XiaoMi-AI文件搜索系统
World File Search System误差估计
适用于多群中子扩散方程的混合有限元离散化的笛卡尔网格的自适应网格改进
自适应网状修复基于基本要素：后验估计。在中子中，后验错误控制是一个正在进行的研究主题。AMR。在[16，第3.3节]中，作者解决了A后验估计中使用的规律性假设的问题。在[21，22，25]中，A后验估计值基于双重加权残差方法，其中保证的估计器涉及确切的伴随溶液。在[17]中，他们设计了一个可靠的估计，该估计依赖于双重问题的定义，并突出了由于这个双重问题缺乏稳定性而缺乏效率。严格的估计值不需要过剩的规律性以及适应性网格重新确定策略，以解决运输方程式上的源问题[9]。在这项工作之后，[10]中已经解决了有关特征值问题的理论方面。在这些论文中，作者设计了一种数值策略，该策略依赖于精确控制的操作员评估，例如在[9]中用于解决源问题。在反应堆核心尺度上，使用简化的模型在核工业中很常见。准确地说，简化的模型可以是中子分歧模型或简化的传输模型。在[7]中，我们对中子差异方程的混合有限元离散量进行了严格的后验误差估计，并提出了一种自适应网格重新填充策略，以保留Carte-sian结构。在[13]中执行了这种方法对临界问题的第一个应用，尽管具有次级估计器。关于工业环境和特定的数字模拟，我们的方法是在Apollo3®代码[23]中开发混合有限元求解器[4]的一部分。
![机器学习[R17A0534]讲义](/simg/g:\will\search\icon\source\b\b04497115176d4bfc8e822e2e357b3b536e9ea6c.webp)
机器学习[R17A0534]讲义
单元I：机器学习介绍，学习模型，几何模型，概率模型，逻辑模型，分组和分级，设计学习系统，学习类型，学习，监督，无监督，增强，观点和问题，版本空间，PAC学习，PAC学习，VC尺寸。单元II：有监督和无监督的学习决策树：ID3，分类和回归树，回归：线性回归，多线性回归，逻辑回归，神经网络：简介，感知，多层感知，支持向量机：线性和非线性，线性和非线性，内核功能，K最近的邻居。聚类简介，K-均值聚类，K-Mode聚类。单元III：合奏和概率学习模型组合方案，投票，错误纠正输出代码，包装：随机林木，增强：Adaboost：堆叠，堆叠。高斯混合模型 - 期望 - 最大化（EM）算法，信息标准，最近的邻居方法 - 最近的邻居平滑，有效的距离计算：KD -Tree，距离测量。第四单元：加强学习和评估假设的介绍，学习任务，Q学习，非确定性奖励和行动，时间差异学习，与动态编程的关系，主动的加强学习，在增强学习中的概括。动机，抽样理论的基础：误差估计和估计二项式比例，二项式分布，估计器，偏见和差异单位V：遗传算法：动机，遗传算法：代表假设，遗传操作员，遗传操作员，适应性和选择，示例性的探索，遗传探索，遗传学探索，遗传学的探索，模型：效果，并行化遗传算法。
用于预测撞击载荷后人脑变形空间分布的多体模型
随着对脑震荡损伤的长期后果的关注日益增加，人们开始重视开发能够准确预测大脑对冲击负荷的机械响应的工具。虽然有限元模型 (FEM) 可以估计动态负荷下的大脑响应，但这些模型无法快速（几秒内）估计大脑的机械响应。在本研究中，我们开发了一个多体弹簧质量阻尼器模型，该模型可以估计大脑对围绕一个解剖轴或同时在三个正交轴上施加的旋转加速度的区域运动。总的来说，我们估计了 50% 人类大脑内 120 个位置的变形。我们发现多体模型 (MBM) 与计算的有限元响应相关，但不能精确预测（平均相对误差：18.4 6 13.1%）。我们使用机器学习 (ML) 将 MBM 的预测与负载运动学（峰值旋转加速度、峰值旋转速度）相结合，并显著减少 MBM 和 FEM 之间的差异（平均相对误差：9.8 6 7.7 %）。使用独立的运动损伤测试集，我们发现混合 ML 模型也与 FEM 的预测有很好的相关性（平均相对误差：16.4 6 10.2 %）。最后，我们使用这种混合 MBM-ML 方法来预测出现在大脑不同位置的应变，对于复杂的多轴加速度负载，平均相对误差估计范围为 8.6 % 到 25.2 %。总之，这些结果展示出一种快速且相当准确的方法，用于预测大脑对单平面和多平面输入的机械响应，并提供一种新工具来快速评估整个大脑撞击负载的后果。 [DOI: 10.1115/1.4046866]
