本文研究了社会经济因素是否对于佛罗里达电力系统的飓风表现很重要。使用随机森林分类器进行调查，其准确性平均降低（MDA），以衡量一组因素的重要性，包括危害强度，最大影响时间恢复时间以及受影响人群的社会经济特征。这项研究的数据集（在县规模上）包括来自美国5年社区调查（ACS）的社会经济变量，风速以及五次飓风的停电数据，包括2018年Alberto和Michael，2019年，Dorian，Dorian，Dorian，以及ETA和ISAIA在2020年。研究表明，社会经济变量对系统性能模型非常重要。这表明在发生停电的发生中可能存在社会差异，这直接影响了社区的弹性，因此需要立即关注。

The availability of Martian atmospheric data provided by several Martian missions broadened the opportunity to investigate and study the conditions of the Martian ionosphere. As such, ionospheric models play a crucial part in improving our understanding of ionospheric behavior in response to different spatial, temporal, and space weather conditions. This work represents an initial attempt to construct an electron density prediction model of the Martian ionosphere using machine learning. The model targets the ionosphere at solar zenith ranging from 70 to 90 degrees, and as such only utilizes observations from the Mars Global Surveyor mission. The performance of different machine learning methods was compared in terms of root mean square error, coefficient of determination, and mean absolute error. The bagged regression trees method performed best out of all the evaluated methods. Furthermore, the optimized bagged regression trees model outperformed other Martian ionosphere models from the literature (MIRI and NeMars) in finding the peak electron density value, and the peak density height in terms of root-mean-square error and mean absolute error.

从分区的输入空间中生成不安全的子要求，以支持验证引导的测试案例以正式验证黑盒模型，这对研究人员来说是一个具有挑战性的问题。搜索空间的大小使详尽的搜索在计算上是不切实际的。本文调查了一种元热疗法方法，以在分区的输入空间中搜索不安全的候选子要求。我们提出了一种负选择算法（NSA），用于识别给定安全性质内候选人的不安全区域。 NSA算法的元效力能力使得在验证这些区域的一部分时估算庞大的不安全区域成为可能。我们利用分区空间的并行执行来生产安全区域。基于安全区域的先验知识的NSA用于识别候选不安全区域，然后使用Marabou框架来验证NSA结果。我们的初步实验和评估表明，该程序在用Marabou框架验证的高精度验证时发现候选人不安全的子裁定。

电离层中存在的电子密度不规则性会引起全球导航卫星系统（GNSS）信号的显着波动。信号功率的波动称为振幅闪烁，可以通过S4指数进行监测。当实时数据不可用时，基于历史S4索引数据的幅度闪烁的严重程度是有益的。在这项工作中，我们研究了使用单个GPS闪烁监测接收器中使用历史数据来训练机器学习（ML）模型的可能性参数。评估了六种不同的ML型号，其中包装的树模型是其中最准确的，使用平衡数据集获得了预测准确性$ 81 \％$，使用不平衡数据集获得了$ 97 \％$ $。

就微电网的运行而言，最佳调度是必须考虑的至关重要问题。在这方面，本文提出了一个有效的框架，用于考虑储能设备，风力涡轮机，微型涡轮机的最佳计划可再生微电网。由于微电网操作问题的非线性和复杂性，使用准确且可靠的优化技术有效解决此问题至关重要。为此，在拟议的框架中，基于教师学习的优化可有效地解决系统中的调度问题。此外，提出了基于双向长期短期记忆的深度学习模型，以解决短期风能预测问题。使用IEEE 33-BUS测试系统检查了建议的框架的可行性和性能以及风力预测对操作效率的影响。此外，澳大利亚羊毛北风现场数据被用作现实世界数据集，以评估预测模型的性能。结果表明，在微电网的最佳计划中，提出的框架的有效性能有效。

