XiaoMi-AI文件搜索系统
World File Search System预测算法
使用基于代理的建模和危险识别分析数据驱动的预测飞机维护的新挑战
摘要：机载传感器监控和数据驱动算法的使用日益增多，刺激了最近向数据驱动的飞机预测性维护的转变。本文讨论了数据驱动的预测性飞机维护面临的新挑战。我们通过与维护专家小组进行的结构化头脑风暴，确定了将数据驱动技术引入飞机维护所带来的新危害。此次头脑风暴由先前将飞机维护过程建模为基于代理的模型来促进。结果，我们确定了 20 个与数据驱动的预测性飞机维护相关的危害。我们根据 2008 年至 2013 年期间发生的与维护相关的飞机事故验证了这些危险。根据我们的研究结果，数据驱动的预测性维护面临的主要挑战是：(i) 提高状态监测系统和诊断/预测算法的可靠性，(ii) 确保代理之间及时准确的沟通，以及 (iii) 建立利益相关者对新数据驱动技术的信任。
基于 KPLS 的多模风洞流动系统马赫数预测
摘要：风洞中需要对马赫数进行精确监测与控制，而直接在线获取马赫数非常困难，尤其当风洞系统处于多模态时。针对这一问题，提出了一种基于核偏最小二乘法的针对多模态风洞系统的马赫数预测算法。首先，为了反映实时变化，采用时间片偏最小二乘回归方法；然后，为了使模型能够代表除以关键过程变量后的整个工作模式的信息，建立了均值偏最小二乘模型，并与时间片模型进行了比较；然后，考虑到风洞系统具有较强的非线性特性，采用适用于非线性系统的核偏最小二乘法对马赫数进行预测。结果表明：均值模型优于时间片模型，单模态模型的预测能力优于多模态模型，核偏最小二乘法比偏最小二乘法更适用于风洞系统。
动物和怀疑的农作物串，环境，…
课程单元目录1。序列分析 - 了解DNA序列，序列相似性，身份和同源性的基本概念，数据库搜索：BLAST，FASTA，FASTA和其他序列分析工具分配同源性。底漆设计，PCR和Sanger序列分析。2。转录组分析 - RNA-seq数据分析中的概念：数据预处理和数据处理步骤：映射算法，例如BWA和BOWTIE2；使用RNA-seq数据，统计方法，各种平台的相对优点进行差异基因表达分析。下游验证的底漆设计。从RNA-seq数据中测量基因，lncRNA，siRNA。3。微生物组分析-16S rRNA数据分析，基于比对的聚类/系统发育树，基于组成的聚类。基于数据库，主组件分析和其他聚类工具的注释。4。SNP分析 - 靶基因或整个基因组，基因预测算法，变体的鉴定 - SNP/SNV的鉴定。基因组广泛关联研究背后的概念。介绍各种
对比特币算法交易的机器学习模型的全面分析
摘要 - 这项研究评估了41个机器学习模型的性能，包括21个分类器和20个回归器，以预测算法交易的比特币价格。通过在各种市场条件下检查这些模型，我们强调了它们的准确性，鲁棒性和对挥发性加密市场的适应性。我们的全面分析揭示了每个模型的优势和局限性，为制定有效的交易策略提供了关键的见解。我们使用机器学习指标（例如，平均绝对误差，根平方错误）和交易指标（例如，损益百分比，Sharpe比率）来评估模型性能。我们的评估包括对历史数据进行回测，对最新看不见的数据的前瞻性测试以及现实世界的交易方案，以确保我们的模型的鲁棒性和实际适用性。关键发现表明，某些模型，例如随机森林和随机梯度下降，在利润和风险管理方面都优于其他模型。这些见解为旨在利用机器学习进行加密货币交易的贸易商和研究人员提供了宝贵的指导。
AI引领食品行业供应链优化
地球上没有比食品和农业更大的产业了。事实上，世界银行估计，食品和农业约占全球 GDP（国内生产总值）的 10%。尽管拥有庞大的客户群，但食品行业在生产、需求和消费趋势带来的监管方面仍面临着前所未有的挑战。由于人类的参与，食品行业无法维持供需链，食品安全也存在问题。为了克服食品行业的这些问题，工业自动化是最好的解决方案。自动化完全基于人工智能 (AI) 或机器学习 (ML) 或深度学习 (DL) 算法。人工智能与数据科学可以通过利用不同的销售预测算法来提高产量，从而提高餐馆、咖啡馆、在线配送食品连锁店、酒店和食品店的质量。人工智能（AI）是 20 世纪 50 年代计算机科学家提出的激进概念，在我们的日常生活中有着广泛的应用。人工智能旨在学习人类的认知能力并最终超越它们。目前，大多数 AI 模型依赖于受人脑启发的深度神经网络，它接收大量原始数据并期望结果并学习两者之间的关系。
单细胞转录组学揭示了细胞层次结构和1