持续更新的数字高程模型 (CUDEM) 以支持沿海洪水建模
摘要：美国国家海洋和大气管理局 (NOAA) 国家环境信息中心 (NCEI) 生成从本地到全球范围的数字高程模型 (DEM)。总的来说，这些 DEM 对于确定沿海洪水的时间和范围以及改善社区准备、事件预报和预警系统至关重要。我们在 NCEI 启动了一个综合框架，即持续更新 DEM (CUDEM) 计划，其中包含无缝裸地、地形测深和测深 DEM，涵盖整个美国 (U.S.) 大西洋和墨西哥湾沿岸、夏威夷、美国领土和美国太平洋沿岸的部分地区。CUDEM 是目前公共领域中分辨率最高的整个美国大西洋和墨西哥湾沿岸的无缝描绘；沿海地形测深 DEM 的空间分辨率为 1/9 弧秒（~3 米），而离岸测深 DEM 则粗化为 1/3 弧秒（~10 米）。我们使用 NASA 的先进地形激光测高系统 (ATLAS) 仪器（该仪器安装在冰、云和陆地高程卫星 2 (ICESat-2) 观测站上）独立验证了 CUDEM 的陆地部分，并计算出相应的垂直平均偏差误差为 0.12 米 ± 0.75 米（一个标准差），总体 RMSE 为 0.76 米。我们使用免费开源软件 (FOSS) 通过标准化流程生成 CUDEM，并提供对我们代码存储库的开放访问。CUDEM 框架由系统化的平铺地理范围、空间分辨率以及水平和垂直基准组成，以便使用新的数据集合快速更新目标区域，尤其是风暴和海啸事件后。CUDEM 框架还能够将本地规模 DEM 中采集的高分辨率数据集合快速整合到 NOAA NCEI 的区域和全球 DEM 套件中。未来的研究工作将侧重于生成其他数据产品，例如空间明确的垂直误差估计和形态变化计算，以增强 CUDEM 计划的实用性和科学效益。
统计调查标准和指南 | SAMHSA
统计调查标准列表 第 1 部分 概念、方法和设计的制定 调查规划标准 1.1： 发起新调查或对现有调查进行重大修订的机构必须制定书面计划，阐明理由，包括：目标和目的；潜在用户；调查旨在告知的决策；关键的调查估计值；估计值所需的精度（例如，需要检测的差异大小）；为决策和其他用途提供信息的制表和分析结果；相关和以前的调查；为防止与其他信息来源不必要重复而采取的措施；用户何时以及多久需要一次数据；以及制表、机密微观数据和公共使用数据文件中所需的详细程度。调查设计标准 1.2：机构必须制定调查设计，包括确定目标人群、设计抽样计划、指定数据收集工具和方法、制定切合实际的时间表和成本估算，以及使用普遍接受的统计方法（例如，可以提供抽样误差估计的概率方法）选择样本。任何非概率抽样方法（例如，截止或基于模型的样本）的使用都必须经过统计证明，并且能够测量估计误差。样本的大小和设计必须反映制表和其他数据产品所需的详细程度，以及关键估计所需的精度。这些活动和由此做出的决定的记录都必须保留在项目文件中以供记录使用（参见标准 7.3 和 7.4）。调查回复率标准 1.3：机构必须设计调查，以实现最高的实际回复率，与调查用途的重要性、受访者负担和数据收集成本相称，以确保调查结果代表目标人群，以便可以放心地用于决策。当单位或项目回复率或其他因素表明可能出现偏差时，必须进行无响应偏差分析。预测试调查系统标准 1.4：机构必须确保调查的所有组成部分在全面调查中实施时按预期运行，并通过对调查组成部分进行预测试或在之前的场合成功部署调查组成部分来控制测量误差。第 2 部分 数据收集 开发抽样框架标准 2.1：机构必须确保计划的抽样调查或人口普查的框架适合研究设计，并根据目标人群进行质量评估。
统计调查的标准和指南 | SAMHSA
