XiaoMi-AI文件搜索系统
World File Search System绝对误差
使用天气变量的甘蔗产量预测的机器学习技术
摘要。天气对农作物的生长，发育和产量有深远的影响。本研究涉及天气参数用于甘蔗产量预测的使用。机器学习技术（例如K-最近的邻居（KNN）和随机森林模型）已用于甘蔗产量预测。天气参数，即最高温度和最低温度，降雨，早晨和晚上相对湿度，阳光小时，蒸发以及甘蔗产量被用作输入变量。诸如R 2，均方根误差（MSE），平均绝对误差（MAE），均方根误差（RMSE），平均绝对百分比误差（MAPE）之类的性能指标已用于选择预测作物产量的最佳模型。在模型中，根据高R 2和最小误差值选择随机森林算法作为最佳拟合。结果表明，在傍晚的天气变量中，降雨和相对湿度对甘蔗产量有重大影响。
摘要。使用机器学习方法进行悬浮的沉积物估算。河流中的悬浮沉积物对于有效使用水源
摘要。使用机器学习方法悬挂的沉积物估计。河流中的悬浮沉积物对于有效使用水资源和液压结构很重要。在这项研究中，使用传统的多线性回归（MLR），机器学习方法（例如支持向量机（SVM）（SVM）和M5决策树（M5T）估算了河流的悬浮沉积物负载。每日流，每日最高和最低水温以及河流中悬浮沉积物浓度的数据都用作所有模型中的输入数据，以预测每日悬浮的沉积物排放。根据统计方法评估所有方法的性能。确定系数（R 2），均方根误差（RMSE）和平均绝对误差（MAE）用作比较标准。总体而言，机器学习方法更好地预测了悬浮的沉积物排放。关键字：沉积物放电，预测，线性回归，支持向量机，M5树。简介
使用机器学习算法自动检测和分析硬膜下血肿
目的机器学习算法在神经影像学领域已显示出突破性成果。本文，作者评估了一种新开发的卷积神经网络 (CNN) 的性能，用于检测和量化非造影头部 CT (NCHCT) 中硬膜下血肿 (SDH) 的厚度、体积和中线移位 (MLS)。方法回顾性地确定了 2018 年 7 月至 2021 年 4 月期间在单个机构进行的用于评估连续患者头部创伤的 NCHCT 研究。根据神经放射学报告确定了 SDH、厚度和 MLS 的真实值。主要结果是 CNN 在外部验证集中检测 SDH 的性能，使用受试者工作特征曲线下面积分析来衡量。次要结果包括厚度、体积和 MLS 的准确性。结果 在符合研究标准的 263 例有效 NCHCT 病例中，135 例患者（51%）为男性，平均（± 标准差）年龄为 61 ± 23 岁，70 例患者经神经放射科医生评估诊断为 SDH。SDH 厚度中位数为 11 毫米（IQR 6 毫米），16 例患者的 MLS 中位数为 5 毫米（IQR 2.25 毫米）。在独立数据集中，CNN 表现良好，敏感度为 91.4%（95% CI 82.3%–96.8%），特异度为 96.4%（95% CI 92.7%–98.5%），准确度为 95.1%（95% CI 91.7%–97.3%）；对于 SDH 厚度超过 10 毫米的亚组，敏感度为 100%。最大厚度平均绝对误差为 2.75 毫米（95% CI 2.14–3.37 毫米），而 MLS 平均绝对误差为 0.93 毫米（95% CI 0.55–1.31 毫米）。计算用于确定自动和手动分割测量之间一致性的 Pearson 相关系数为 0.97（95% CI 0.96–0.98）。结论所述 Viz.ai SDH CNN 在独立验证成像数据集中识别和量化 SDH 的关键特征方面表现非常出色。
基于深度学习的人工智能诊断系统在自发脑内出血体积测量
抽象背景：准确测量出血体积对于预测和自发性脑内出血（ICH）后的预测和选择适当的临床治疗至关重要。这项研究旨在评估具有有或没有脑室内出血（IVH）延伸的自发性自发性分割脑出血（ICH）体积时，基于深度学习的分割算法的性能和准确性。我们将此自动管道与两种手动分割技术进行了比较。方法：我们回顾性地审查了105例急性自发ICH患者。根据IVH延伸的存在，将患者分为两组：ICH没有（n = 56）和IVH（n = 49）。ICH进行分割并测量，并使用ABC/2评分来测量ICH中ICH中没有IVH组的出血量。相关性和协议分析用于分析三种分割方法之间的处理时间和处理时间长度的差异。结果：在没有IVH组的ICH中，使用AI和ABC/2分数测量的ICH量与CTP分割相当。在三种分割方法中观察到了强相关性（r = 0.994，0.976，0.974; p <0.001;一致性相关系数[CCC] = 0.993，0.968，0.967）。但是，通过ABC/2分数测量的ICH体积的绝对误差大于算法的绝对误差（p <0.05）。在ICH中，IVH组中，算法和CTP之间没有发现显着差异（p = 0.614）。CTP和AI之间的相关性和一致性很强（r = 0.996，p <0.001； CCC = 0.996）。AI分割比CTP的时间明显短（p <0.001），但略长于ABC/2分数技术（P = 0.002）。结论：与CTP测量相比，基于深度学习的AI诊断系统具有高忠诚度和更高效率的急性自发ICH，并且比ABC/2分数更准确。我们认为这是一种有前途的工具，可以帮助医生在实践中实现精确的ICH量化。关键字：脑内出血，自发性脑内出血，体积，人工智能，深度学习
