我们开发了一个基于深度学习的卷积回归模型，该模型估计了土壤顶部〜5 cm中的体积土壤水分含量。输入预测因子包括Sentinel-1（活动雷达），Sentinel-2（光学图像）和SMAP（被动雷达），以及来自GLDAS的土壤格林和建模土壤水分领域的地球物理变量。该模型在2015年至2021年期间对全球约1300个原位传感器的数据进行了训练和评估，并获得了0.727的平均每传感器相关性为0.727，UBRMSE为0.054，可用于在名义上生产土壤水分图。320m分辨率。这些结果是针对不同位置的其他13个土壤水分厂进行基准测试的，并使用消融研究来识别重要的预测因子。

谷歌的运营洪水预测系统是制定的，为机构和公众提供准确的实时洪水警告，重点是河流洪水在大型潮流的河流中。它在2018年开始运作，自从地理位置扩展以来。该预测系统由四个子系统组成：数据验证，阶段预测，淹没建模和警报分配。机器学习用于两个子系统。阶段预测采用长短期内存（LSTM）网络和线性模型进行建模。使用阈值和歧管模型计算洪水淹没，前者计算淹没程度，后者计算淹没程度和深度。本文首次提供的歧管模型提供了一种机器学习替代洪水淹没的液压建模。在评估历史数据时，所有型号都可以实现可操作使用的足够高的度量指标。 LSTM表现出比线性模型更高的技能，而阈值和歧管模型达到了类似的性能度量，以便在淹没程度上进行建模。在2021年的季风季节期间，洪水预警系统在印度和孟加拉国运营，覆盖河流的洪水区，总面积287,000平方公里，拥有350多万人。超过100米的洪水警报被发送给受影响的人口，相关当局以及紧急组织。系统上的当前和未来的工作包括将覆盖范围扩展到额外的洪水易发位置，以及提高建模能力和准确性。

In this paper, we allocate IoT devices as resources for smart services with time-constrained resource requirements. The allocation method named as BRAD can work under multiple resource scenarios with diverse resource richnesses, availabilities and costs, such as the intelligent healthcare system deployed by Harbin Institute of Technology (HIT-IHC). The allocation aims for bimetric-balancing under the multi-scenario case, i.e., the profit and cost associated with service satisfaction are jointly optimised and balanced wisely. Besides, we abstract IoT devices as digital objects (DO) to make them easier to interact with during resource allocation. Considering that the problem is NP-Hard and the optimisation objective is not differentiable, we utilise Grey Wolf Optimisation (GWO) algorithm as the model optimiser. Specifically, we tackle the deficiencies of GWO and significantly improve its performance by introducing three new mechanisms to form the BRAD-GWA algorithm. Comprehensive experiments are conducted on realistic HIT-IHC IoT testbeds and several algorithms are compared, including the allocation method originally used by HIT-IHC system to verify the effectiveness of the BRAD-GWA. The BRAD-GWA achieves a 3.14 times and 29.6% objective reduction compared with the HIT-IHC and the original GWO algorithm, respectively.

Hazop可以将危害作为文本信息暴露，研究其分类对于工业信息学的发展具有重要意义，这有利于安全性预警，决策支持，政策评估等。但是，对这一重要的研究没有研究目前。在本文中，我们提出了一种通过深度学习危害分类来称为DLGM的新型模型。具体而言，首先，我们利用BERT将危险矢量化并将其视为时间序列（HTS）。其次，我们构建了一个灰色模型FSGM（1，1）来对其进行建模，并从结构参数的意义上获得灰色指导。最后，我们设计了一个层次 - 特征融合神经网络（HFFNN），以从三个主题中使用灰色指导（HTSGG）调查HTS，其中HFFNN是一种具有四种模块的层次结构：两种功能编码器，一个门控机制，和一个门控机制和一个模块。加深机制。我们将18个工业流程作为应用程序案例，并启动一系列实验。实验结果证明，DLGM有望成为危险分类的才能，FSGM（1，1）和HFFNN具有有效性。我们希望我们的研究能为工业安全的日常实践贡献价值和支持。

时空预测是数据科学的急需主题，因为它在智能城市中的多样化和关键应用。现有作品主要对以下步骤进行连续预测，并完全连续地获得观察结果，其中最接近的观测值可以作为瞬时状态估计的关键知识。但是，早期活动计划和传感器失败的实际问题引发了一项全新的任务，即非连续预测。在本文中，我们将缺少观察的时空学习系统定义为灰色时空系统（G2S），并为G2S（FDG2S）提出了一个因子耦合学习框架（FDG2S），其中核心的想法是层次结构上的多层级别，并既可以启用灵活的聚合柔性聚合因子和不确定性估计。首先，为了补偿缺失的观察结果，设计了一个通用的语义邻次序列采样，该采样选择了代表性序列以捕获周期性的规律性和瞬时变化。其次，我们将非连续状态的预测变成了预期的外源性因素下的推断状态。特别是，提出了一个因子耦合的聚合方案，以通过条件随机场的两个能量函数解除因子诱导的预测强度和区域邻近。为了在柔性因子组合和实现动态邻域聚集下推断区域的接近性，我们进一步消除了外源性因素对区域接近性的复合影响，并学会汇总它们。鉴于G2的固有不完整和关键应用，提出了一个不确定性量化，以确定可靠性保证和模型解释的两种类型的不确定性。

