XiaoMi-AI文件搜索系统
World File Search System聚类
森林流：预测Lyman-α森林聚类从线性到非线性尺度
在大范围内，Lyman-α森林提供了对宇宙膨胀历史的见解，而在小尺度上，它对生长历史，暗物质的性质和中微子质量的总和施加了严格的限制。这项工作引入了ForestFlow，这是一个新颖的框架，它弥合了大型和小规模分析之间的差距，这些分析传统上依赖于不同的建模方法。使用条件归一化的流量，ForestFlow预测了两种lyman-α线性偏见（Bδ和Bη）和六个参数，描述了三维频谱功率谱（P 3D）的小规模偏差（p 3D），从线性理论作为体体和核学中培养基的功能。随后将它们与Boltzmann求解器相结合，以对P 3D和从其衍生的任何其他统计数据进行一致的预测，从任意大的尺度到非线性制度。在30个固定和分配的宇宙流体动力学模拟的套件中训练，跨越z = 2至4.5的红移，森林流在描述P 3D和一维闪光功率谱（p 1d）中获得了3和1.5％的精度，从线性量表到k = 5 mpc- = 5 mpc- = 5 mpc-k. = 5 mpc-k. = 4 mpc- = 4 mpc = 4 Mpc = 4 mpc = 4 mpc。由于其条件参数化，森林流对电离历史和两个λCDM模型扩展（大量中微子和曲率）显示出相似的性能，尽管训练集中都不包含这些扩展。该框架将对DESI调查的Lyman-α森林测量结果进行全面宇宙学分析。
量子聚类的全面分析：寻找所有潜在的最小值
量子聚类 (QC) 是一种基于量子力学的数据聚类算法，通过用高斯函数替换给定数据集中的每个点来实现。高斯函数的宽度为 𝜎 值，这是一个超参数，可以手动定义和操纵以适应应用。数值方法用于查找与聚类中心相对应的量子势的所有最小值。在此，我们研究了表达和查找与二维量子势的最小值相对应的指数多项式的所有根的数学任务。这是一项杰出的任务，因为通常无法通过分析解决此类表达式。但是，我们证明，如果所有点都包含在大小为 𝜎 的方形区域中，则只有一个最小值。这个界限不仅在通过数值方法寻找解决方案的数量方面有用，它还允许提出一种“每个块”的新数值方法。该技术通过将某些粒子组近似为加权粒子来减少粒子数量。这些发现不仅对量子聚类问题有用，而且对量子化学、固体物理和其他应用中遇到的指数多项式也有用。
通过聚类和Orbat映射
操作领域（AO）的情境情况对于指挥所和战术边缘的情况意识至关重要。运营商，例如一个营的S2或公司指挥官，从包括预期敌军的战斗（Orbat）的计划开始。他们会收到有关检测到的战斗空间对象（BSO）的持续信息，并将其添加到情境图片中。在理想情况下，操作员创建了一个真实，完整，最新和简洁的情况。实际上，图片可能不完整，包含错误或过时的信息。为了不断地保持准确的情境图片，重要的是要通过添加新的BSO来丰富它，也要管理可能重复或过时的BSO的更正和删除。在以前的论文中，我们介绍了两种方法，以自动聚集和富集情境图片：根据其空间距离随时间的空间距离[1]，[2]和一种基于规则的方法，用于将BSO映射到敌人的Orbat [3] [3]。在本文中，我们提出了一种新的方法来维护情况，该方法确定了来自源自轨道的情境图片和簇的BSO群集之间的最佳映射。如[4]中所述，映射可以有效地充实情况形态图片，身份管理和改进的侦察计划。
用于重建NGS的聚类模型之间的性能比较来自技术重复
为了提高单个DNA测序结果的性能，研究人员经常使用同一个人和各种统计聚类模型的重复来重建高性能呼叫仪。在这里，考虑了基因组Na12878的三个技术重复，并比较了五个模型类型（共识，潜在类，高斯混合物，kamila - 适应性的K-均值和随机森林），涉及四个性能指标：敏感性，精度，精度，准确性和F1评分。与不使用组合模型相比，i）共识模型提高了精度0.1％； ii）潜在类模型带来了1％的精度改善（97％ - 98％），而不会损害灵敏度（= 98.9％）； iii）高斯混合模型和随机森林提供了更高精确度（> 99％）但敏感性较低的呼叫； iv）卡米拉提高了精度（> 99％），并保持高灵敏度（98.8％）；它显示出最好的总体表现。根据精确和F1得分指标，比较了组合多个呼叫的非监督聚类模型能够改善测序性能与先前使用的监督模型。在比较模型中，高斯混合模型和卡米拉提供了不可忽略的精度和F1得分的改进。因此，可能建议将这些模型用于呼叫集重建（来自生物或技术重复），以进行诊断或精确医学目的。
使用机器学习聚类分析对射血分数保留的心力衰竭进行表型映射：预后和治疗意义
Elena Galli、Corentin Bourg、Wojciech Kosmala、Emmanuel Oger、Erwan Donal。使用机器学习聚类分析对射血分数保留的心力衰竭进行表型映射：预后和治疗意义。心力衰竭诊所，2021 年，17 (3)，第 499-518 页。�10.1016/j.hfc.2021.02.010�。�hal-03246464�
引用此研究：Ramesh D. 和 Jaya T. 博士 (2025)。《使用机器学习的 WSN 中的可扩展多聚类聚合方案》，《土耳其工程杂志》
