XiaoMi-AI文件搜索系统
World File Search System绝对误差
各种有机肥料和生物肥料对胡芦巴种植的生长和产量的影响
摘要。准确估算了弹性模量（MR）的弹性子级土壤中，对于设计既可靠且对环境友好的柔性路面系统的设计至关重要。MR显着影响人行道的结构完整性，尤其是在具有不同负荷和气候条件的丘陵地区。这项研究收集了2813个数据点，从预先研究结果中创建了准确的预测模型。选择了梯度增强（GB）机器学习（ML）方法以预测压实的亚级土壤的MR。使用统计分析评估了GB模型的准确性和预测性能，其中包括典型指标，例如均方根误差，平均绝对误差和相对平方误差。用于培训和测试数据集的R²值为0.96和0.94的模型。RMSE的训练是5 MPA，测试为7.48 MPa，而MAE为3.18 MPa和5.55 MPa。这些结果突出了GB在预测土壤MR中的潜力，从而支持了更准确，更有效的MR预测的发展，最终减少了时间和成本。
使用
电子邮件：paredes.g@aluno.ifsp.edu.br摘要钻探浪费的适当管理，尤其是页岩振动器的残留固体中的流体含量，仍然是石油和天然气运营中的一项关键挑战。 依靠实验室分析的传统方法引入了重大延迟，从而阻碍了实时过程优化。 本研究提出了一个基于人工神经网络（ANN）的虚拟传感器，以实时预测振动筛选残留固体中的流体含量。 在不同的操作参数下，从工业页岩振动器系统中收集了实验数据，包括运动速度，进料流量和屏幕倾斜度。 使用TensorFlow开发了多层感知器模型，该模型具有输入归一化，辍学正则化和随机梯度下降的优化训练。 ANN体系结构达到的平均绝对误差为0.03，损失为0.002，证明了强大的收敛而不拟合。 通过t检验进行的统计验证证实，预测值和实验值之间没有显着差异（测试数据的p值为0.67，整个数据集为0.85）。 模型在稳定的操作条件下的准确性可以连续监视而无需其他硬件，从而解决了行业对延迟实验室的依赖电子邮件：paredes.g@aluno.ifsp.edu.br摘要钻探浪费的适当管理，尤其是页岩振动器的残留固体中的流体含量，仍然是石油和天然气运营中的一项关键挑战。依靠实验室分析的传统方法引入了重大延迟，从而阻碍了实时过程优化。本研究提出了一个基于人工神经网络（ANN）的虚拟传感器，以实时预测振动筛选残留固体中的流体含量。在不同的操作参数下，从工业页岩振动器系统中收集了实验数据，包括运动速度，进料流量和屏幕倾斜度。使用TensorFlow开发了多层感知器模型，该模型具有输入归一化，辍学正则化和随机梯度下降的优化训练。ANN体系结构达到的平均绝对误差为0.03，损失为0.002，证明了强大的收敛而不拟合。通过t检验进行的统计验证证实，预测值和实验值之间没有显着差异（测试数据的p值为0.67，整个数据集为0.85）。模型在稳定的操作条件下的准确性可以连续监视而无需其他硬件，从而解决了行业对延迟实验室的依赖
使用机器传热数据数据回归的框架
机器学习（ML）算法正在各个行业中出现，作为传统数据回归方法的强大补充/替代方案。主要原因是，与确定性模型不同，即使没有详细的现象学知识，它们也可以使用。毫不奇怪，在传热应用中也探索了ML算法的使用。在处理复杂几何形状和潜在现象的系统中特别感兴趣（例如流体相变，多相流量，大量结垢堆积）。然而，传热系统提出了需要解决的特定挑战，例如高质量数据的稀缺性，已发表的数据源之间的不一致，输入的复杂（且经常相关）的影响，培训和测试集之间的数据拆分以及有限的划线能力，无法进行统一条件。试图克服这些挑战中的一些，更重要的是，为了提供系统的方法，本文回顾并分析了ML算法在传热应用中的应用中的过去努力，并提出了将其部署的回归框架以估算关键数量（例如传热系数），用于改进热交换器的设计和操作。该框架由六个步骤组成：i）数据预处理，ii）特征选择，iii）数据分裂理念，iv）训练和测试，v）调整超参数，而VI）具有特定指标的性能评估，以支持准确且可靠的模型的选择。相关案例研究涉及缩合传热系数在微囊管中的估计来说明所提出的框架。