XiaoMi-AI文件搜索系统
World File Search System测风
评估机器学习和深度学习模型，以根据环境因素预测风力涡轮机的功率输出
本研究对机器学习 (ML) 和深度学习 (DL) 模型进行了全面的比较分析，这些模型用于根据温度、湿度、风速和风向等环境变量预测风力涡轮机 (WT) 的功率输出。除了人工神经网络 (ANN)、长短期记忆 (LSTM)、循环神经网络 (RNN) 和卷积神经网络 (CNN) 外，还研究了以下 ML 模型：线性回归 (LR)、支持向量回归器 (SVR)、随机森林 (RF)、额外树 (ET)、自适应增强 (AdaBoost)、分类增强 (CatBoost)、极端梯度增强 (XGBoost) 和轻梯度增强机 (LightGBM)。使用 40,000 个观测值的数据集，根据 R 平方、平均绝对误差 (MAE) 和均方根误差 (RMSE) 对模型进行了评估。在 ML 模型中，ET 的性能最高，R 平方值为 0.7231，RMSE 为 0.1512。在 DL 模型中，ANN 的性能最佳，R 平方值为 0.7248，RMSE 为 0.1516。结果表明，DL 模型（尤其是 ANN）的表现略优于最佳 ML 模型。这意味着它们更擅长对多变量数据中的非线性依赖关系进行建模。预处理技术（包括特征缩放和参数调整）通过增强数据一致性和优化超参数来提高模型性能。与之前的基准相比，ANN 和 ET 的性能均表明 WT 功率输出预测的预测准确度有显著提高。这项研究的新颖之处在于直接比较了各种 ML 和 DL 算法，同时强调了先进计算方法在可再生能源优化方面的潜力。
基因分型 - 核苷酸 - 核苷酸变化至预测风险...
与冠心病的风险增加一致，发生在这些增强子序列之一中，并且风险等位基因破坏了与炎症反应有关的转录因子结合位点（STAT1）。在9p21风险载体中，STAT1与部分炎症信号通路Interferon-Gamma的相互作用受损。恭喜（2012）基因分型在CVD相关区域跨越了18个SNV，并确定了9p21变体对基因表达的影响。[8]作者报告说：“ 9p21基因座中的几个SNP会影响Anril的表达，这进一步控制了CDKN2A/B和细胞生长的调节。细胞增殖介导了动脉粥样硬化的进展，并且也直接或间接地参与了与该基因座相关的疾病的发病机理。”
文章 人工智能技术在业务连续性预测风险评估中的作用：希腊案例研究
摘要：本研究考察了人工智能 (AI) 技术在预测风险评估中的有效性及其对确保业务连续性的贡献。本研究旨在了解不同的 AI 组件（例如自然语言处理 (NLP)、AI 驱动的数据分析、AI 驱动的预测性维护和事件响应计划中的 AI 集成）如何在企业面临各种风险（包括自然灾害、网络攻击和经济波动）的环境中增强风险评估并支持业务连续性。本研究采用横断面设计和定量方法从 360 名技术专家样本中收集数据。本研究结果表明，AI 技术对业务连续性和预测风险评估具有重大影响。值得注意的是，研究发现 NLP 提高了风险评估程序的准确性和速度。将 AI 集成到事件响应计划中特别有效，大大减少了公司中断并提高了从不可预见事件中恢复的能力。建议企业投资 AI 技能，特别是在用于自动风险评估的 NLP、用于及时检测风险的数据分析、用于提高运营效率的预测性维护以及用于危机管理的 AI 增强型事件响应计划等领域。
视网膜图像的深度学习能否增强已知的糖尿病心血管疾病预测风险因素？苏格兰国家筛查计划的一项前瞻性队列研究
目的：本研究旨在评估对糖尿病视网膜病变筛查计划中的视网膜照片进行深度学习 (DL) 是否能改善对心血管疾病 (CVD) 发病率的预测。方法：训练 DL 模型以联合预测未来 CVD 风险和 CVD 风险因素，并用于输出 DL 分数。包括有和没有 DL 分数的临床风险因素的泊松回归模型分别适用于 1 型糖尿病 (T1DM) 和 2 型糖尿病 (T2DM) 中 2,072 例和 38,730 例 CVD 事件的研究队列。结果：DL 评分与 CVD 发病率独立相关，在 T1DM 和 T2DM 队列中，调整后的标准化发病率比分别为 1.14（P = 3 × 10 − 04 95 % CI（1.06, 1.23））和 1.16（P = 4 × 10 − 33 95 % CI（1.13, 1.18））。有和没有 DL 评分的模型之间的预测性能差异具有统计学意义（检验对数似然的差异为 6.7 和 51.1 个自然对数单位），但 T1DM 和 T2DM 的 C 统计量从 0.820 到 0.822 和从 0.709 到 0.711 的增量很小。结论：这些结果表明，对于糖尿病患者，视网膜照片包含有关未来 CVD 风险的信息。然而，为了使其对 CVD 的临床预测做出显著贡献，需要评估进一步的方法，包括利用序列图像。
