- ORCA: 全球海洋模拟器用于多年到十年的预测
海洋动力学的准确和高效建模对于对复杂的海洋环流和过程的深入理解、预测气候变化及其相关的远程联系以及应对气候变化的挑战至关重要。本研究介绍了 ORCA(可靠海洋预测模型),这是首个能够在多年到十年时间尺度上预测全球海洋环流的数据驱动模型。OR - WANDR:意向导向的人类动作生成
用于 3D 人体模型的运动合成的数据驱动模型和生成模型方法,通过引入目的特征来驱动生成目标导向的自然动作,从而在不需要定义子目标或整个运动路径的情况下交互地适应新的情况,实现长期并能推广至未见目标位置的 3D 目标到达。
- 超越中止:一个用于结束体育联赛的两阶段方法论
运用基于数据驱动的模型,本研究提出了一种通过选择子集比赛的方式,以缩短时间框架来对赛季进行结局,从而达到与完整赛季相似的团队排名。
- ICLRCRISM 高光谱数据的噪声 2 噪声去噪
引入一种名为 Noise2Noise4Mars(N2N4M)的新型数据驱动模型架构,用于去除 CRISM 图像的噪声,该模型是自监督学习的,不需要无噪声目标数据,适用于行星科学应用中稀缺高质量标记数据的情况。展示了该模型在合成噪声数据和 C - MLFEF: 基于经验公式的机器学习融合模型在竞技体育中探索动量
本研究旨在定义和量化网球比赛中的动力学,提供基于实时分析的基础。通过建立基于数据驱动和经验公式的两个模型,对最近几年网球大满贯男单比赛数据进行分析,并使用支持向量机、随机森林算法和 XGBoost 构建了融合模型。此外,还应用滑动窗口算法、 - TPTNet:基于湍流位温的数据驱动温度预测模型
通过使用神经网络提出了一个基于数据驱动的模型来预测表面温度,以减轻数值天气预报的计算负担。我们的模型名为 TPTNet,仅使用韩国半岛天气站测得的 2 米温度作为输入,预测有限预报小时的当地温度。我们提取了温度的紊流波动分量,通过分离年度和 - 基于数据驱动的贝叶斯正则化人工神经网络预测工具磨损
采用贝叶斯正则化人工神经网络的数据驱动模型精确预测铣削刀具磨损,并在实验研究中表明其在准确性和可靠性方面优于现有的现有模型。
- 基于 MCReSANet 和解释性分析的低压电网谐波电流发射的数据驱动建模
通过使用 MCReSANet 构建高度非线性的谐波电压和电流之间的数据驱动模型,本文提出了解决分布系统中不同负载之间相互作用对谐波电压和电流关系的分析建模问题的方法。使用芬兰和德国的两个数据集进行实证分析,证明了 MCReSANet 能够建 - 使用图变换器学习优化风场
该论文提出了一种新颖的数据驱动模型,能够准确预测任意布局、偏航角配置和风况下所有风电场的发电量。该模型通过将风电场编码成全连接图,并通过图变换器处理图表示来实现。结果表明,该图变换器代理模型具有良好的泛化能力,并能发现风电场图表示中的潜在结 - 网络范围内快速增强的飓风疏散交通预测:基于交通检测器和 Facebook 移动数据的深度学习方法
通过利用交通检测器和 Facebook 的运动数据,本研究开发了一种数据驱动的交通预测模型,可用于预测飓风撤离期间的交通情况,该模型能提前预测未来交通拥堵情况,为交通管理官员采取积极措施减少撤离延误提供帮助。
- 一个时空深度神经网络用于细粒度多时间段风速预测
我们提出了一个新的数据驱动模型,Multi-Horizon SpatioTemporal Network (MHSTN),以准确高效地进行细粒度的风速预测,该模型通过整合多个深度神经网络来处理各种数据来源,并为给定区域内的所有站点产生多时间 - 通过生成对抗神经算子开展宽带地面运动合成:开发与验证
我们提出了一个使用生成对抗神经运算器(GANO)、结合最新的机器学习技术和开放接入强动态数据集的数据驱动模型,能够根据震级(M)、破裂距离(Rrup)、顶部 30 米时间平均剪切波速度(VS30)以及构造环境或断层风格条件下生成三分量振动加 - 实现真实耀斑去除:一种全面流程和新基准
本文提出了一种生成包含散射耀斑和对称反射背景的散斑恶化数据对的方法,可用于提高散斑去除算法的效果和评估方法。
- 生成对抗简约建模
该论文提出了 GAROM,一种基于生成对抗网络(GAN)的简化模型方法,该方法将 GAN 和 ROM 框架相结合,通过引入数据驱动的生成对抗模型来学习参数微分方程的解决方案,并提供了关于其推理,模型泛化和方法的收敛性研究的实验证据。
- 基于稀疏压力传感器输入的机器学习增强实时气动力预测
本文提出了一种基于少量位置布置的压力传感器的数据驱动空气动力学力预测模型,包括线性项和非线性校正,其中线性项通过减少的基础重构预测表面压力分布,而非线性项则是视情况而定的人工神经网络,用于提高精度。该模型在模拟和实验数据中被验证为快速准确地 - 公共交通到站预测:使用 Seq2Seq RNN 方法
本文提出了一种基于循环神经网络的数据驱动模型,用于实时预测公共交通系统的公交车到达时间,该模型智能地以一种独特的 (非线性) 方式结合了空间和时间相关性,在正确建模拥堵影响方面具有优越性。
- 歌曲情感识别:音频特征与人工神经网络性能比较
通过提取音频特征使用数据驱动模型来识别毫无伴奏的歌曲中所表达的情感。
- 利用人工神经网络识别地下水中的污染源
通过开发数据驱动模型解决反向和正向输运问题,该论文主要研究地下水污染的问题,尤其是由于工业污染和农业活动引起的地下水污染,提出了一种基于人工神经网络的非线性模型,使得结果更为可靠且具有很低的计算成本和不确定性。
- 零阶 SciML:科学软件与深度学习的非侵入式集成
本文提出了一种使用零阶优化和科学知识源相结合的深度学习训练方案,以弥补在复杂科学领域中由于大量数据需求导致的有限成功。在两个真实的材料科学应用程序中,我们验证了拟议的方案的性能,证明它能够有效地将科学知识与深度学习训练相结合,并且能够在数据 - AAAI不确定性感知的野火管理
通过基于局部可观测马尔可夫决策过程的模型和数据驱动模型的方法,利用从卫星图像提取的协变量组合现有火灾数据库,建立数据集,模拟火灾蔓延,预测火灾,指导资源配置,实现有效的火灾应对。