XiaoMi-AI文件搜索系统
World File Search System计算负担
学习极快交流最佳功率流的最佳解决方案：预印本
摘要 - 在本文中，我们开发了一种机器学习，以优化电网的实时操作。尤其是，我们学到了可行的解决方案，这些解决方案具有可忽略不计的最佳差距的交流最佳功率流（OPF）问题。AC OPF问题旨在确定电网的最佳操作条件，以最大程度地减少功率损失和/或发电成本。由于解决了这个非概念问题的计算挑战，许多努力都集中在线性化或近似问题上解决AC OPF问题，以解决更快的时间范围内的AC OPF问题。但是，其中许多近似值可能是实际系统状态的相当差的表示，并且仍然需要解决优化问题，这对于大型网络来说可能很耗时。在这项工作中，我们学习了系统加载和最佳生成值之间的映射，使我们能够找到近乎最佳和可行的AC OPF解决方案。这使我们能够绕过传统的非convex AC OPF问题，从而导致网格运营商的计算负担显着减少。
EAGP：无线传感器网络的能源感知八卦协议
摘要。在无线传感器网络（WSN）中，通常由具有资源限制的节点组成，利用效率的流程对于增强网络寿命以及因此，在超密集和异质环境中的可持续性（例如智能城市）至关重要。特别是平衡在这种动态环境中有效传输数据所需的能量，这对降低数据冗余性的交易构成了重大挑战，这是降低数据冗余性的交易，同时实现可接受的交付率是一个基本的研究主题。通过这种方式，这项工作提出了一种新的能源感知的流行病协议，该协议使用网络能量的当前状态来通过自我调整每个节点转发行为自我调整为渴望或懒惰的局部残留电池来创建动态分布拓扑。模拟的评估证明了其在能耗，输送率和计算负担下的效率与经典八卦协议以及定向协议相比。
快速构建可解释的全脑解码器
研究人员通常试图从功能性MRI测量的大脑活动中解码精神状态。严格的解码需要使用形式的神经预测模型，如果它们使用整个大脑，则可能是最准确的。但是，计算负担和缺乏现成的统计方法的解释性可能会使全脑解码具有挑战性。在这里，我们提出了一种构建既可以解释又有能力的全脑性解码器的方法。我们将部分最小二乘算法扩展到具有可变选择的正则化模型，该模型提供了独特的“一次性”，“以后调整一次”方法：用户只需拟合一次模型，并且可以在事后选择最佳的调音参数。我们在实际数据中显示，我们的方法随着数据大小的增加而表现得很好，并产生可解释的预测因子。该算法以多种语言公开使用，希望可以在神经成像研究中更广泛地实施可解释的全脑预测因子。
增强弹性的动态配电系统恢复策略：预印本
摘要 — 在电力配电系统中，分布式能源 (DER) 可充当可控电源，并支持公用事业运营商在极端天气事件（如飓风、地震、野火）后最大限度地减少停电，从而有助于增强电网的恢复能力。同时，极端事件的影响和 DER 的能力是动态的，难以预测。因此，所需的配电系统恢复策略应该能够根据实时故障/扰动信息和 DER 的可用性进行发展。在本文中，我们提出了一种新的动态配电系统恢复策略，以增强系统对潜在危险的恢复能力。开发了一种有效的重构算法来消除整数变量的使用，从而减轻计算负担。实施模型预测控制以根据更新的故障信息和 DER 预测来调整系统拓扑和 DER 操作设定值。通过IEEE 123节点测试系统验证了所提出的恢复模型在增强配电系统弹性方面的有效性。仿真结果还验证了所提出的恢复模型可以缓解意外事件的发生和DER的波动。
基于 CNN 的提高脑肿瘤图像分类准确率的方法 A. Muis a、S. Sunardi *b、A. Yudhana b
脑瘤是世界上最致命的疾病之一。这种疾病可以攻击任何人，无论性别或特定年龄段。脑瘤的诊断是通过手动识别计算机断层扫描或磁共振成像的图像进行的，因此可能会发生诊断错误。此外，可以使用活检技术进行诊断。这种技术非常准确，但需要很长时间，大约 10 到 15 天，并且需要大量设备和医务人员。基于此，需要能够根据 MRI 生成的图像进行分类的机器学习技术。这项研究旨在提高以前研究对脑瘤分类的准确性，从而避免在脑瘤诊断中出现错误。本研究使用的方法是使用 AlexNet 和 Google Net 架构的卷积神经网络。这项研究的结果显示，AlexNet 架构的准确率为 98%，GoogleNet 的准确率为 96%。与以前的研究相比，这个结果更高。这一发现可以减少模型训练期间的计算负担。该研究成果可以帮助医生快速准确地诊断脑肿瘤。
