XiaoMi-AI文件搜索系统
World File Search System输入变量
基于灰狼优化的隧道工程围岩挤压分类改进概率神经网络算法
围岩挤压变形是隧道工程中常见且突出的病害，常在TBM掘进过程中诱发盾构卡洞灾害。本文基于139组历史挤压变形案例，建立了混合PCA-IWGO-PNN挤压分类模型。根据挤压变形的影响因素及特点，选取强度应力比、隧道埋深、隧道等效直径、岩体质量指数、支护刚度等建立挤压程度预测指标体系。由于概率神经网络（PNN）要求输入变量独立，因此采用主成分分析（PCA）对原始数据进行预处理，消除预测指标间的相关性并实现降维。扩展系数是PNN中关键的超参数，采用改进的灰狼优化（IGWO）算法实现其高效的自动寻优。然后，将PNN模型应用于工程实际，20个试验样本中仅有1个误判，预测精度达到95%。最后，与人工神经网络（ANN）模型、支持向量机（SVM）模型、随机森林（RF）模型进行对比分析，其中PNN模型的预测精度最高，其次是人工神经网络（85%）、RF（85%）、SVM（80%）。此外，PNN模型的运行速度最快，仅耗时5.6350 s，而ANN、SVM、RF的运行时间分别为8.8340、6.2290、6.9260 s。本研究提出的混合PCA-IWGO-PNN模型为围岩挤压分类提供了一种有效的方法，在预测精度和运行速度方面均具有优势。
semdeep：具有深神网络和机器学习的结构方程建模
lundberg＆Lee（2017）提出了一种统一的方法，以应用局部解释性（单个样本中单个变量的可变分配）和全局解释性（整个模型的可变概述），通过应用Shapley（1953）提出的游戏理论的收益原理的公平分布，通过应用收益原理的公平分布。现在称为Shap（Shapley添加说明），该建议的框架解释了ML模型的预测，其中输入变量代替了玩家，并且使用Shapley值来衡量它们对特定预测的贡献。连续地，Redell（2019）提出了一个度量标准，该指标将Shapley值的添加特性与Gelman（2018）的R平方（R2）的鲁棒性相结合，以产生一个方差分解，以准确地将每个变量对模型的探索功率的贡献进行贡献。我们还使用签名的R2，以表示与线性SEM一致的连接的调节，因为DAG中的边缘表示节点调节（如果阳性；如果抑制，如果为阴性）。使用符号（beta）（即，来自输入节点上的输出节点的线性模型（LM）拟合的系数估计值）的符号已被重新覆盖。此外，为了确定节点调节相对于DAG的局部意义，可以通过将其输入节点的ShapleyR2求和来计算每个结果节点的R-squared值的塑形分解（r = 1，...，...，r）。因此，该函数使用进度条来检查每个观察值的内核形状评估的进度。最后，应该注意的是，计算内核形状值所需的操作本质上是耗时的，计算时间与预测变量数量和观测值的数量成正比。
气候变化如何影响格陵兰冰盖表面的质量平衡？
摘要。鉴于冰盖的响应时间较长，对格陵兰冰盖的模拟通常超出了可用的输入气候数据，因此无法可靠地模拟地表质量平衡背后的快速过程。众所周知，强反馈过程会使质量平衡对年际和年内变化敏感。即使使用气候模型进行模拟，也并不总能覆盖整个感兴趣的时期，这促使我们使用相对粗糙的气候重建或时间插值方法来弥补这些差距。然而，这两种方法通常只提供气候平均值的信息，而不提供变化信息。我们使用 BErgen 雪模拟器研究这种简化如何影响地表质量平衡。该模型使用相同的大气气候学但不同的合成变化运行了长达 500 年。虽然年际变化对格陵兰冰盖表面质量平衡的影响不到 5%，但如果使用每日气候学而忽略年内变化，则会导致质量平衡发生 40% 的变化。将总体影响分解为不同输入变量的贡献，最大的贡献者是降水，其次是温度。使用每日气候学，每天少量的降雪会高估反照率，从而高估表面质量平衡 (SMB)。我们提出了一种修正方法，重新捕捉间歇性降水的影响，将 SMB 的高估降低到 15%-25%。我们得出结论，格陵兰岛表面质量和能量平衡的模拟应该在瞬态气候下进行，特别是对于使用瞬态数据校准的模型。