在本文中，我们提出了一个新的基于聚类的主动学习框架，即使用基于聚类的采样（ALCS）的主动学习，以解决标记数据的短缺。ALCS采用基于密度的聚类方法来探索数据集群结构，而无需详尽的参数调整。引入了基于双簇边界的样本查询过程，以提高对高度重叠类分类的学习绩效。此外，我们制定了一种有效的多样性探索策略，以解决查询样品之间的冗余。我们的实验结果证明了ALCS方法的疗效。

在本文中，我们为表面缺陷检测任务呈现了一种完整的局部二进制模式（RCLBP）框架。我们的方法使用非本地（NL）表示滤波器的组合具有小波阈值和完成的本地二进制模式（CLBP）以提取燃料特征，该特征被馈入到用于表面缺陷检测的分类器中。本文结合了三个组分：建立基于非局部（NL）的去噪技术，该方法具有小波阈值的滤波器，以在保留纹理和边缘的同时代替噪声图像​​。其次，使用CLBP技术提取辨别特征。最后，鉴别特征被馈送到分类器中以构建检测模型并评估所提出的框架的性能。使用来自东北大学（NEU）的真实世界钢结构缺陷数据库来评估缺陷检测模型的性能。实验结果表明，所提出的方法RCLBP是噪声稳健，可在类内和阶级变化的不同条件下应用表面缺陷检测，并且具有照明变化。

这项工作提出了诸如卷积神经网络（CNN），长短期记忆（LSTM），门控复发单元（GRU），它们的混合动力和情绪的浅学习分类器等深度学习模型的性能的详细比较阿拉伯语评论分析。另外，比较包括最先进的模型，例如变压器架构和阿拉伯的预先训练模型。本研究中使用的数据集是多方面的阿拉伯语酒店和书评数据集，这些数据集是阿拉伯评论的一些最大的公共数据集。结果表明，二元和多标签分类的浅层学习表现优于浅层学习，与文献中报告的类似工作的结果相比。结果中的这种差异是由数据集大小引起的，因为我们发现它与深度学习模型的性能成比例。在准确性和F1分数方面分析了深层和浅层学习技术的性能。最好的浅学习技术是随机森林，后跟决策树，以及adaboost。深度学习模型类似地使用默认的嵌入层进行，而变压器模型在增强Arabert时表现最佳。

标准卷积神经网络（CNN）设计很少专注于明确捕获各种功能以增强网络性能的重要性。相反，大多数现有方法遵循增加或调整网络深度和宽度的间接方法，这在许多情况下显着提高了计算成本。受生物视觉系统的启发，我们提出了一种多样化和自适应的卷积网络（DA $ ^ {2} $ - net），它使任何前锋CNN能够明确地捕获不同的功能，并自适应地选择并强调最具信息性的功能有效地提高网络的性能。 DA $ ^ {2} $ - NET会引入可忽略不计的计算开销，它旨在与任何CNN架构轻松集成。我们广泛地评估了基准数据集的DA $ ^ {2} $ - 网上，包括CNN架构的CNN100，SVHN和Imagenet，包括CNN100。实验结果显示DA $ ^ {2} $ - NET提供了具有非常最小的计算开销的显着性能改进。

北卡罗来纳州农业和技术国家大学（NC A＆T）与格鲁吉亚科技研究所（GTRI）合作开发了创建基于仿真的技术工具的方法，该工具能够推断自主系统的感知和行为状态。这些方法有可能在国防部（国防部）提供测试和评估（T＆E）社区，并对这些系统的内部流程更加了解。该方法仅使用外部观察，不需要完全了解所测试系统的内部处理和/或任何修改。本文介绍了一个这样的基于模拟的技术工具的示例，名为Data-Driven智能预测工具（DIPT）。 DIPT是开发用于测试能够进行协作搜索任务的多平台无人驾驶车辆（UAV）系统。 Dipt的图形用户界面（GUI）使测试人员能够查看飞机的当前运行状态，预测其当前的目标检测状态，并提供了展示特定行为的推理以及为其分配特定任务的说明。