使用深度预期的SARSA和非线性时间差学习
摘要 - 在本文中，我们使用原始加固学习（RL）方法提出了一种基于学习的非线性模型预测控制器（NMPC），以学习NMPC方案的最佳权重。控制器用作深度预期SARSA的当前动作值函数，其中通常用次级NMPC获得的后续动作值函数与神经网络（NN）近似。在现有方法方面，我们添加了NN的输入NMPC学习参数的当前值，以便网络能够近似行动值函数并稳定学习性能。另外，在使用NN的情况下，实时计算负担大约减半而不会影响闭环性能。此外，我们将梯度时间差异方法与参数化的NMPC结合在一起，作为预期的SARSA RL方法的函数近似函数，以克服函数近似中存在非线性时克服潜在参数的差异和不稳定性问题。仿真结果表明，所提出的方法在没有不稳定性问题的情况下收敛到本地最佳解决方案。
基于脑电图的特征提取方法：评论
摘要 - 简介：脑部计算机界面（BCI）是一种迅速发展的尖端技术，在该技术中，在人脑和计算机之间建立了通信途径。BCI也被称为直接神经接口，用户可以在该界面借助大脑信号来控制外部设备。神经信号通常使用脑电图（EEG）测量。目标：从EEG数据中提取特征在可穿戴的BCI计算场中扮演了一个可疑的作用。由于大量脑电图数据，主要的挑战是有效的特征提取并减轻了计算负担。本文的目的是审查有效和强大的BCI系统的这种不同特征提取技术。方法：我们回顾了基于EEG的BCI研究中采用的特征提取技术。我们综合了这些研究，以介绍分类法并与利弊报告其使用情况。显着性：本文对基于EEG的BCI具有及其特性的特征提取技术进行了全面的审查。此外，还讨论了公开挑战以在BCI研究中进一步发展。
aq-pinns：碳效率高的气候建模
正如Jevons Paradox强调的那样，人工智能（AI）在解决气候变化方面的计算需求不断增长引起了人们对低效率和环境影响的重大关注。我们提出了一个引人注意的量子物理信息知识的神经网络模型（AQ-PINNS）来应对这些挑战。这种方法将量子计算技术集成到物理知情的神经网络（PINN）中，以进行气候建模，旨在提高由Navier-Stokes方程所控制的流体动力学的预先准确性，同时减少计算负担和碳足迹。通过利用变异量子多头自我注意机制，我们的AQ-Pinns与经典的多头自我注意方法相比，模型参数降低了51.51％，同时保持了可比的收敛性和损失。它还采用量子张量网络来增强表示能力，这可以导致更有效的梯度计算并降低对贫瘠的高原的敏感性。我们的AQ-Pinns代表了朝着更可持续和有效的气候建模解决方案迈出的关键步骤。
使用模仿学习来实施智能机箱的控制编排
摘要：尽管对超级驱动系统的控制分配取得了进步，但仍需要进行全面，优化和安全的解决方案。传统方法虽然成熟，但仍与耦合非线性分配的复杂性以及对广泛的计算资源的需求斗争。机器学习可以通过其概括和适应能力来提供显着的优势，尤其是在使用线性近似来减轻计算负担或尚不确定执行器的有效性时。模仿学习的最新进展，尤其是行为克隆和深入的强化学习，已经在解决这些挑战方面表现出了有希望的结果。本文旨在确定在控制编排中使用机器学习的潜力，以使智能机箱超越分配问题，包括跨系统，资源平衡以及安全性和性能限制的交互管理。我们提出了一组我们认为与实验有关的技术，以解决智能底盘系统中控制分配的潜在挑战和复杂性，这些挑战将在即将到来的文章中进行测试。
基于fMRI 4D时空数据
使用神经影像数据将精神健康障碍与健康对照的患者区分开来，已采用了广泛的机器学习方法。但是，几乎所有此类方法都基于连接矩阵或从神经成像数据得出的特征应用于输入。最近只有几篇论文根据原始的基于体素的时空数据考虑了这种分类。在本文中，我们报告了基于体素的fMRI数据上一些尖端机器学习算法的性能，以对健康对照和精神分裂症患者进行分类。我们采用的方法包括卷积神经网络，具有较长短期记忆的卷积复发性神经网络以及基于Wasserstein生成的对抗网络的分类的转移学习方法。为了减轻适合可用硬件的计算负担，我们必须将原始的4维数据减少到几乎所有架构的3维输入中。我们的结果表明，基于卷积神经网络的相对简单的体系结构在对健康对照组中的患者分组中表现出合理的不兼容性。相反，我们使用的其他两个复杂架构的性能相对较差。