基于大脑激活和上下文信息的驾驶员转弯意图识别模型
像在路口转弯这样的交通状况注定会出现安全关键情况和事故。人为错误是这些情况下发生事故的主要原因之一。识别驾驶员转弯意图的模型可以通过在危险转弯操作之前警告驾驶员或停车来帮助减少事故。大多数旨在预测驾驶员转弯意图概率的模型仅使用上下文信息，例如间隙大小或等待时间。本研究的目的是调查上下文信息和大脑激活测量的结合是否能增强转弯意图的识别。我们进行了驾驶模拟器研究，同时使用高密度 fNIRS 测量大脑激活。在 fNIRS 和上下文数据上训练了转弯意图识别的神经网络模型。使用 SHAP（SHapley Additive exPlanations）特征重要性分析对输入变量进行了分析，以显示包含大脑激活数据的积极影响。模型评估和特征重要性分析都表明，上下文信息和大脑激活的结合可以改善转弯意图识别。 fNIRS 结果显示，在执行转弯之前的“转弯”决策阶段，左侧运动皮层部分（例如初级运动皮层 (PMC；假定的 BA 4)、运动前区 (PMA；假定的 BA 6) 和辅助运动区 (SMA；假定的 BA 8）的大脑激活差异有所增加。此外，我们还观察到左侧前额叶区域的激活差异有所增加，可能位于左侧中额叶回 (假定的 BA 9)，这与决策和行动计划等执行功能的控制有关。我们假设大脑激活测量可能是一种更直接的指标，对转弯行为具有潜在的高特异性，从而有助于提高识别模型的性能。
Alexandre de Moor
过去几十年来深度学习技术的发展和改进为高能物理学的算法方法创造了新的机会。尤其是，深度学习导致了算法识别算法的性能的显着进步，当在孔子大型强子撞机（例如cern the Cern the Colling collider）中产生时，由夸克或gluon碎片形成的结构。在本博士学位论文中，我们着重于深度学习方法，以增强CMS实验中喷气风味识别算法的性能。我们旨在通过改善模型鲁棒性来扩展其功能，以应对可能应用于算法使用的变量的变化。此外，通过扩展其最初的任务，我们为将来的研究带来了新的机会。首先，我们在创建保持喷气机结构的深神经网络的背景下探索变压器体系结构。我们建立了两个模型，其性能和计算成本为现场设定了新的最新技术。第二，我们基于对抗性攻击引入了一种数据不足的训练方法，从而提高了模型的稳健性，以防止输入变量的分布变化。增强鲁棒性对于改善校准后的模型性能是必要的。最后，我们成功地扩展了算法的任务以识别Hadronic Taus并估计喷气能量校正和分辨率。此外，我们介绍了奇怪喷气机的识别，这是LHC实验的第一个。最终，这项博士学位的工作导致创建了一类新的模型，具有改进的建筑，培训方法以及人工神经网络可能实现的范围的扩大范围。最终的模型（称为Upart）是LHC的CMS实验的JET识别的最新模型。通过源自奇怪夸克的喷气机的识别是LHC的第一个，一旦校准了新模型，就可以追求针对包含这种类型喷气的最终状态的新分析。
利用神经网络发现物理概念