使用具有自我测量物理状况指标的机器学习算法的心脏病预测风险与国立大学医院中心的糖尿病性视网膜病有关的因素Hubert Koutoukou Maga
糖尿病性视网膜病（DR）是二 - 基因的微血管并发症之一。这项研究的目的是分析国立大学Hospital Center-Hubert Koutoukou Maga（CNHU-HKM）的糖尿病性视网膜病（DR）相关的危险因素。患者和我：这是一项针对性数据收集的描述性和分析性横断面研究。它是在2019年7月10日至10月10日的三个月内进行的。它涉及所有患有糖尿病的患者，并在研究期间在内分泌科进行了咨询。结果：糖尿病性视网膜病的频率为30.46％（53/174例）。观察到女性占主导地位，性别比（M/F）为0.57。主要可修改的危险因素由职业表示，而那些不可修改的危险因素由旧肾病，糖化血红蛋白，糖尿病的发现年龄及其服务长度来表示。糖尿病性疾病是一种严重的疾病，最终会导致失明。在我们的研究中，DR的频率仍然很高。关键字
BAT活动率不能预测风能设施的蝙蝠死亡率
蝙蝠在世界各地的大多数风能设施中都被认为是死亡（Arnett和Baerwald，2013年； Eurobats，2014年； Arnett等，2015）。蝙蝠死亡的原因主要与移动的涡轮叶片发生碰撞（Grodsky等，2011; Rollins等，2012），尽管蝙蝠靠近涡轮机的根本原因仍然是未知的（Cryan和Barclay，2009; Barclay等，2017; Bennett and Hale and Hale，2018年）。在涡轮机中杀死的蝙蝠数量范围广泛，通常表示为每年每年兆瓦（MW）的蝙蝠死亡人数，以比较具有不同数量和涡轮机尺寸的风能设施。在美国，对137个风能设施的202项研究的摘要发现，蝙蝠的死亡率在0到49.7蝙蝠致命的/mw/年（AWWI，2018年），爱荷华州的一家风能设施的死亡率为60.62 BAT/MW/MW/MW/MW/div>
BAT活动率不能预测风能设施的蝙蝠死亡率
蝙蝠在世界各地的大多数风能设施中都被认为是死亡（Arnett和Baerwald，2013年； Eurobats，2014年； Arnett等，2015）。蝙蝠死亡的原因主要与移动的涡轮叶片发生碰撞（Grodsky等，2011; Rollins等，2012），尽管蝙蝠靠近涡轮机的根本原因仍然是未知的（Cryan和Barclay，2009; Barclay等，2017; Bennett and Hale and Hale，2018年）。在涡轮机中杀死的蝙蝠数量范围广泛，通常表示为每年每年兆瓦（MW）的蝙蝠死亡人数，以比较具有不同数量和涡轮机尺寸的风能设施。在美国，对137个风能设施的202项研究的摘要发现，蝙蝠的死亡率在0到49.7蝙蝠致命的/mw/年（AWWI，2018年），爱荷华州的一家风能设施的死亡率为60.62 BAT/MW/MW/MW/MW/div>
支持 ESA 的 Aeolus 任务的机载直接探测风激光雷达的校准和风观测
图 2。左图：发射的激光脉冲（粗箭头）被导向大气、波长计和光谱仪，用于内部参考测量（LPO：低功率振荡器、PLL：锁相环、SHG：二次谐波生成、THG：三次谐波生成、RLH：参考激光头）。接收到的反向散射信号通过前置光学器件传输，然后由两个不同的光谱仪进行分析。一小部分反向散射信号被引导至 UV 相机以进行共对准（细虚线箭头）。累积电荷耦合器件 (ACCD) 检测入射光子，模拟数字转换器 (ADC) 转换信号。右图：用于 Mie 和 Rayleigh 通道的 ACCD 的简化操作原理。在成像区采集后，信号通过传输行移至存储区。从那里，电荷被推送到读出寄存器，最后推送到 ADC。信号电平按颜色编码，从黑色（无信号）和蓝色（低）到红色（高）。