XiaoMi-AI文件搜索系统
World File Search System预测误差
数据驱动轨迹不确定性...
高效的轨迹预测工具将成为未来基于轨迹的运营 (TBO) 的关键功能。除了控制器操作之外，爬升飞行中的不确定性是飞行轨迹预测误差的主要组成部分。由于运营问题，飞机起飞重量和爬升速度意图（定义爬升曲线的关键性能参数）并不完全适用于基于回合的轨迹预测基础设施。在空中交通流量管理范围内，扇区进入和退出时间（包括爬升结束和下降开始的时间）是需求容量平衡过程的主要输入。在这项工作中，我们专注于爬升轨迹的不确定性，以量化和分析它们对爬升到巡航高度的时间的影响。我们通过飞机飞行记录数据集（即QAR）使用了模型驱动的数据统计方法。分析结果为飞机起飞重量和速度意图生成了概率定义。获得了这些爬升参数与飞行距离之间的回归，以减少战略层面的不确定性。此外，通过自适应不确定性减少来降低爬升不确定性也在飞行战术层面得到证明。通过模拟，说明了降低飞机质量不确定性对爬升时间的影响。关键词：空中交通管理、轨迹预测、不确定性量化、BADA 缩写
带移动储能系统和离线控制光伏系统的配电网优化调度策略，以最大限度地减少太阳能弃光
摘要：由于离线控制光伏 (PV) 电站不具备在线通信和远程控制系统，因此无法实时调节功率。因此，在离线控制光伏饱和的配电网中，配电系统运营商 (DSO) 应考虑可再生能源的不确定性来调度分布式能源 (DER)，以防止因过压而导致的限电。本文提出了一种使用移动储能系统 (MESS) 和离线控制光伏的日前网络运行策略，以最大限度地减少功率削减。MESS 模型有效地考虑了 MESS 的运输时间和功率损耗，并模拟了各种操作模式，例如充电、放电、空闲和移动模式。优化问题基于混合整数线性规划 (MILP) 制定，考虑到 MESS 的空间和时间操作约束，并使用机会约束最优潮流 (CC-OPF) 执行。离线控制光伏的上限基于概率方法设定，从而减轻由于预测误差导致的过电压。所提出的运行策略在 IEEE 33 节点配电系统和 15 节点运输系统中进行了测试。测试结果证明了所提出方法在离线控制光伏系统中最小化限电的有效性。
研究变分量子算法的可训练性
量子计算因其具有彻底改变计算能力的潜力而备受关注，随着它的出现，各种子领域的众多应用也应运而生。其中一个特别的子领域是量子神经网络 (QNN)，它建立在流行且成功的经典对应物之上。QNN 通过利用量子信息中的量子力学原理和概念提供了一种替代方法。本论文项目研究变分量子算法作为量子神经网络的可训练性。具体而言，研究了用于天线倾斜优化用例的量子神经网络假设。QNN 架构在强化学习数据集上进行了测试，当仅实施单层时，其预测误差较低。此外，通过参数初始化技术检查了荒芜高原 (BP) 现象，该技术并没有改善模型的性能，因为添加了 QNN 的多层。最后，研究了训练数据集的结构，其中考虑了初始纠缠、线性独立性和正交性。研究发现，可控的纠缠量是有利的，没有纠缠或过多的纠缠会对模型的性能产生不利影响，而线性独立性和正交性的重要性高度依赖于数据集，线性独立性显示出进一步减少所需训练数据集大小的潜力。
2023 财年方法报告 - 预算部门 - NY.gov
预算司 (DOB 或 Division) 的经济、收入和支出方法补充了《行政预算和季度更新》中提出的经济、税收和支出预测的详细预测。本卷的目的是提供有关用于生成 2024 财年行政预算中包含的主要收据和支出来源的估算的方法和模型的背景信息。DOB 的预测方法利用复杂的计量经济模型，辅以经济专家小组的意见，以及对经济、收入和支出数据的全面审查，以形成多年季度经济、收入和支出变化预测。支出方面分析旨在提供有关用于生成预算中包含的多个主要计划领域的支出估算的方法和分析的背景信息，并旨在提高州支出预测的呈现和透明度。这些方法论说明了支出预测是多种因素和信息来源的产物，包括过去的业绩和趋势、行政约束、州政府机构工作人员的专业判断以及有关州经济分析和预测的信息，特别是在支出趋势对经济状况变化敏感的情况下。预测误差的来源无论使用的方法多么复杂，所有预测都可能出错。为此，我们首先重新
使用物联网数据的网络物理系统中的传感器可靠性：回顾与案例研究
摘要：如今，传感器的可靠性是物联网数据在汽车和制造业等关键新兴领域广泛应用的最重要挑战之一。本文简要回顾了欧洲主要的研究和创新行动，以及一些正在进行的与信息物理系统 (CPS) 中的传感器可靠性相关的研究。本文报告的研究还侧重于设计一种用于评估信息物理系统中物联网传感器可靠性的程序。本文还展示了汽车行业自动驾驶场景中传感器可靠性评估案例研究的结果。设计了一个协同仿真框架，以实现虚拟和真实传感器之间的实时交互。案例研究包括基于物联网 LiDAR 的协作地图，以评估基于 CPS 的协同仿真框架。具体来说，所选的传感器是具有物联网附加功能的 Ibeo Lux 4 层 LiDAR 传感器。使用机器学习方法预测误差的建模库在本地级别实现，基于 Q 学习的决策自学习程序在全局级别运行。使用模拟和真实数据介绍了支持联合仿真框架实验评估的研究。结果证明了所提出的方法对于使用
