XiaoMi-AI文件搜索系统
World File Search System绝对误差
不同人工智能技术在爆炸空气超压预测中的比较研究
摘要：爆破是露天矿中最常见的岩石破碎方法。然而，它的副作用也不容小觑，例如飞石、地面振动、粉尘、有毒副产品、空气过压和背裂。这些影响会显著改变周围环境，尤其是在压力高于正常水平时。本研究提出并比较了四种用于预测爆炸引起的空气过压的人工智能模型，即多层感知器 (MLP)、随机森林 (RF)、等渗回归 (IR) 和 M5 规则。根据输入变量，即堵塞长度 (T)、每延迟炸药量 (W)、负担 (B)、监测距离 (R) 和间距 (S)，选择空气过压作为输出变量。使用几个统计性能指标，包括判定系数 (R²)、根相对平方误差 (RRSE)、均方根误差 (RMSE)、平均绝对误差 (MAE) 和相对绝对误差 (RAE) 来评估模型。此外，还采用了颜色强度分组排序方法和一般排序方法进一步评估模型。基于性能指标的结果证实，与其他技术相比，M5-Rules 是出色的模型。关键词：爆炸引起的空气过压；人工智能技术；地球科学；采石场；软计算
双模式智能鞋，用于偏瘫患者的定量评估“下肢”肌肉力量
摘要 - 中风会导致患者下肢和偏瘫的运动能力受损。准确评估下肢运动能力对于诊断和康复很重要。可以数字化此类评估，以便可以避免任何时间和主观性来追溯每个测试，我们测试如何将配备压力敏感鞋垫和惯性测量单元配备的双模式智能鞋用于此目的。设计了5m步行测试协议，包括左和右转弯。数据是从23名患者和17名健康受试者中收集的。对于下肢的运动能力，两名医生观察到了测试，并使用五个分级的医学研究委员会进行肌肉检查评估。同一患者的两个医生得分的平均值被用作地面真相。使用我们开发的功能集，在对患者和健康受试者进行分类时可以达到100％的精度。使用我们的功能集和回归方法实现了患者的肌肉强度，平均绝对误差为0.143，最大误差为0.395，比每个医生的得分更接近地面真实（平均绝对误差：0.217：最大误差：最大误差：0.5）。因此，我们验证了使用此类智能鞋的可能性，可以客观，准确地评估中风患者的下肢肌肉强度。索引术语 - 中途，机器学习，智能鞋，下肢的肌肉力量
中亚的气候模型缩减：一种动力学和神经网络方法
摘要。高分辨率气候预测对于估计未来气候变化影响至关重要。通常使用统计和动力学降压方法或两者的混合体来生成输入数据集用于影响建模。在这项研究中，我们采用了区域气候模型6.0版COSMO-CLM（CCLM）版本，探索动态降低一般循环模型（GCM）的好处，从耦合模型对比度对比6（CMIP6）（CMIP6），集中于中部亚洲的气候变化预测（CA）（CA）。The CCLM, at 0.22° horizontal res- olution, is driven by the MPI-ESM1-2-HR GCM (at 1° spa- tial resolution) for the historical period of 1985–2014 and the projection period of 2019–2100 under three Shared Socioe- conomic Pathways (SSPs), namely the SSP1-2.6, SSP3-7.0, and SSP5-8.5方案。使用气候危害组红外降水与站数据（chirps）作为参考，我们评估了整个历史时期由ERA-Interim重新分析驱动的CCLM的绩效。与其驾驶GCM相比，CCLM的附加值在CA的山区很明显，而CA的山区面临着更高的极端降水事件风险。对于夏季，气候沉淀的平均绝对误差和气候沉淀的偏差（mM d-1）的平均误差（mM d-1）减少了5 mm d-1，对于年度值，夏季的平均绝对误差和3 mm d-1的偏差。在冬季，无法减少错误。但是，在CCLM模拟中，极端预紧值的频率提高了。另外，我们采用CCLM来重新调整未来的气候projec-
移动心态提取的机器学习心电图