使用人工智能预测患者住院时间，协助医疗专业人员进行资源规划和调度决策
人工智能 (AI) 通过改善结果、提高效率和提高资源利用率，极大地改变了全球医疗保健行业。人工智能的应用影响着医疗保健运营的各个方面，尤其是资源分配和容量规划。本研究提出了一个基于人工智能的多步骤框架，并将其应用于真实数据集，以预测住院患者的住院时间 (LOS)。结果表明，所提出的框架可以预测 AUC 为 0.85 的 LOS 类别，预测其实际 LOS，平均绝对误差为 0.85 天。该框架可以支持提供住院护理的医疗机构的决策者做出更好的前端运营决策，例如资源容量规划和调度决策。预测 LOS 在当今的医疗保健供应链 (HSC) 系统中至关重要，因为资源稀缺，而由于各种全球危机和流行病，需求旺盛。因此，本研究的结果对人工智能和 HSC 管理具有实际和理论意义。
心电图年龄与社区心血管事件之间的关联：弗雷明汉心脏研究
结果：研究对象包括 9877 名 FHS 参与者（平均年龄 55±13 岁；54.9% 为女性），共进行了 34 948 次心电图检查。心电图年龄与实际年龄相关（r=0.81；平均绝对误差 9±7 岁）。经过17±8年的随访，多变量模型显示，年龄每增加10年，全因死亡率就增加18%（风险比[HR]，1.18 [95% CI，1.12–1.23]），心房颤动风险增加23%（HR，1.23 [95% CI，1.17–1.29]），心肌梗死风险增加14%（HR，1.14 [95% CI，1.05–1.23]），心力衰竭风险增加40%（HR，1.40 [95% CI，1.30–1.52]）。此外，加速衰老与全因死亡率增加 28% 相关（HR，1.28 [95% CI，1.14-1.45]），而减缓衰老则与全因死亡率下降 16% 相关（HR，0.84 [95% CI，0.74-0.95]）。
传感器和仪器仪表 - I
测量仪器的广义配置和功能描述：仪器的功能元件、测量误差：粗大误差和系统误差、绝对误差和相对误差、测量仪器和仪器系统的 I/O 配置 - 干扰和修改输入的校正方法。08 小时仪器的广义性能特征：静态特性：静态校准的含义、准确度、精密度和偏差、静态灵敏度、线性度、阈值、分辨率、滞后和死区。刻度可读性、跨度、广义静态刚度和输入阻抗、动态特性基础。06 小时电阻、电感、电容和 Q 因数的测量：惠斯通电桥、灵敏度分析、局限性、开尔文双电桥、麦克斯韦电桥、西林电桥、源和探测器、电桥屏蔽、Q 计。08 小时位移测量：位移测量原理、电阻电位器、电阻应变计、可变电感和可变磁阻拾音器、LVDT、电容拾音器、激光位移传感器。 06 小时
天气预报的深度学习：用于预测历史温度数据的CNN-LSTM混合模型
摘要。随着全球气候变化的加剧，准确的天气预报变得越来越重要，影响农业，能源管理，环境保护和日常生活。这项研究介绍了结合卷积神经网络（CNN）和长期记忆（LSTM）网络的混合模型，以预测历史温度数据。CNN用于空间特征提取，而LSTMS处理时间依赖性，从而显着提高了预测准确性和稳定性。通过使用平均绝对误差（MAE）作为损失函数，该模型在处理复杂的气象数据方面表现出卓越的性能，解决了缺少数据和高维度等挑战。结果表明，预测曲线和测试数据之间存在很强的一致性，从而验证了模型在气候预测中的潜力。本研究为农业，能源管理和城市规划等领域提供了宝贵的见解，并为在全球气候变化的背景下为未来的天气预报应用奠定了基础。
使用人工神经网络进行数据增强和特征选择以预测锂离子电池的充电状态
摘要：锂离子电池是交通运输行业电气化和可再生能源转型的关键技术。始终确定锂离子电池的状况对于优化其运行至关重要。由于这些电池承受的各种负载条件以及电化学系统的结构复杂，因此无法直接测量其状况，包括其充电状态。相反，使用电池模型来模拟其行为。数据驱动模型越来越受到关注，因为它们具有较高的准确性和较短的开发时间；然而，它们高度依赖于数据库。为了解决这个问题，本文分析了使用数据增强方法来改进人工神经网络的训练。使用不同数量的人工数据训练线性回归模型、多层感知器和卷积神经网络，以估计电池单元的充电状态。所有模型都在真实数据上进行测试，以检验模型在实际应用中的适用性。卷积神经网络的测试误差最低，平均绝对误差为 0.27%。结果凸显了数据驱动模型的潜力以及使用人工数据改进这些模型训练的潜力。