉事件后的随访、主动脉瓣狭窄瓣膜置换术前和其他瓣膜疾病状态下都至关重要。
通过测量数据校准提高埋管换热器模型性能
摘要 规划大型地源热泵 (GSHP) 系统的运行需要精确的地下管换热器 (BHE) 模型，这些模型不需要大量计算。在本文中，我们提出使用测量数据进行参数估计作为改进 BHE 分析模型的一种方法。该方法已应用于运行超过 3 年的 GSHP 系统。BHE 的建模负载和测量负载之间的偏差从 22% 降低到 14%。通过改变校准数据的时间分辨率和季节来测试校准数据集的影响。我们得出结论，时间分辨率必须足够高才能区分不同参数的影响，并且必须对注入和提取（季节）使用不同的模型参数。该方法还应用于已监测 10 年的 GSHP，结果表明，通过每年更新参数可以提高模型的准确性。