XiaoMi-AI文件搜索系统
World File Search System混合机
使用混合机学习的心脏病预测
摘要 - 心血管疾病是一种普遍且潜在的致命状况，需要在全球范围内采取积极的预防措施和有效的筛查方法。为了解决这个问题，最近的研究调查了新型的机器学习框架，这些框架建议通过利用与此疾病相关的巨大数据集和预测模式来诊断和预测心血管疾病。研究贡献是对心脏病预测的整体学习和其他混合机器学习技术的彻底检查和实施。通过在包括克利夫兰心脏病数据集和IEEE DataPort心脏病在内的数据集上采用合奏学习，例如年龄，胸痛类型，血压，血压，血糖水平，静息，心率，心率和四种类型的Chestpain。为了预测心脏病，我们的方法论整合了许多机器学习模型。通过利用特定算法的优点在解决其缺点的同时，该方法产生了更具弹性的预测模型。我们研究的结果在心脏病预测领域表现出令人鼓舞的结果，与离散算法相比，获得了提高的精度和可靠性。通过合奏学习的利用，我们成功地辨别了与心脏病相关的预测模式，从而增强了诊断的能力。总而言之，我们的研究结果强调了机器学习领域内集合技术的巨大潜力，以提高心脏疾病预测。通过提供一种更可靠的方法来快速诊断和心脏病的预后，该策略对医疗保健实践产生了重大影响。
多变量孔隙压力预测的混合机学习优化算法
孔隙压力是钻孔设计中的重要数据，其准确的预测对于确保钻孔安全性和提高钻井效率是必要的。在形成特定的结构和岩性时，预测孔隙压力的传统方法受到限制。在本文中，使用机器学习算法和有效应力定理来建立岩石物理参数和孔隙压力之间的转换模型。本研究收集了三口井的数据。Well 1有881个用于模型训练的数据集，Wells 2和3具有538和464个数据集用于模型测试。在本文中，选择了支持向量机（SVM），随机森林（RF），极端梯度提升（XGB）和多层感知器（MLP）作为孔隙压力建模的机器学习算法。In addition, this paper uses the grey wolf optimization (GWO) algorithm, particle swarm optimization (PSO) algorithm, sparrow search algorithm (SSA), and bat algorithm (BA) to establish a hybrid machine learning optimization al- gorithm, and proposes an improved grey wolf optimization (IGWO) algorithm.IgWO-MLP模型通过使用5倍的交叉验证方法来获得训练数据，从而获得了最小根平方误差（RMSE）。对于井2和3井中的孔隙压力数据，SVM，RF，XGB和MLP的确定系数（R 2）为0.9930和0.9446、0.9943和0.9943和0.9472、0.9472、0.9945和0.9945和0.9488、0.9949、0.9949、0.9949和0.9949和0.9574。MLP在训练和测试数据上都达到了最佳性能，MLP模型显示出高度的概括。©2023作者。Elsevier B.V.的发布服务代表KEAI Communications Co. Ltd.表明IGWO-MLP是孔隙压力的极好预测指标，可用于预测孔隙压力。这是CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/ 4.0/）下的开放访问文章。
使用混合机学习库存选择模型的投资组合优化
投资组合优化可能是具有挑战性的。随着机器学习的最新发展，可以将可用的重要预测工具应用于投资组合选择。金融市场既动态又复杂，但算法旨在捕获数据中的模式。在本文中，七个机器学习技术用于股票价格预测：局部回归，支持向量机，随机森林，经常性神经网络，长期短期记忆，双向长期短期记忆和LightGBM。此外，将两种混合机器学习方法用于预测：CNN-LSTM和Bilstmbo-lightGBM。训练模型后，该算法在模拟的交易中创建了最佳资产投资组合。在看不见的数据上，算法的对称平均绝对百分比误差评估了预测能力。生成的alpha和Sharpe比率评估了在均值方差优化下构建的最佳投资组合的质量。使用2019年1月2日至2023年12月29日美国50个美国公司的数据，结果表明，混合模型的性能优于各个模型，而CNN-LSTM模型的表现优于基准市场指数。
使用混合机器学习的心脏病预测...大道超市（2021 - 2024）
摘要：印度零售业正在见证快速增长，标志着不断发展的购物形式和以客户为中心的体验。在这一动态景观中，由Avenue Supermarts Ltd.运营的DMART已成为印度领先的零售连锁店之一，以有竞争力的价格提供优质产品而闻名。本研究研究了DMART在2021年至2024年期间的股票表现，分析了其增长轨迹，市场趋势和财务绩效。该研究深入研究了DMART纪律严明的商业模式，创新策略和以客户为中心的方法，这极大地促进了其持续的成功。主要见解源自历史股票数据，财务报告和市场分析，阐明了推动公司强大市值的因素，该因素截至2025年1月，该因素约为23.1亿卢比。这项研究还强调了DMART的战略举措，运营效率以及在经济挑战方面的韧性，并将其确立为中等收入家庭的首选选择，并且是印度有组织零售部门的主要参与者。这项研究的结果为DMART的股票表现及其作为市场领导者的作用提供了宝贵的观点，为投资者，市场分析师和商业战略家提供了见解。Intorduction：DMART是由Avenue Supermarts Ltd.