XiaoMi-AI文件搜索系统
World File Search System碎粒
基于粒子群优化的高参数调整机器学习模型的大型covid-19数据分析
分析大数据，尤其是医学数据，有助于为患者提供良好的医疗保健并面临死亡的风险。COVID-19大流行对全世界的公共卫生产生了重大影响，强调了对风险预测模型的需求。机器学习（ML）技术在分析复杂的数据模式和预测疾病预后方面已显示出希望。这些技术的准确性受到更改参数的很大影响。超参数优化在证明模型性能中起着至关重要的作用。在这项工作中，使用粒子群优化（PSO）算法有效地搜索超参数空间并通过识别可以提供最高精度的最佳超级参数来提高机器学习模型的预测能力。在本研究中使用了与COVID-19病例相关的各种临床和流行病学特征的数据集。使用各种机器学习模型，包括随机森林，决策树，支持向量机和神经网络，用于捕获数据中存在的复杂关系。为了评估模型的预测性能，采用了精度。实验发现表明，估计Covid-19风险的建议是有效的。与基线模型相比，优化的机器学习模型的性能更好，并产生了更好的结果。关键字
研究论文 WSN 网络中传感器节点部署的粒子群优化算法
为了解决无线传感器网络因资源有限、开放部署、无人值守等特点导致节点定位过程中存在安全隐患的问题，本文结合目前WSN节点提出一种主流的定位算法，通过降低网络定位中的误差，使无线传感器网络定位技术发挥到实用效益，实现基于节点资源和有限容量的WSN发射源定位。将一些定位技术应用到发射源定位中，取得了一些有意义的结果。针对无线传感器网络中主要节点定位算法存在的问题，深入研究定位技术的功耗、定位精度等问题，降低定位误差。实验表明，在节点发送不同状态时，保持节点数150不变，通信半径不变，环境输出不变，网络中的骨干节点数可以改变，两种算法经过多次仿真实验，都可以看到定位方案受到锚节点部分影响的定位结果曲线。
基于自适应模拟退火粒子群算法的风光互补氢能储能系统日前运行分析
摘要：随着低碳经济的不断发展，利用可再生能源替代化石能源的能源结构调整已成为必然趋势。为提高可再生能源在电力系统中的比例，提高可再生能源制氢发电系统的经济性，本文基于电化学储能和氢储能技术，建立了风光互补氢储能系统运行优化模型，采用自适应模拟退火粒子群算法进行求解，并与标准粒子群算法进行了比较。结果表明，改进算法求解的日前运行方案全天可节省系统运行成本约28%。算例分析结果表明，建立的模型充分考虑了系统中设备的实际运行特点，在分时电价机制下，通过调节从电网购入的电量和蓄电池的充放电功率，可以减少风能和太阳能的浪费。系统日前调度优化在保证制氢功率满足氢气需求的同时，实现了日系统运行成本最小化。
化石和现今的叠层石鲕粒含有甘氨酸和铁的陨石聚合物
1 哈佛大学分子与细胞生物学系，52 Oxford St.，剑桥，MA 02138，美国 2 高能物理部，史密森天体物理观测台，哈佛与史密森天体物理中心，60 Garden St，剑桥，MA 02138，美国 3 LRL-CAT，礼来公司，先进光子源，阿贡国家实验室，9700 S. Cass Avenue，莱蒙特，伊利诺伊州，60439，美国 4 钻石光源，哈威尔科学与创新园区，迪德科特，OX11 0DE，英国 5 哈佛大学纳米系统中心，11 Oxford St，LISE G40，剑桥，MA 02138，美国 6 蒙大拿州立大学地球科学系，226 Traphagen Hall，PO Box 173480，博兹曼，MT 59717，美国 7 PLEX 公司，275 Martine St.，美国马萨诸塞州福尔里弗 02723 100 室 通讯作者：Julie EM McGeoch；电子邮件：Julie.mcgeoch@cfa.harvard.edu
通过粗粒分量并发提高地球系统模型的可伸缩性 - 与图标v2.6.5建模系统的案例研究
摘要。在Exascale计算时代，具有前所未有的计算能力的机器可用。使这些大规模平行的机器有效地使用了数百万个核心，提出了一个新的挑战。需要多级和多维并行性来满足这种挑战。粗粒分量并发性提供了一个差异的并行性维度，该维度通常使用了通常使用的并行化方法，例如域分解和循环级别的共享内存方法。虽然这些主教化方法是数据并行技术，并且它们分解了数据空间，但组件并发是一种函数并行技术，并且分解了算法MIC空间。并行性的额外维度使我们能够将可扩展性扩展到由已建立的并行化技术设置的限制之外。，当通过添加组件（例如生物地球化学或冰盖模型）增加模型复杂性时，它还提供了一种方法来提高性能（通过使用更多的计算功率）。此外，货币允许每个组件在不同的硬件上运行，从而利用异质硬件配置的使用。在这项工作中，我们研究了组件并发的特征，并在一般文本中分析其行为。分析表明，组件并发构成“并行工作负载”，从而在某些条件下提高了可扩展性。这些通用考虑是