理论物理学与人类活动的所有领域一样，都受到发展时期流行的思想流派的影响。因此，我们所知道的物理理论不一定是解释实验数据的最简单的理论，而是最自然地遵循当时的先前理论的理论。广义相对论和量子理论都是建立在经典力学的基础上的——它们分别在非常大和非常小的受限范围内取得了令人印象深刻的成功，但从根本上来说它们是不相容的，正如黑洞信息丢失悖论 [1,2] 等悖论所反映的那样。这提出了一个有趣的问题：如果我们假设没有物理先验知识，量子物理定律和其他更普遍的物理理论是否是解释实验数据的最自然的定律？虽然这个问题在不久的将来可能不会得到解答，但人工智能的最新进展使我们朝这个方向迈出了第一步。在这里，我们研究神经网络是否可用于从实验数据中发现物理概念。以前的工作。 — 使用机器帮助发现实验数据背后的物理定律这一目标已经在多个方面得到追求（有关更详细的概述，请参阅补充材料（SM）[3]，有关最新评论，请参阅参考文献[30 – 33]）。许多早期工作集中于寻找描述给定数据集的数学表达式（例如，参见参考文献[34 – 36]）。例如，在参考文献[35]中，一种算法通过在给定输入变量的数学表达式空间中搜索，恢复了简单机械系统（如双摆）的运动定律。最近，在从实验数据中提取动力学方程方面取得了重大进展[37 – 45]。这些方法非常实用，并已成功应用于复杂的物理系统，但需要对感兴趣的系统有先验知识，例如以知道系统的基本结构是什么的形式。
建筑一体化光伏热能系统的能量和经济性分析：机器学习辅助方法和多目标遗传优化的季节动态建模
建筑一体化光伏热能 (BIPV/T) 系统为住宅建筑的发电和供暖提供了一种高效的清洁能源生产方式。因此，本文介绍了一种新型 BIPV/T 系统，以最大程度地降低住宅建筑的能耗。所提出的 BIPV/T 系统的精细设计是通过 MATLAB/Simulink ® 动态建模完成的。在不同的季节条件下对 BIPV/T 系统进行性能分析，并进行深入的技术经济分析，以估计系统热能、电气和经济性能的预期提升。此外，还进行了敏感性分析，以探讨各种因素对所提出的 BIPV/T 系统的能量和经济性能的影响。此外，还开发了两层前馈反向传播人工神经网络模型，以准确预测 BIPV/T 的每小时太阳辐射和环境温度。此外，还使用 NSGA-II 方法进行了多目标优化，以最小化 BIPV/T 电站的总面积并最大化系统的总效率和净热功率，以及估算在提供的范围内不同季节输入变量的优化运行条件。敏感性分析表明，较高的太阳通量水平会导致 BIPV/T 电站的电力输出功率增加，但由于热损失增加，总效率会降低。此外，提出的 NSGA-II 显示了一种可行的方法，可以在最小总电站面积 32.89 平方米的情况下实现最大净热功率和最佳总效率 5320 W 和 63%，并且与理想解决方案的偏差指数非常低。在最佳条件下，平准化电力成本为 0.10 美元/千瓦时。因此，这些发现为 BIPV/T 系统作为住宅应用的可持续高效能源解决方案的潜力提供了宝贵的见解。
H7通过加沙地带的饮用水，巴勒斯坦 Aero-... 中疲劳自然裂纹的定量检测 纳米标记与的非共价功能化
摘要简介：饮用水的微生物污染，特别是诸如大肠杆菌O157：H7之类的病原体是全世界的一个重大公共卫生问题，尤其是在获得加沙地带（Gaza Strip）等清洁水的地区。然而，很少有研究量化了与大肠杆菌O157：H7污染相关的疾病负担。目的：本研究旨在进行全面的定量微生物风险评估，以估计加沙饮用水中大肠杆菌O157：H7归因于大肠杆菌的年度感染风险和疾病负担。方法：应用定量微生物风险评估技术的典型四个步骤 - 危险性识别，暴露评估，剂量反应分析和风险表征 - 该研究评估了与大肠杆菌O157：H7 CONIMATION相关的微生物风险。收集了来自加沙各种来源的总共1317个水样，并分析了大肠杆菌O157：H7的存在。使用Microsoft Exceltm和@RiskTM软件，构建了定量微生物风险评估模型，以量化与大肠杆菌O157：H7污染相关的感染风险。蒙特卡洛模拟技术被用来评估围绕输入变量的不确定性，并对感染风险和疾病负担产生概率估计。结果：对水样品的分析显示，在6.9％的样品中，大肠杆菌O157：H7的存在分别为1.97、9.74和112 mpn/100 mL，在6.9％的样品中存在。风险模型估计每年每年3.21×10-01的中位感染风险，中位疾病负担为3.21×10-01每年每年的残疾调整寿命年度，大大超过了WHO设定的可接受的阈值。结论：这些发现强调了迫切需要采取积极的策略来减轻与加沙的水传播病原体相关的公共卫生风险。