第 1 部分 概念、方法和设计的开发调查规划标准 1.1：启动新调查或对现有调查进行重大修订的机构必须制定书面计划，阐明理由，包括：目标和目的；潜在用户；调查旨在告知的决策；关键的调查估计值；估计值所需的精度（例如，需要检测到的差异大小）；为决策和其他用途提供信息的制表和分析结果；相关和以前的调查；为避免与其他信息来源不必要重复而采取的步骤；用户何时以及多久需要一次数据；以及制表、机密微观数据和公共使用数据文件所需的详细程度。调查设计标准 1.2：机构必须制定调查设计，包括确定目标人群、设计抽样计划、指定数据收集工具和方法、制定切合实际的时间表和成本估算，以及使用普遍接受的统计方法（例如，可以提供抽样误差估计的概率方法）选择样本。任何非概率抽样方法（例如，截止样本或基于模型的样本）的使用都必须有统计依据，并能够测量估计误差。样本的大小和设计必须反映制表和其他数据产品所需的详细程度，以及关键估计数所需的精度。这些活动和由此产生的决策的记录都必须保存在项目文件中以供记录使用（见标准 7.3 和 7.4）。调查回复率标准 1.3：机构必须设计调查以实现最高的实际回复率，与调查用途、受访者负担和数据收集成本的重要性相称，确保调查结果代表目标人群，从而可以放心地用于决策。当单位或项目回复率或其他因素表明可能出现偏差时，必须进行无响应偏差分析。预测试调查系统标准 1.4：机构必须确保调查的所有组成部分在全面调查中按预期发挥作用，并通过对调查组成部分进行预测试或在之前成功地部署调查组成部分来控制测量误差。第 2 部分数据收集开发抽样框架标准 2.1：机构必须确保计划的抽样调查或普查的框架适合研究设计，并根据目标人群进行质量评估。
Massimo Silvetti
第IX部分 - 出版物的精选出版物清单（过去10年）。注意：这是一个选定的列表，不包括过去10年以来国际期刊中的所有出版物。1。Silvetti，M*。，Lasaponara，S.，Daddaoua，N.，Horan，M。，＆Gottlieb，J。（2023）。执行功能和信息需求的强化元学习框架。神经网络，157，103-113。如果（2022）：9.66 2。Doricchi，F.，Lasaponara，S.，Pazzaglia，M。，＆Silvetti，M。（2022）。左右颞顶点连接（TPJ）作为“匹配/不匹配”享乐机器：TPJ功能的统一帐户。生命评论物理学，42，56-92。如果（2022）：9.83 3。Goris，J.，Silvetti，M.，Verguts，T.，Wiersema，J.R.，Brass，M。，＆Braem，S。（2021）。自闭症特征与尽管自适应学习率一项动荡的奖励学习任务中的表现较差。自闭症，25（2），440-451。如果（2020）：5.689 4。Caligiore，D.，Silvetti*，M.，D'Amelio，M.，Puglisi-Allegra，S。，＆Baldassarre，G。（2020）。在平序前阶段，老年痴呆症患者症中儿茶酚胺功能障碍的计算建模。阿尔茨海默氏病杂志，（77）1，275-290。如果（2020）：4.472 5。Silvetti*，M.，Vassena，E.，Abrahamse，E。，＆Verguts，T。（2018）。 背扣带回脑系统作为增强元学习器。 PLOS计算生物学，14（8），E1006370。 if（2018）：4.428 6。 Holroyd，C。B.，Ribas-Fernandes，J.J.，Shahnazian，D.，Silvetti，M。，＆Verguts，T。（2018）。Silvetti*，M.，Vassena，E.，Abrahamse，E。，＆Verguts，T。（2018）。背扣带回脑系统作为增强元学习器。PLOS计算生物学，14（8），E1006370。if（2018）：4.428 6。Holroyd，C。B.，Ribas-Fernandes，J.J.，Shahnazian，D.，Silvetti，M。，＆Verguts，T。（2018）。人类中型皮层编码任务进度的分布式表示。国家科学院的会议记录，115（25），6398-6403。if（2018）：9.58 7。Silvetti，M.，Lasaponara，S.，Lecce，F.，Dragone，A.，Macaluso，E。，＆Doricchi，F。（2016）。