XiaoMi-AI文件搜索系统
World File Search System预测误差
一种用于改进水文预报的混合物理-AI 模型
摘要：美国国家海洋和大气管理局利用国家水模型 (NWM) 为美国 270 万条河流位置开发了非常高分辨率的流量预报。然而，量化未测量位置的不确定性和预测可靠性存在相当大的挑战。提出了一种数据科学方法来应对这一挑战。分析了 2018 年 12 月至 2021 年 8 月阿拉巴马州和佐治亚州的长期每日流量预报。使用标准确定性指标在 389 个观测到的 USGS 流量测量位置对预测进行评估。接下来，使用流域的生物物理特征对预测误差进行分组，包括排水面积、土地利用、土壤类型和地形指数。NWM 预测对于较大的森林流域比较小的城镇流域更为准确。NWM 预测大大高估了城镇流域的径流量。分类和回归树分析证实了预测误差对生物物理特征的依赖性。使用生物物理特征、NWM 预测作为输入，预测误差作为输出，开发了一个由六层 [深度学习 (DL)] 组成的密集连接神经网络模型。DL 模型成功地从在测量位置训练的领域中学习了位置不变的可迁移知识，并应用学习到的模型来估计未测量位置的预测误差。对测量数据进行时间和空间分割显示，在混合 NWM-DL 模型中，捕捉到预测范围内观测值的概率 (82% 6 3%) 比仅 NWM 预测 (21% 6 1%) 显著提高。注意到 DL 模型中过度受限的 NWM 预测与增加的预测不确定性范围之间存在权衡。
什么时候发生了什么？修改后的大脑处理...
■ 情景记忆并非静态的，而是可以根据新的经验而改变，这可能使我们在不断变化的环境中做出有效的预测。最近的研究表明，记忆检索过程中的预测误差可能是此类变化的诱因。在这项研究中，我们使用了修改后的情景线索来调查不同类型的助记预测误差是否会调节大脑活动和随后的记忆表现。参与者对由短篇玩具故事组成的情景进行编码。在随后的 fMRI 会话中，向参与者展示了原始情景的视频，或略微修改后的版本。在修改后的视频中，两个后续操作步骤的顺序发生了变化，或者一个对象被替换为另一个对象。内容
神经预测和对齐的光谱理论
通过在神经网络反应和从生物系统中测得的神经网络反应进行回归，通常将神经网络的表示与生物系统的表示。许多不同的深层神经网络产生相似的神经预测，但尚不清楚如何在预测神经反应方面表现良好的模型之间进行区分。为了深入了解这一点，我们使用了一个最新的理论框架，该框架将回归的概括误差与模型和目标的光谱特性相关联。我们将该理论应用于模型激活和神经反应之间的回归情况，并根据模型特征谱，模型特征向量和神经反应的比对分解神经预测误差以及训练集的大小。使用这种分解，我们引入了几何措施来解释神经预测误差。我们测试了许多预测视觉皮层活动的深神经网络，并表明有多种类型的几何形状导致通过回归测量的神经预测误差低。这项工作表明，仔细分解代表性指标可以提供模型如何捕获神经活动的解释性，并指向改善神经活动模型的道路。
电转氢 (P2H2) 灵活性网络研讨会 - NET
短期灵活性，用于应对可再生能源的自然变化和预测误差，从几毫秒到几小时不等。 长期灵活性，用于应对持续数天到数周的风能和太阳能供应不足的情况。
在人类避免疼痛的学习过程中，不同的大脑系统支持从接受和避免的疼痛中学习
摘要 意外疼痛和意外疼痛缺失均可驱动回避学习，但它们是通过共享还是独立的神经和神经化学系统来实现这一目的在很大程度上仍不得而知。为了解决这个问题，我们将工具性疼痛回避学习任务与计算建模、功能性磁共振成像 (fMRI) 以及多巴胺能系统 (100 毫克左旋多巴) 和阿片能系统 (50 毫克纳曲酮) 的药理学操作相结合 (N = 83)。计算建模提供的证据表明，未经治疗的参与者从接受的疼痛中学到的东西比避免的疼痛中学到的更多。我们的多巴胺和阿片类药物操作通过选择性地提高避免疼痛的学习率来消除这种学习不对称。此外，我们的 fMRI 分析显示疼痛预测误差被编码在皮层下和边缘大脑区域，而无痛预测误差被编码在额叶和顶叶皮层区域。但是，我们发现药理学操作对预测误差的神经编码没有影响。总之，我们的结果表明，人类的疼痛回避学习由单独的威胁学习系统和安全学习系统支持，并且多巴胺和内源性阿片类药物专门调节从成功避免的疼痛中学习。
11 沿海海洋环境快速评估
图11.1.图11.1a 显示了对加的斯湾和直布罗陀海峡进行数据同化后，对实时多学科预报的预测温度的融合估计，图11.1b 显示了对数据同化后的预测叶绿素的融合估计，图11.1c 绘制了与图11.1a 的估计场相关的预测误差，该估计场由 ESSE 方法（Lermusiaux and Robinson，1999；Lermusiaux，1999）执行，图11.1d 描绘了根据预测和预测误差自适应设计的采样轨道，图11.1e 描绘了遥感海面温度场，图11.1f 显示了遥感 (SeaWiFS) 叶绿素场。11.1e 和 11.1f 的数据均被同化到多学科实时预报场中（图11.1a、b、c）。图11.1a、b、c、d 显示在 RR97 演习网站上。