使用各种机器学习算法评估电力需求预测
能源部门在很大程度上依赖于电力负载预测的各种机器学习算法，该算法在制定发电和发电的政策中起着关键作用。功率载荷预测的精度取决于反映数据中非线性特征的许多因素。值得注意的是，机器学习算法和人工神经网络已成为当代电力负载预测中必不可少的组件。这项研究专门针对机器学习算法，涵盖支持向量机（SVM），长期短期记忆（LSTM），集合分类器，复发性神经网络和深度学习方法。该研究通过利用过去5年来利用昌迪加尔UT电力数据来精心研究短期电力负载预测。对预测准确性的评估利用了指标，例如归一化平方误差（NMSE），均方根误差（RMSE），平均绝对误差（MAE）和相互信息（MI）。与其他算法相比，LSTM的预测结果表明，LSTM的性能出色，预测误差是LSTM中最低的，而SVM中的误差最低，高13.51％。这些发现为不同机器学习算法的优势和局限性提供了宝贵的见解。使用MATLAB R2018软件进行了建议的方法的验证实验。
rsm与ANN，用于基于蒙脱石和COFE2O4
摘要通过一种简单的一步水热法获得了一种高度机智，环境和可回收的磁性蒙脱石复合材料（MMT/CF），并表现出极好的PB（II）去除。随后，AS合成的吸附剂的特征是XRD，SEM-EDX，FTIR，BET和TGA-DTA。研究了工作参数，包括吸附剂剂量，初始PB（II）浓度，溶液pH和时间。另外，在MMT/CF中，在响应表面方法（RSM）和人工神经网络（ANN）之间形成了比较方法，以优化和建模PB（II）的去除效率。结果表明，考虑到其更高的相关系数（R 2 = 0.998）和较低的预测误差（RMSE = 0.851并添加= 0.505），ANN模型比RSM更精确且非常受信任的优化工具。langmuir等温线，提供了对实验数据的最佳拟合度，最大吸附能力为101.01 mg/g。此外，动力学研究表明，伪二阶模型与实验数据非常适合。磁MMT/CF复合材料具有高吸附能力，适合重复使用。因此，这项研究表明，MMT/CF复合材料可能是Pb（II）从水性培养基吸收中的潜在吸附剂。
2024年2月董事报告
细胞外多巴胺中的次要波动编码人类Sands LP中的奖励和惩罚预测错误，Jiang A，Liebenow B，Dimarco E，Laxton AW，Tatter SB，Montague PR，Kishida Kt。科学进步，2023年12月1日。在哺乳动物的大脑中，假设中脑多巴胺神经元活性来编码奖励预测误差，从而通过导致目标大脑区域的多巴胺水平的快速变化来促进学习和指导行为。这个假设（以及关于多巴胺在惩罚学习中的作用的替代方法）在人类中的直接证据有限。我们报告了测量的人类纹状体释放多巴胺的颅内，次要测量，而志愿者（即接受深脑刺激手术的患者）执行了概率的奖励和惩罚学习选择任务，旨在测试多巴胺释放是否仅仅测试编码的奖励预测错误还是多巴胺释放是否可以释放多巴胺的惩罚性惩罚性的惩罚性惩罚性的惩罚性。结果表明，细胞外多巴胺水平可以通过人脑中独立价值特异性途径在不同的时间间隔内编码奖励和惩罚预测错误。
基于数据的药效学对丙泊酚和瑞芬太尼在全身麻醉期间作用的影响
在麻醉期间预测双光谱指数（BIS）和平均动脉压（MAP）对于患者的安全性和e e ff eftectia麻醉管理至关重要。传统的药效动力反应表面模型具有限制和适应性。本文提出了一种使用机器学习技术预测BIS和地图的新方法。而不是使用标准的药效响应表面模型，而是提出了基于机器学习的AP-prach来建模药效学。所提出的方法考虑了标准丙泊酚和雷素药代动力学模型的状态，以及患者信息作为预测BIS和MAP值的特征。培训和测试是在含有191例不同患者的VitalDB数据集[1]的选定子集上进行的。证明，基于机器学习的方法就准确性而优于标准的药效学模型。具体而言，支持向量回归（SVR）模型达到的平均绝对预测误差（MDAPE）比BIS预测的Eleveld模型小32％。为了进行地图预测，SVR模型还降低了66％的MDAPE表现。所提出的方法提供了与深度学习方法[2]相似的性能[2]，同时保留了可以在其他应用程序中使用的简单结构。
可靠性工程与系统安全
提出了一种评估飞机发动机监测数据的新方法。通常，预测和健康管理系统使用某些发动机部件的退化过程知识以及专业专家意见来预测剩余使用寿命 (RUL)。出现了新的数据驱动方法，可以在不依赖这种昂贵的过程的情况下提供准确的诊断。然而，它们中的大多数都缺乏解释组件来理解模型学习和/或数据的性质。为了克服这一差距，我们提出了一种基于变分编码的新方法。该模型由一个循环编码器和一个回归模型组成：编码器学习将输入数据压缩到潜在空间，以此为基础构建一个自解释的地图，可以直观地评估飞机发动机的劣化率。获得这样一个潜在空间是通过一个由变分推理指导的新成本函数和一个惩罚预测误差的项来规范化的。因此，不仅可以实现可解释的评估，而且还可以实现显著的预测准确性，优于 NASA 流行的模拟数据集 C-MAPSS 上的大多数最先进的方法。此外，我们利用实际涡扇发动机的数据演示了我们的方法在真实场景中的应用。