在这项研究中，我们开发了机器学习模型，以预测废物到燃料植物的未来传感器读数，这将积极控制工厂的运营。我们开发了可预测传感器读数30和60分钟的模型。使用历史数据对模型进行了培训，并根据在特定时间进行的传感器读数进行预测。我们比较了三种类型的模型：（a）仅考虑最后一个预测值的a n \“ aive预测，（b）基于过去的传感器数据进行预测的神经网络（我们考虑了不同的时间窗口尺寸以进行预测）和（c）由我们开发的一组功能创建的梯度增强树回收剂。我们在加拿大的一家废物燃料工厂上开发并测试了模型。我们发现提供的方法（c）提供了最佳结果，而方法（b）提供了不同的结果，并且无法始终如一地超越n \“ aive”。
translated by 谷歌翻译
我们介绍了一种新方法，使用一组体积原语（即超Quadrics）重建3D对象。该方法层次结构将目标3D对象分解为对成对的超季度，从而恢复了更细致的细节。尽管以前已经研究过这种层次结构方法，但我们仅使用预测的超质学属性引入了一种新的方法来分裂对象空间。该方法在Shapenet数据集上进行了训练和评估。我们的实验结果表明，可以通过针对具有复杂几何形状的各种对象的方法来获得合理的重建。
translated by 谷歌翻译