考虑风光互补的输储联合规划方法研究
伏消纳的主要手段，在电力网中合理配置能源储存 的位置和容量，可以改变负荷和风力发电的时空特 性，进而改变电网的传输性能，解决输电线路阻塞 和过负荷的问题。文献 [7] 考虑储能和可再生能源 之间的互补性，以综合成本最低为目标构建输储规 划模型；文献 [8] 引入了一种自适应最小 - 最大 - 最小 成本模型，以找到新线路和储能的鲁棒最佳扩建规 划；文献 [9] 则从储能带来的效益出发，将商业储能 的选址、定容问题和线路扩展规划集成起来，构建 输储规划模型；文献 [10] 针对输电线路和储能系统 的综合规划，提出了一种连续时间混合随机 / 鲁棒优 化方法；文献 [11] 针对输电工程的扩建落后于风力 装机容量的发展，提出了一种考虑低压侧直供潜力 的协调规划方法；文献 [12] 总结了能源互联网的基 本概念和特点，对其基本结构框架进行了详细分 析，通过高通滤波的控制策略来平抑新能源功率的 波动；文献 [13] 提出依据风电预测误差，利用储能的 快速调节能力，提出考虑预测误差的储能控制策 略，从而进行平抑风电功率波动；文献 [14] 研究了多 区域电力系统储能优化配置问题，采用迭代算法将 原问题进行分解为多个子系统储能配置问题；文献 [15] 综合考虑多种经济因素，为追求最低经济成本， 建立一种分阶段的输储规划模型。需要指出的是， 输电网络约束的引入增加了输储规划模型的求解 难度，并且现有的输储协同规划研究主要集中于储 能和线路的扩建，考虑风光互补的输储联合规划的 研究很少。 面对大规模风光并网的输电网规划问题，本文 首先综合考虑风光互补特性和储能的运行特性，进 行输电线路规划，使储能成本、年弃风弃光成本和 输电线路成本最小化，其次提出 3 个评价指标来评
预测学习塑造了人类大脑的表征几何
1 德国图宾根大学赫蒂临床脑研究所神经动力学和脑磁图系 2 德国图宾根大学综合神经科学中心 3 德国图宾根大学 MEG 中心 4 德国图宾根德国精神健康中心 (DZPG) 5 德国图宾根大学慕尼黑亥姆霍兹中心 IDM/fMEG 中心 6 德国图宾根德国糖尿病研究中心 (DZD) 7 德国图宾根大学医院内科 IV 系 8 德国图宾根大学药学和生物化学系 9 美国明尼苏达大学共济会发育脑研究所 (MIDB) * 通讯作者：Markus Siegel (markus.siegel@uni-tuebingen.de) 和 Antonino Greco (antonino.greco@uni-tuebingen.de) 预测编码理论提出大脑不断更新其内部世界模型，以尽量减少预测误差并优化感官处理。然而，将预测误差编码与感官表征优化联系起来的神经机制仍不清楚。在这里，我们提供了预测学习如何塑造人类大脑表征几何的直接证据。我们在聆听不同规律性水平的声音序列的人类参与者中记录了脑磁图 (MEG)。表征相似性分析揭示了大脑如何通过学习，通过对时间连续和可预测刺激的表征进行聚类，使其表征几何与感官输入的统计结构相匹配。至关重要的是，我们发现在感官区域中，表征转变的幅度与预测误差的编码强度相关。此外，使用部分信息分解我们发现，预测误差由高级联想和感官区域的协同网络处理。重要的是，精度误差的协同编码强度可以预测学习过程中表征对齐的幅度。我们的研究结果证明，参与预测处理的大规模神经相互作用会调节感觉区域的表征内容，这可能会提高响应环境统计规律的感知处理的效率。
11 沿海海洋环境快速评估
图11.1.图11.1a 显示了对加的斯湾和直布罗陀海峡进行数据同化后，对实时多学科预报的预测温度的融合估计，图11.1b 显示了对数据同化后的预测叶绿素的融合估计，图11.1c 绘制了与图11.1a 的估计场相关的预测误差，该估计场由 ESSE 方法（Lermusiaux and Robinson，1999；Lermusiaux，1999）执行，图11.1d 描绘了根据预测和预测误差自适应设计的采样轨道，图11.1e 描绘了遥感海面温度场，图11.1f 显示了遥感 (SeaWiFS) 叶绿素场。11.1e 和 11.1f 的数据均被同化到多学科实时预报场中（图11.1a、b、c）。图11.1a、b、c、d 显示在 RR97 演习网站上。
预测性编码I：简介
预测性编码 - 有时也称为“预测处理”，“自由能最小化”或“预测误差最小化” - 声称提供完整的，统一的认知理论，从细胞生物学到现象学一直延伸。但是，观点的确切内容及其如何实现其野心尚不清楚。本系列文章研究了预测性编码，并试图确定其关键承诺和理由。本文首先关注与预测编码的可能混杂：通常通过预测编码确定但不是预测性编码的主张。这些包括大脑采用有效的方案来编码其传入的感觉信号的想法；这种感知经验是由先前的信念塑造的。这种认知涉及最小化预测误差。大脑是概率的推理引擎；并且大脑学习并采用了世界的生成模型。这些想法在现代认知神经科学方面获得了广泛的支持，但重要的是不要将它们与预测性编码混为一谈。