经营的超级市场领先的连锁店，自2000年成立以来一直是印度零售业的主要参与者。在NSE和BSE上列为“ Avenue Supermarts”，截至2025年1月，该公司的市场估值约为23.1亿卢比。由R.K.创立DMART是一位受人尊敬的投资者Damani始于向消费者提供价格最低的商品的愿景，并通过负担能力和质量使自己与众不同。总部位于马哈拉施特拉邦的孟买，该公司已成长为在12个州和工会领土上经营381家商店，成为中等收入家庭的值得信赖的名字。以“印度沃尔玛的著名”而闻名，DMART提供了广泛的产品，包括杂货，服装，家庭必需品和私人标签物品，都侧重于物有所值。在五个子公司支持下，DMART确保运营效率和有效的供应链管理。dmart的纪律策略，以客户为中心的方法以及适应市场变化的能力
联合SOC的混合机学习框架和SOH的锂离子电池的估算，辅助纤维传感器测量
重复使用本文是根据创意共享属性 - 非商业 - 诺迪维斯（CC BY-NC-ND）许可证的条款分发的。此许可只允许您下载此工作并与他人共享，只要您归功于作者，但是您不能以任何方式更改文章或商业使用。此处的更多信息和许可证的完整条款：https：//creativecommons.org/licenses/
Lorin Crawford
约翰·霍普金斯大学，应用数学和统计系巴尔的摩，马里兰州2023年，南加州大学，QCB研讨会系列，加利福尼亚州洛杉矶，2023年，格雷斯·霍珀庆典，数据科学讲座，奥兰多，佛罗里2023年西奈山，查尔斯·布朗夫曼个性化医学研究所（CBIPM）研讨会，纽约，纽约，纽约市2023 ICLR，机器学习与全球健康网络研讨会，混合机，卢旺达，卢旺达2023年应用代数拓扑拓扑，在线研讨会系列，在线研究网络，在线研究223 UMASS BILOGIL，MAY SEMPREMES SEMPLICES SEMPRY，MAY SEMIGISS SEMITY SEMINIC SEMITY，MAYS SEMPREMES SEMITY，SEM会拓扑及其应用研讨会的随机性，伊利诺伊州芝加哥，2023 Cedars-sinai，计算生物医学大弹研讨会，洛杉矶，加利福尼亚州2023 NCI，癌症流行病学和遗传学部，生物统计学分支机构系列，研讨会系列，虚拟> 2023
Lorin Crawford
约翰·霍普金斯大学，应用数学和统计系巴尔的摩，马里兰州2023年，南加州大学，QCB研讨会系列，加利福尼亚州洛杉矶，2023年，格雷斯·霍珀庆典，数据科学讲座，奥兰多，佛罗里2023年西奈山，查尔斯·布朗夫曼个性化医学研究所（CBIPM）研讨会，纽约，纽约，纽约市2023 ICLR，机器学习与全球健康网络研讨会，混合机，卢旺达，卢旺达2023年应用代数拓扑拓扑，在线研讨会系列，在线研究网络，在线研究223 UMASS BILOGIL，MAY SEMPREMES SEMPLICES SEMPRY，MAY SEMIGISS SEMITY SEMINIC SEMITY，MAYS SEMPREMES SEMITY，SEM会拓扑及其应用研讨会的随机性，伊利诺伊州芝加哥，2023 Cedars-sinai，计算生物医学大弹研讨会，洛杉矶，加利福尼亚州2023 NCI，癌症流行病学和遗传学部，生物统计学分支机构系列，研讨会系列，虚拟> 2023
地球观察图像处理的量子算法
基于卫星的地球观察结果具有广泛的应用，例如自然灾害警告，全球温度影响分析，天气条件分析和土地利用分类。但是，目前用于土地利用分类的机器学习技术在时间和精力方面是昂贵的。有两种可能解决此问题的方法。第一个是变性量子算法。它们是一类量子算法，针对近乎中等规模的量子计算时代的应用。这些算法采用共同参数化的量子电路和经典优化技术来查找从给定应用点起具有理想特性的量子电路或状态。vqas通常在寻找量子哈密顿量的低能状态时发现应用程序，解决了大约二次无约束的二进制优化问题和训练量子神经网络。在地球观测区域中，最有希望的应用领域在于QNN，因为应用VQAS允许创建采用量子信息处理工具的新分类方法。第二种方法是使用量子计算机用于使用自动编码器降低维度的混合机学习方法，以及量子算法的量子算法，量子算法供电量子算法来降低培训成本。使用常规深度学习技术的自动编码器在GPU上执行，而深度信念网络则在D-Wave量子退火器上运行。这种混合方法允许对两个模块进行独立训练，部分减少了重新训练模型所需的时间和能量（请参见图I）。
用于建模锂离子电池容量降解的量子神经网络回归
摘要 - 赋予高功率密度，低排放率和降低的成本，可充电锂离子电池（LIBS）发现了广泛的应用，例如电动机网级存储系统，电动汽车和移动设备。开发一个框架，以准确地建模LIB的非线性降解过程，这确实是一个有监督的学习问题，成为一个重要的研究主题。本文提出了一种经典的Quantum混合机学习方法，以捕获LIB降解模型，该模型评估了操作过程中的电池电池寿命损失。我们的工作是由量子计算机最近进步以及神经网络和量子电路之间的相似性所激发的。类似于调整常规神经网络中的权重参数，量子电路的参数（即Qubits的自由度）可以调整以以监督的学习方式学习非线性功能。作为概念文件证明，我们获得了由NASA提供的电池数据集获得的数值结果，这表明了量子神经网络在降级容量与操作周期之间非线性关系建模的能力。我们还讨论了量子方法的潜在优势与经典计算机中传统的神经网络相比，在处理大量数据时，尤其是在EV和储能未来渗透的背景下。关键字 - Quantum神经网络，锂离子电池，电池降解，电池寿命估算。