该研究提出了一种快速熵近似（FEA）方法，显著降低了香农熵计算的成本和不稳定性。FEA的计算速度提高约50%，平均绝对误差为$10^{-3}$，在特征选择中表现出更高的效率和经济性。

本研究提出了GiNet模型，旨在提高电池容量预测的准确性。该模型通过学习电池历史数据，成功捕获复杂行为，平均绝对误差为0.11，比最新算法减少27%的误差，具有重要的应用潜力。

该研究比较了三种图神经网络在智能交通系统中的应用，发现门控图神经网络（GGNNs）是最有效的选择，具有较低的均方根误差和平均绝对误差。

该研究比较了三种图神经网络在智能交通系统中的应用，发现门控图神经网络（GGNNs）是最有效的选择，具有较低的均方根误差和平均绝对误差。

研究人员提出了一种用于太阳辐照短期预测的数据简化机器学习模型，通过降维天空相机图像的标量特征以满足数据传输限制，并使用噪声输入反映未测量的变量，显著提高了模型的预测能力。在测试数据上，该模型的平均绝对误差为74.34 $W/m^2$，相比于基准模型的134.35 $W/m^2$，有较大的改进。

该研究使用直方图滤波器评估番茄在植物中的位置，以实现农业任务中感知物体位置的需求。经过模拟实验和实验室测试，该算法的平均绝对误差小于10毫米和20毫米，可在真实环境中使用并需改进。

本研究开发了深度学习框架，用于预测血栓形成风险与患者左心房附属物几何形状和内皮细胞活化潜力分布相关。该模型在综合合成和54个真实的LAA数据集上进行训练，平均绝对误差为0.563。