左侧腹侧注意系统对无效靶标的反应及其对空间疏忽综合征的影响：多变量fMRI研究。大脑皮层，26（12），4551-4562。if（2016）：6.559 8。Verguts，T.，Vassena，E。和Silvetti，M。（2015）。对认知和身体任务的自适应努力投资：神经计算模型。行为神经科学中的边界，9，57。if（2015）：3.392 9。E.在奖励预测，结果和选择中分离ACC和VMPFC的贡献。Neuropsychologia，59，112-123。if（2014）：3.302 10。E.重叠的神经系统代表认知工作和奖励预期。PLOS ONE，9（3），E91008。 if（2014）：3.234 11。 Silvetti*，M.，Alexander，W.，Verguts，T。，＆Brown，J。W.（2014）。 从冲突管理到基于奖励的决策：灵长类动物内侧皮层中的演员和评论家。 神经科学与生物行为评论，46，44-57。 if（2014）：8.802 12。 Silvetti*，M.，Castellar，E。N.，Roger，C。，＆Verguts，T。（2014）。 Neuroimage，84，376-382。 if（2014）：6.357 13。PLOS ONE，9（3），E91008。if（2014）：3.234 11。Silvetti*，M.，Alexander，W.，Verguts，T。，＆Brown，J。W.（2014）。 从冲突管理到基于奖励的决策：灵长类动物内侧皮层中的演员和评论家。 神经科学与生物行为评论，46，44-57。 if（2014）：8.802 12。 Silvetti*，M.，Castellar，E。N.，Roger，C。，＆Verguts，T。（2014）。 Neuroimage，84，376-382。 if（2014）：6.357 13。Silvetti*，M.，Alexander，W.，Verguts，T。，＆Brown，J。W.（2014）。从冲突管理到基于奖励的决策：灵长类动物内侧皮层中的演员和评论家。神经科学与生物行为评论，46，44-57。if（2014）：8.802 12。Silvetti*，M.，Castellar，E。N.，Roger，C。，＆Verguts，T。（2014）。Neuroimage，84，376-382。if（2014）：6.357 13。奖励人体内侧皮层中的预期和预测错误：一项脑电图研究。Silvetti*，M.，Seurinck，R.，Van Bochove，M。，＆Verguts，T。（2013）。 去甲肾上腺素系统对神经可塑性的最佳控制的影响。 行为神经科学中的边界，7，160。 if（2013）：4.16 14。 Silvetti*，M.，Wiersema，J.R.，Sonuga-Barke，E。，＆Verguts，T。（2013）。 内侧额叶皮质中的不足增强学习是多巴胺相关动机缺陷的模型。 神经网络，46，199-209。 if（2013）：2.076 15。 Silvetti*，M.，Seurinck，R。，＆Verguts，T。（2013）。 的价值和预测误差估计是ACC中波动率效应的说明：基于模型的fMRI研究。 Cortex，49（6），1627-1635。 if（2013）：6.042Silvetti*，M.，Seurinck，R.，Van Bochove，M。，＆Verguts，T。（2013）。去甲肾上腺素系统对神经可塑性的最佳控制的影响。行为神经科学中的边界，7，160。if（2013）：4.16 14。Silvetti*，M.，Wiersema，J.R.，Sonuga-Barke，E。，＆Verguts，T。（2013）。内侧额叶皮质中的不足增强学习是多巴胺相关动机缺陷的模型。神经网络，46，199-209。if（2013）：2.076 15。Silvetti*，M.，Seurinck，R。，＆Verguts，T。（2013）。的价值和预测误差估计是ACC中波动率效应的说明：基于模型的fMRI研究。Cortex，49（6），1627-1635。if（2013）：6.042