抽象动机：识别抗原表位在医疗应用中至关重要，例如免疫诊断试剂发现，疫苗设计和药物开发。计算方法可以补充低吞吐量，耗时和代价高昂的表位实验确定。当前可用的预测方法在预测表位上具有适度的成功，这限制了其适用性。表位预测可能会使多个表位位于相同的抗原上，并且完全不可用的实验数据更加复杂。结果：在这里，我们介绍了抗原表位预测程序ISPIPAB，该程序结合了来自两种基于特征方法的信息和一种基于对接的方法。我们证明，ISPIPAB的表现优于其每个分类器以及其他最先进的方法，包括专门为表位预测设计的方法。通过将预测算法与层次聚类相结合，我们表明我们可以有效捕获与可用的实验数据一致的表位，同时还揭示了未来实验研究的其他新颖目标。联系人：raji@yu.edu补充信息：可通过BioInformatics在线获得补充数据。
特征转化，用于1型糖尿病患者的有效血糖预测
摘要：一种代谢性疾病糖尿病，使身体失去对血糖调节的控制。随着自我监控系统的最新进展，患者可以访问其个性化的血糖预科，并可以利用它来对未来血糖水平的有效预测。有效的糖尿病管理系统要求对血糖水平进行准确的估计，除了使用适当的预测算法之外，该系统还取决于歧视性数据表示。在这项研究工作中，提出了将基于事件的数据转换为判别连续特征。此外，开发了多层长期短期记忆（LSTM）的复发性神经网络，用于预测1型糖尿病患者的血糖水平。该提出的方法用于预测30和60分钟的预测范围。使用俄亥俄T1DM数据集评估了三名患者的结果。所提出的方案的预测范围分别为30分钟和60分钟的最低RMSE评分为14.76 mg/dl和25.48 mg/dl。建议的方法可以在闭环系统中使用，以精确的胰岛素递送至1型患者，以获得更好的血糖控制。
6 CarePre：智能临床决策辅助系统
临床决策支持系统被广泛用于协助医疗决策。然而，临床决策支持系统通常需要手动整理的规则和其他难以维护和更新的数据。最近的系统利用先进的深度学习技术和电子健康记录来提供更及时和准确的结果。这些技术中的许多都是以预测即将发生的医疗事件为共同重点而开发的。然而，尽管这些方法的预测结果很有希望，但它们的价值却因缺乏可解释性而受到限制。为了应对这一挑战，我们推出了智能临床决策辅助系统 CarePre。该系统扩展了最先进的深度学习模型，可根据焦点患者的历史病历预测即将发生的诊断事件。该系统包括一个交互式框架以及直观的可视化效果，旨在支持诊断、治疗结果分析和分析结果的解释。我们通过报告预测算法的数量评估、两个案例研究以及对高级医生和肺病专家的访谈结果来证明 CarePre 系统的有效性和实用性。
物联网（IoT）基于风能收获的机器学习技术
摘要 - 物联网（IOT）是可再生能源研究的重要途径，尤其是在增强风车性能，降低风能成本以及减轻风能风险的方面。本文集中于利用物联网评估风能和太阳能以及估计模块寿命。物联网已改进了评估方法，监视精度和产品测试，绿色能源中的电力网络可靠性和库存管理影响。预测绿色能源输出至关重要，但由于风速爆发而具有挑战性。机器学习（ML）技术用于预测基于风能的电力输出，并对预测方法进行比较评估。物联网技术和算法可实现能源消耗预测，得出更准确的预测和较低的均方根误差（RMSE）。准确的气象预测至关重要，在绿色能源部门中，需要对真实风力发电机数据进行预测模型。该研究旨在开发用于精确预测的技术，重点是针对光伏系统的全面风预测算法。各种ML技术和绿色能源预测软件在这项工作中的准确性评估。
此处填写职位名称 - 美国海军研究实验室
电磁学：开发新的计算电磁预测算法和软件实现，以提高预测精度和速度。使用先进的数值方法设计和分析新的天线概念。设计、建造、测试和应用新天线。 自适应信号处理：分析自适应处理的新概念，包括干扰消除、时空自适应处理和自适应滤波。设计和建立实验系统并进行现场测试。 雷达系统设计和分析：开发计算机模型来预测新雷达概念的性能，包括环境建模、开发精确的硬件模型、确定需求和评估技术性能。设计和建立实验系统并进行现场测试。 先进的雷达技术：分布式雷达、MIMO 技术、自动目标识别、电子防护、合成孔径雷达 (SAR)、逆合成孔径雷达 (ISAR) 和 AI/ML 的应用。 软件：为实验性射频传感系统和子系统开发软件。应用可能包括数字信号处理、模拟、数据采集、显示、可视化、跟踪和系统控制。 数字和射频设计：使用最新的 DSP 技术（包括 FPGA 和可编程处理器）开发先进的信号处理系统，并将其应用于实验和操作雷达。