根据其估计和外推能力对两种数据驱动算法，深神经网络和随机森林进行了测试和比较。结果表明，与过去研究中提出的众所周知的半经验相关性相比，ML算法在预测传热系数方面通常更准确，其中最合适的ML模型的平均绝对误差为535 [𝑊𝑚2𝐾-1]，与使用1061 [𝑊𝑚22-−1]的误差相比，与使用误差相比。在外推方面，所选的ML模型的平均绝对误差为1819 [𝑊𝑚2𝐾-1]，而相关性为1111 [𝑊𝑚2𝐾-1]，表明使用半经验模型的劣势，尽管对比较并不完全适合，但鉴于相关性不适合使用。此外，功能选择还启用了仅取决于可能与目标变量最重要的功能的更简单的模型。需要特别注意，因为部署这些模型时会遇到的过度拟合和有限的外推能力是常见的困难。
Glu-Ensemble：用于 2 型糖尿病患者血糖预测的集成深度学习框架
糖尿病是一种慢性代谢紊乱，其特征是血糖升高，对健康造成重大风险，例如心血管疾病以及神经、肾脏和眼睛损伤。有效管理血糖对于糖尿病患者来说至关重要，可以减轻这些风险。本研究介绍了 Glu-Ensemble，这是一种深度学习框架，旨在为 2 型糖尿病患者提供精确的血糖预测。与其他预测模型不同，Glu-Ensemble 解决了与小样本量、数据质量问题、对严格统计假设的依赖以及模型复杂性相关的挑战。它通过利用更大的数据集来提高预测准确性和模型通用性，并减少许多预测模型固有的偏差。与患者特定模型相比，该框架的统一方法消除了初始校准时间的需要，有助于立即为新患者预测血糖。所得结果表明，Glu-Ensemble 在准确性方面超越了传统方法，以均方根误差、平均绝对误差和误差网格分析来衡量。 Glu-Ensemble 框架成为预测 2 型糖尿病患者血糖水平的有前途的工具，值得在临床环境中进一步研究其实际应用。
优化简单的全卷积网络，以便在 PAC 2019 挑战赛中准确预测大脑年龄
通过脑部 MRI 扫描预测脑年龄不仅有助于改善脑老化模型，还能为预测分析方法提供基准。脑年龄增量是受试者预测年龄与真实年龄之间的差异，已成为脑部健康的一个有意义的生物标志物。在这里，我们报告了我们的脑年龄预测模型的详细信息以及 2019 年预测分析挑战赛的结果。挑战赛的目的是使用 T1 加权脑部 MRI 预测多中心数据集中受试者的年龄。我们应用了一种轻量级深度卷积神经网络架构——简单全卷积神经网络 (SFCN)，并结合了数据增强、迁移学习、模型集成和偏差校正等多种技术来预测脑年龄。该模型在 PAC 2019 大脑年龄预测挑战赛的两个目标中均取得了第一名：未消除偏差时平均绝对误差（MAE）= 2.90 年（第二名 = 3.09 年；第三名 = 3.33 年），消除偏差后 MAE = 2.95 年，领先优势较大（第二名 = 3.80 年；第三名 = 3.92 年）。
多感官环境下脑电图记录的置信度预测
Luca Citi、Riccardo Poli 脑机接口和神经工程实验室，埃塞克斯大学计算机科学与电子工程学院，科尔切斯特，英国 lciti@essex.ac.uk，rpoli@essex.ac.uk 摘要 本文探讨了在多感官决策任务中从人类受试者的脑电图 (EEG) 脑活动解码决策信心的可能性。最近的研究表明，我们可以在视觉或听觉任务期间从 EEG 记录中提取决策信心相关性。在这里，我们扩展了这些初步发现，(a) 仅根据 EEG 记录预测决策信心，以及 (b) 研究多感官线索对决策行为数据的影响。我们从两个不同地点记录的 12 名参与者中获得的结果显示，可以在单次试验的基础上从 EEG 记录预测决策信心，平均绝对误差为 0.226。此外，多感官提示的存在并没有提高参与者的表现，反而分散了他们对主要任务的注意力。总的来说，这些结果可能有助于开发认知系统，当用户对自己的决定没有信心时，该系统可以监控和提醒用户。
使用以 Morgan 指纹为特征的深度神经网络模型预测 ErbB 抑制剂的结合亲和力