由于 WSN 中的资源有限，数据包在路由到接收器时会发生冲突，因此可以通过数据聚合消除冗余数据，从而最大限度地减少传输的数据总量并延长网络的使用寿命。最小化能耗和提高数据聚合率是 WSN 中最关键的因素。利用机器学习的可扩展多聚类聚合 (SMCA-ML) 专注于异构无线传感器网络的数据聚合方法，使用神经元作为机器学习方法中的无线传感器网络节点。机器学习方法累积传感器节点收集的捕获数据，并将累积的数据与多聚类路由集成。所提出的方法在训练之前随机生成隐藏层的阈值和输入层的权重。这会导致不稳定的输出，影响数据聚合的效率并导致较长的延迟。更重要的是，根据无线传感器网络 (WSN) 中能量消耗不均匀的特点进行了不同的阈值设置，通过在具有足够能量的远接收器中设置较小的阈值，允许数据包更快地传输。为了最大化数据聚合，能量紧张的近接收器区域采用更大的阈值。结合该算法可以实现数据融合程度高、能耗低、时延小，仿真结果表明，基于SMCA-ML的数据聚合算法相较于传统的稳定选举协议（SEP）、反向传播算法、极限学习机等算法，可以显著延长网络寿命、大幅降低能耗、提升网络能量、拓展网络性能、提高数据聚合效率。
基于无偏多组学网络的数据集成可以对心力衰竭患者进行临床相关的结果预测聚类
图 3 . 秩检验。对相似性网络融合 (SNF)、基础网络集成和血常规获得的簇中心力衰竭恶化的累积发生率曲线进行成对对数秩检验，并绘制对数秩 p 值的平均 -log10。对数秩 p 值的平均 -log10 越高，心力衰竭恶化结果的簇分离效果越好（4 年随访）。最佳结果是应用相似性网络融合 (SNF) 来整合组学数据，然后将其分成 8 个簇。
fdacluster：功能数据的关节聚类和对齐
描述了K均值，层次结合和DBSCAN聚类方法的实现功能数据，该方法允许共同对齐和聚类曲线。它支持在一维域上定义的功能数据，但可能在多元代码中进行评估。它支持在数组中定义的功能数据，也支持通过“ FD”和“ Fundata”类的功能数据，分别用于“ FDA”和“ Fundata”软件包中定义的功能数据。当前，它支持在实际线路上定义的功能数据的移位，扩张和仿射扭曲功能，并使用SRVF框架来处理在特定间隔上定义的功能数据的保存边界扭曲。K-Means算法的主要参考：Sangalli L.M.，Secchi P.，Vantini S.，Vitelli V.（2010）````k-mean for Curve clustering'''。SRVF框架的主要参考：Tucker，J。D.，Wu，W。，＆Srivastava，A。（2013）``使用相位和振幅分离的功能数据生成模型''。
一个有效的无监督分类模型，用于银河形态：基于Convnext大型模型的编码的投票聚类
通过将无监督和监督的机器学习方法结合起来，我们提出了一个称为Usmorph的框架，以进行星系形态的自动分类。在这项工作中，我们通过提出基于Convnext大型模型编码的算法来更新无监督的机器学习（UML）步骤，以提高未标记的星系形态分类的效率。该方法可以概括为三个关键方面，如下所示：（1）卷积自动编码器用于图像降级和重新冲突，并且模型的旋转不变性通过极性坐标扩展提高； （2）利用名为Convnext的预训练的卷积神经网络（CNN）来编码图像数据。通过主体组合分析（PCA）维度降低进一步压缩了这些特征； （3）采用基于装袋的多模型投票分类算法来增强鲁棒性。，我们将此模型应用于宇宙场中的i -band样品的i -band图像。与原始的无监督方法相比，新方法所需的聚类组的数量从100减少到20。最后，我们设法对大约53％的星系进行了分类，从而显着提高了分类效率。为了验证形态层化的有效性，我们选择了M ∗> 10 10m⊙的大型星系进行形态学参数测试。分类结果与星系在多个参数表面上的物理特性之间的相应规则与现有演化模型一致。增强的UML方法将来将支持中国空间站望远镜。我们的方法证明了使用大型模型编码对星系形态进行分类的可行性，这不仅提高了星系形态分类的效率，而且还节省了时间和人力。此外，与原始UML模型相比，增强的分类性能在定性分析中更为明显，并且成功超过了更多的参数测试。
与机器学习和使用NDEA在开发计划中进行聚类：石化两阶段SSC
这项研究利用机器学习（ML）来改善伊朗石化行业两级可持续供应链中决策单位（DMU）的评估。在90个时间段内进行了28个单位的效率计算。根据可持续性标准选择了供应链的输入和输出，通过使用机器学习和网络数据信封分析（NDEA）的混合方法来促进生产计划和单位开发的准确估计。目标是将ML聚类方法与网络NDEA模型一起使用，以确定用于对均质单元进行分类的最有效的聚类算法。我们研究的主要目标是利用机器学习技术来提高决策过程的准确性，特别是在类似单元的聚类中以评估效率。主要目标是通过将它们与每个集群中最有效的单元进行比较来创建提高低效单元的性能的策略。通过实施深层嵌入式聚类算法，我们发现了效率评估和开发计划的实质性改善。聚类结果与传统NDEA模型之间的对比突出了聚类在评估有效边界和启用集中发展策略的近端方面的重要性。这项研究强调了使用ML进行聚类的重要性，以提高工业设施可持续发展的效率评估和战略计划。结果表明，与使用DEA的非聚类方法相比，使用聚类来评估单位的相对效率，可以平均降低与群集效率边界效率低下的单位距离的18％，这代表了效率低效率单位的更可实现的理想目标。