模型输出的敏感性分析 - Andrea Saltelli
前言 第四届模型输出敏感性分析国际会议 (SAMO 2004) 于 2004 年 3 月 8 日至 11 日在美国新墨西哥州圣达菲举行。这是 SAMO 会议首次在美国举行。会议在 Loretto 酒店举行，事实证明这是一个举行轻松会议的绝佳场所。第一届模型输出敏感性分析国际研讨会 (SAMO) 于 1995 年在意大利贝尔吉拉特举行，由欧盟委员会联合研究中心 (JRC) 赞助。该会议由 Andrea Saltelli 组织，他召集了一小群非正式研究人员，致力于推进理解物理系统数学模拟（模型）中不确定性的方法。同一小组于 1998 年在威尼斯卡福斯卡里大学组织了第二次会议。第三次 SAMO 会议于 2001 年在西班牙马德里举行。该会议由西班牙 CIEMAT 能源环境影响部 (DIAE) 的一个小组以及马德里理工大学 (UPM) 和胡安卡洛斯国王大学 (URJC) 两所大学共同组织。SAMO 系列的主题是研究模型输入变量、参数和与数值解方法相关的因素的变化导致的模型输出变化。这次会议特别强调了量化模型预测中总体不确定性的重要性。组委会由 Scott Doebling、Ken Hanson、François Hemez、Rudy Henninger、Michael McKay 和 Kathie Womack 组成，均来自洛斯阿拉莫斯国家实验室。讨论了以下技术： • 敏感性和不确定性重要性分析的创新方法 • 计算机实验的设计和抽样计划 • 模型校准 • 模型评估和验证 • 可靠性分析和稳健性分析 • 不确定性和敏感性的概率和非概率分析 • 知识和判断建模 • 不确定性下的决策 应用领域包括经济学、工程学、环境、核安全和物理学。Kathie Womack 对组织细节的认真关注极大地促进了会议的顺利进行。统计科学组的 Vivian Romero 开发并维护了 SAMO 2004 网站。
沃利（Walleye）生产的经济模型。 ...
生产协议James A.举行的Jim Hold Consulting LLC Sun Prairie，WI简介水产养殖者正在考虑为农场饲养的角膜白斑产品提供两个具有经济意义的市场。首先，对高级指鱼尺寸的需求不断增长（> 6英寸）用于增强资源的角膜白斑导致商品规模的价格为0.25 - 0.30 /英寸或更高。第二，人们对本地养殖的食物鱼的兴趣不断增长，这促使基于更快的杂种角膜白斑（Walleye雌性X Sauger雄性）的生产策略的制定。这两个市场机会都可以融合RAS（再循环水产养殖系统）技术。在行业投资和扩张可以进行之前，应分析生产策略的经济生存能力。目的是开发灵活的经济模型，这些模型可用于确定角膜白斑和杂种鱼类生产的生产成本，以及用于库存和杂种角膜鱼类作为食物鱼的角膜白斑的成本。经济模型用户应首先下载与此叙述有关的四个Excel电子表格。仅读取文档，打开模型。虽然四个模型中的每一个都有特定的应用程序和端点，但它们以相似的方式起作用。阴影浅绿色的单元格用于用户输入。深绿色的细胞需要用户注意来调整加热成本并选择气体或电热（见下文）。输入两者的数据将导致盈亏平衡的成本膨胀。未阴影的单元格是计算值，不应更改。以其基本形式的模型根据我们的生产数据和成本注入了价值。用户被邀请检查我们的价值观并将其调整为他们的经验或期望。输入变量的变化将导致模型计算得出的收支平衡成本（黄色阴影单元）的变化。Excel电子表格已锁定，以便它们返回