ErbB 受体家族（包括 EGFR 和 HER2）在细胞生长和存活中起着至关重要的作用，并与乳腺癌和肺癌等各种癌症的进展有关。在本研究中，我们开发了一个深度学习模型，使用基于 SMILES 表示的分子指纹来预测 ErbB 抑制剂的结合亲和力。每种 ErbB 抑制剂的 SMILES 表示均来自 ChEMBL 数据库。我们首先从 SMILES 字符串生成 Morgan 指纹，并应用 AutoDock Vina 对接来计算结合亲和力值。根据结合亲和力过滤数据集后，我们训练了一个深度神经网络 (DNN) 模型来根据分子指纹预测结合亲和力值。该模型取得了显著的性能，训练集上的均方误差 (MSE) 为 0.2591，平均绝对误差 (MAE) 为 0.3658，R 平方 (R²) 值为 0.9389。尽管在测试集上性能略有下降（R² = 0.7731），但该模型仍然表现出强大的泛化能力。这些结果表明深度学习方法对于预测 ErbB 抑制剂的结合亲和力非常有效，为虚拟筛选和药物发现提供了宝贵的工具。
比较尼日利亚的Adamawa和Cross Rivers State的水稻产量预测的机器学习算法
稻米生产对于全球粮食安全至关重要，准确的收益预测使他们有知情的决策。本文研究了Adamawa和Cross River州的水稻产量预测的机器学习（ML）技术，具有不同的农业气候条件。常用的传统收益预测方法通常具有限制，例如对可用数据的见解和降低的准确性。因此，这项研究探讨了机器学习的潜力，以提高预测准确性。我们利用气候数据和历史水稻产量来训练和评估决策树，随机森林，支持矢量回归，多项式回归，多线性回归和长期短期记忆（LSTM）模型。使用平方误差，均方根误差，确定系数，平均绝对误差和平均绝对百分比误差进行比较。特征选择将全天空的光合辐射（PAR）视为最具影响力的因素。线性回归以上模型出现，其R²为0.90（Adamawa）和0.91（Cross River），表明了整个地区的可概括性概括性。这项研究为两个尼日利亚地区的ML驱动农业信息系统的开发做出了贡献，从而增强了农业实践和粮食安全。
精神障碍的新治疗选择？预测车辆燃油效率：机器的比较分析
本研究探讨了使用自动MPG数据集预测各种机器学习模型的应用。它检查了算法的有效性，例如决策树回归器，随机森林，支持向量回归体以及基于神经网络的模型，例如LSTM和GRU。该研究旨在通过分析发动机规格，驾驶习惯和车辆设计等因素来提高燃油效率预测。使用诸如R平方（R2），均方根误差（RMSE），平均绝对误差（MAE）和平均绝对百分比误差（MAPE）等指标评估模型的性能，以确保准确性并最小化误差。关键字：MPG，回归，机器学习©2023 AI Ntelia 1。引言在环境可持续性与技术创新相遇的时代，汽车行业处于相当大变化的最前沿[1,2]。随着气候变化的加剧影响以及全球对能源效率的不断增长的需求，精确预测车辆燃料使用的能力不仅成为一个关键挑战，而且还成为巨大的潜力。输入机器学习的世界，这是一种动态而强大的工具，正在改变我们对汽车燃料效率的看法[3,4]。
eeg记录中ECG和EOG信号的时间序列预测多元时间序列方法eeg记录中ECG和EOG信号的时间序列预测多元时间序列方法
可靠的脑电图（EEG）信号获取对于医疗疾病，脑机构界面（BCIS）和神经科学研究至关重要。然而，心电图（ECG）和电解图（EOG）伪像经常污染EEG记录，损害数据质量和解释性。传统的删除方法可能会扭曲脑电图信号，或需要其他传感器进行ECG和EOG获取。本研究使用多元预测方法将删除伪像作为回归任务，从EEG数据本身重建ECG和EOG信号。我们的方法在两个独立数据集上进行了严格评估，用于ECG和EOG信号，并在不同个体的未见数据上进一步验证。使用平方误差（MSE），平均绝对误差（MAE）和峰值信噪比（PSNR）评估性能。我们的方法实现了与使用实际的ECG和EOG记录的常规方法相媲美的方法，证明了使用原始EOG记录清洁清洁的脑电图和脑电图之间的PSNR为39 dB。这使我们的方法成为经济高效且非侵入性的替代方案。这些发现提出了脑电图噪声过滤研究的有希望的新方向。