用木材制成的木材和森林产品，例如家具，是宝贵的商品，就像许多高估的自然资源的全球贸易一样，面临腐败，欺诈和非法收获的挑战。木材和森林产品部门的这些灰色和黑色市场活动不仅限于收获木材的国家，而是在整个全球供应链中扩展，并与非法金融流有关，例如基于贸易的洗钱，记录欺诈，种类标签和其他非法活动。在没有地面真理的情况下，使用贸易数据找到此类欺诈活动的任务可以作为无监督的异常检测问题进行建模。但是，现有的方法在其对大规模贸易数据的适用性方面存在某些缺点。贸易数据是异质的，具有表格格式的分类和数值属性。总体挑战在于数据的复杂性，数量和速度，具有大量实体和缺乏地面真相标签。为了减轻这些方法，我们提出了一种新型的无监督异常检测 - 基于对比度学习的异质异常检测（CHAD），通常适用于大规模的异质表格数据。我们证明，我们的模型CHAD对公共基准数据集的多个可比较基线表现出色，并且在贸易数据的情况下优于它们。更重要的是，我们证明我们的方法减少了假设和努力所需的高参数调整，这在无监督的培训范式中是一个关键的挑战。具体而言，我们的总体目标涉及使用提单贸易记录数据账单来检测可疑的木材运输和模式。在运输记录中检测异常交易可以使政府机构和供应链成分进一步调查。

在线公众舆论通常会迅速而广泛地传播，因此，在很短的时间内，一个小型事件可能会变成巨大的社会危机，并导致信贷或经济方面造成严重的损失。我们提出了一种基于多层索引系统的在线公众舆论危机的方法，以客观地评估事件的影响。首先，从信息生态学的角度来解释在线公众舆论的传播机制。根据该机制，通过相关分析和主成分分析选择了一些评估指数。然后，通过深度学习来创建文本情感的分类模型，以实现索引系统中情感索引的准确量化。最后，基于多层次评估指数系统和灰色相关性分析，我们提出了一种评估在线舆论危机的方法。实时事件的实验表明，这种方法可以客观地评估互联网用户的情感趋势，并在在线公众舆论的不同传播阶段评估危机。意识到在线公众舆论的危机警告并及时阻止危机的进一步传播是有帮助的。

本文提出了一种新型的元元素算法，白鹭群优化算法（ESOA），其灵感来自两种乌格莱特物种（伟大的乌鸦和雪绿色的艾格莱特）狩猎行为。ESOA由三个主要组成部分组成：静坐战略，积极的策略以及判别条件。将ESOA在36个基准函数以及2个工程问题上的性能与粒子群优化（PSO），遗传算法（GA），差分进化（DE），灰狼优化器（GWO）和Harris Hawks优化（HHO）进行了比较。。结果证明了ESOA的卓越有效性和鲁棒性。可以从https://github.com/knightsll/egret_swarm_optimization_algorithm中检索此工作中使用的源代码;https://ww2.mathworks.cn/matlabcentral/fileexchange/115595-Egret-swarm-optimization-algorithm-esoa。

自动化的脑肿瘤检测已成为一项高度可观的医学诊断研究。在最近的医学诊断中，高度考虑检测和分类用于采用机器学习和深度学习技术。然而，需要改善当前模型的准确性和性能以进行合适的治疗。在本文中，通过采用增强的优化算法来确保深度卷积学习的改进，因此，基于改进的Harris Hawks优化（HHO），深度卷积神经网络（DCNN）被认为是G-HHO。这种杂交具有灰狼优化（GWO）和HHO，以提供更好的结果，从而限制了收敛速度和增强性能。此外，采用大小阈值来分割强调脑肿瘤检测的肿瘤部分。进行了实验研究，以验证2073年总数增强MRI图像的建议方法的性能。通过将其与巨大增强MRI图像上的九种现有算法进行比较，以准确性，精度，召回，F量，执行时间和内存使用情况进行比较，可以确保该技术的性能。性能比较表明，DCNN-G-HHO比现有方法更成功，尤其是在97％的评分精度下。此外，统计性能分析表明，建议的方法更快，并且在MR图像上识别和分类脑肿瘤癌的记忆力较少。此验证的实施是在Python平台上进行的。建议方法的相关代码可在以下网址提供：https：//github.com/bryarahassan/dcnn-g-hho。

关于物理现象的学习和推理仍然是机器人开发的挑战，计算科学在寻找能够为过去事件和对未来情况的严格预测提供的准确方法中发挥了资本作用。我们提出了一种热力学知识的主动学习策略，以通过观察结果和推理。作为模型问题，我们采用了玻璃中包含的不同流体的晃动现象。从特定流体的全场和高分辨率合成数据开始，我们开发了一种跟踪（感知）和分析（推理）的方法。这种方法不仅在数据驱动（灰色框）建模中，而且在校正低数据模式和动态的部分观察中对物理和知识的重要性。提出的方法可扩展到其他领域，例如认知数字双胞胎的发展，能够从未经明确训练的现象中学习。