摘要：背景：本互联网技术正在重塑医疗保健应用程序。我们对基于心电图（ECG）的心脏健康管理（ECG）的长期，超临床，心电图（ECG）的特殊兴趣，并提出了一个机器学习框架，以从嘈杂的移动ECG信号中提取关键模式。方法：提出了一个三阶段混合机器学习框架，用于估计与心脏疾病相关的ECG QRS持续时间。首先，使用支持向量机（SVM）从移动心电图中识别出原始的心跳。然后，QRS边界使用新型模式识别方法，多视图动态时间翘曲（MV-DTW）定位。为了增强信号中运动伪影的鲁棒性，MV-DTW路径距离也用于量化心跳特异性的失真条件。最后，对回归模型进行了训练，可以将移动ECG QRS持续时间转换为常用的标准胸部ECG QRS持续时间。结果：通过提出的框架，ECG QRS持续时间估计的性能非常令人鼓舞，并且相关系数，平均误差/标准偏差，平均绝对误差和根平均绝对误差分别为91.2％，0.4±2.6，1.7和2.6 ms，与传统的基于胸部ECG基于传统的基于胸部ECG的测量相比。结论：证明有希望的实验结果表明框架的有效性。这项研究将极大地将基于机器学习的ECG数据挖掘到智能医疗决策支持。
使用新型温度 - 深度地图
•我们将数据集分为80/10/10，以进行火车/有效/测试（即接近340,000/40,000/40,000的数据点）•在测试集中，组合的SMU/NREL模型将接近49.5°C得分近49.5°C平均绝对误差（MAE）•MAE（MAE）几乎是独立的和相同的分布（I.II.I I.I.I.I）的幼稚假设（i.ii.i），I.II.I.I.D） 9.9°C MAE和6.2°C MAE•EDGECONV得分接近5.7°C，几乎没有改进•Internet得分接近4.8°C MAE，它利用空间相互依赖
Q-PPG：可穿戴设备上基于节能 PPG 的心率监测
摘要 — 使用低成本光电容积描记法 (PPG) 传感器，越来越多地在腕戴式设备中执行心率 (HR) 监测。然而，由受试者手臂运动引起的运动伪影 (MA) 会影响基于 PPG 的心率跟踪的性能。这通常通过将 PPG 信号与惯性传感器的加速度测量相结合来解决。不幸的是，大多数此类标准方法都依赖于手动调整的参数，这会削弱它们的泛化能力及其对现场真实数据的适用性。相比之下，基于深度学习的方法尽管具有更好的泛化能力，但被认为过于复杂，无法部署在可穿戴设备上。在这项工作中，我们解决了这些限制，提出了一种设计空间探索方法来自动生成丰富的深度时间卷积网络 (TCN) 系列用于心率监测，所有这些网络都来自单个“种子”模型。我们的流程涉及两个神经架构搜索 (NAS) 工具和一个硬件友好的量化器的级联，它们的组合可以产生高度准确和极其轻量级的模型。在 PPG-Dalia 数据集上进行测试时，我们最准确的模型在平均绝对误差方面创下了新的最高水平。此外，我们将 TCN 部署在具有 STM32WB55 微控制器的嵌入式平台上，证明了它们适合实时执行。我们最准确的量化网络实现了 4.41 每分钟 (BPM) 的平均绝对误差 (MAE)，能耗为 47.65 mJ，内存占用为 412 kB。同时，在我们的流程生成的网络中获得 MAE < 8 BPM 的最小网络的内存占用为 1.9 kB，每次推理仅消耗 1.79 mJ。
供应链管理及其在铁路运输中的作用
1 vnrvjiet，海得拉巴，印度特兰加纳。2印度Telangana的Ibrahimpatnam，Ibrahimpatnam的CVR工程学院。 摘要。 本文旨在设计有效的控制策略，以使用史密斯预测器控制结构来调节质子交换膜（PEM）燃料电池阴极电极的供应主要压力。 建议通过控制供应歧管压力来增强PEM燃料电池的增强PEM燃料电池的实现，以分数阶的比例积分（FOPI）级联的分数/非量表过滤器。 使用错误指标（即）分析了名义和扰动条件下的系统性能 积分绝对误差（IAE），积分正方形误差（ISE）和总方差。 从过程响应和性能索引中，很明显，建议的方法提供了增强的设定点跟踪和干扰拒绝。 模拟研究是在MATLAB软件中进行的。2印度Telangana的Ibrahimpatnam，Ibrahimpatnam的CVR工程学院。摘要。本文旨在设计有效的控制策略，以使用史密斯预测器控制结构来调节质子交换膜（PEM）燃料电池阴极电极的供应主要压力。建议通过控制供应歧管压力来增强PEM燃料电池的增强PEM燃料电池的实现，以分数阶的比例积分（FOPI）级联的分数/非量表过滤器。使用错误指标（即积分绝对误差（IAE），积分正方形误差（ISE）和总方差。从过程响应和性能索引中，很明显，建议的方法提供了增强的设定点跟踪和干扰拒绝。模拟研究是在MATLAB软件中进行的。
青少年发展的脑年龄模型的复制和完善
年代年龄和估计的脑年龄（称为脑年龄间隙）之间的差异可能是揭示脑发育和神经精神病问题的生物标志物。这促使许多研究着重于使用不同特征和模型对大脑年龄进行准确估计的研究，尚未测试其概括性。我们最近的研究表明，传统的机器学习模型只能使用多模式脑成像数据中的一小部分选定特征来实现开发过程中大脑年龄预测的高精度。在当前的研究中，我们测试了各种大脑年龄模型对青少年脑认知发展（ABCD）队列的可复制性。我们提出了一个新的精制模型，以改善脑年龄预测的鲁棒性。现有的脑年龄模型的直接复制测试来自基线（9至10岁）的ABCD参与者的年龄范围（年龄为9至10岁）和两年的随访（11至12岁）（11至12岁）表明，预训练的模型可以捕获整个平均年龄失败，从而精确地估计了狭窄范围内的大脑年龄变化。精制模型将预训练模型和颗粒信息与年龄范围狭窄的广泛预测结合在一起，在基线和一年两年数据的平均绝对误差和0.48年的平均绝对误差中达到了最佳性能。精制模型所产生的大脑年龄差距显示出与参与者的信息处理速度和基线数据上的口头理解能力的显着关联。关键字：大脑年龄估计，多模式数据，建模，复制，结构MRI
神经影像学
我们对人类大脑在人群层面的组织结构的了解尚未转化为预测个体层面功能差异的能力，这限制了临床应用，并使推断机制的普遍性受到质疑。目前尚不清楚这种困难是源于大脑中缺乏个体生物模式，还是源于我们利用模型和计算访问这些模式的能力有限。在这里，我们全面研究了此类模式与数据和计算的可解析性，规模空前。在英国生物库的 23,810 名独特参与者中，我们系统地评估了 25 种个体生物特征的可预测性，这些特征来自所有可用的结构和功能神经成像数据组合。我们耗时超过 4526 GPU*小时，训练、优化和评估了样本外的 700 个个体预测模型，包括人口统计学、心理学、血清学、慢性病和功能连接特征的全连接前馈神经网络，以及宏观和微观结构脑成像的单模和多模态 3D 卷积神经网络模型。我们发现性别（平衡准确度 99.7%）、年龄（平均绝对误差 2.048 岁，R 2 0.859）和体重（平均绝对误差 2.609 公斤，R 2 0.625）的可预测性较高，为此我们创造了新的最优性能，而其他特征的可预测性却出奇的低。结构成像和功能成像都不能比常见慢性病的巧合更好地预测一个人的心理（p < 0.05）。血清学可预测慢性病（p < 0.05），并且其预测效果最好（p < 0.001），其次是结构神经影像学（p < 0.05）。我们的研究结果表明，需要更具信息量的影像学或更强大的模型来解读人类大脑的个体水平特征。我们公开提供我们的模型和代码。
一种基于能量的控制策略，以提高LVRT的能力
NOMENCLATURE DFIG Doubly Fed Induction generator MW, Mvar Megawatt, Mega volt ampere reactive WEC Wind Energy Conversion I, pv, Vpv Output current (A) and output voltage (V) PCC Point Of Common Coupling Iph Photocurrent generated by light (A) LVRT Low Voltage Ride Through Rs, Rsh Series resistance and shunt resistance (Ω) PSO Particle群的优化n，k的k理想因子和玻尔兹曼常数（1.38×10-23J/k）ITAE ITAE积分时间绝对误差t PV细胞温度（K）FRT故障乘坐D，Q D – Q轴成分