XiaoMi-AI文件搜索系统
World File Search System下进
在紧急情况下进行疏散的实时深入强化学习
16。摘要这项研究采用了A3C算法来模拟不同情况下的疏散过程（例如，多种试剂和不同的环境条件），并将结果与深Q网络（DQN）进行了比较，以证明在疏散模型中使用A3C算法的效率和有效性。结果表明，在静态环境下，A3C表现出较高的适应性和更快的响应时间。此外，在管理复杂的相互作用并提供快速撤离时，A3C越来越多，A3C显示出更好的可扩展性和鲁棒性。这些结果在不同和具有挑战性的条件下突出了A3C比传统RL模型的优势。该报告以讨论这些模型的实际含义和好处进行了讨论。它强调了它们在增强现实世界疏散计划和安全协议方面的潜力。17。关键词加强学习，多代理协作，紧急情况，机场疏散
微电网设计和在气候信息负载和可再生资源不确定性下进行的多年调度优化
微电网是一种越来越流行的解决方案，可为响应增加的电网依赖性以及气候变化对电网操作的影响而增长。但是，在确定一组设计和操作决策以最大程度地降低长期成本或满足弹性阈值时，现有的微电网模型当前不考虑气候变化的不确定和长期影响。在本文中，我们开发了一种新型的情景生成方法，该方法解释了（i）气候变化对可变可再生能源可利用率的不确定影响，（ii）现场负载上的极端热量事件以及（iii）种群和电气化趋势对负载增长。此外，我们开发了现有的微电网设计和调度优化模型的两阶段随机编程扩展，以获得不确定性信息和气候 - 应能能源系统决策，从而最大程度地减少了长期成本。使用样本平均近似来验证我们的两个案例研究表明，所提出的方法产生了高质量的解决方案，从而增加了具有现有备份生成系统的系统，同时降低了预期的长期成本。
深度学习 - 深海底栖大型社区中的生物多样性评估：在聚合金属结节挖掘的背景下进行的案例研究
简介：技术发展促进了从孤立的深海生态系统（例如深渊结节场）中收集大量图像的收集。将图像作为监测工具在这些感兴趣的领域进行深海开发非常有价值。但是，为了收集大量的物种观测值，需要分析数千个图像，尤其是如果在深渊结节场中，高度多样性与低丰度相结合时，则需要进行分析。作为大量图像的视觉解释和定量信息的手动提取是耗时且容易出错的，计算检测工具可能会起关键作用，以减轻这种负担。然而，使用深度学习 - 基于深度学习的计算机视觉系统来实现动物群检测和分类的任务，仍然没有建立的工作流量来进行有效的海洋图像分析。
在瞬时硬约束下进行安全加固学习的近乎最佳算法
决策问题通常被建模为马尔可夫决策过程（MDP），在线学习者依次与未知环境进行互动以获得大量的预期累积奖励。在文献中提出了许多没有任何约束（因此允许自由探索任何州行动对）的RL算法（因此可以自由探索任何州行动对）（Azar et al。，2017年； Jin等。，2018年； Agarwal等。，2019年； Jin等。，2020年； Jia等。，2020年；周等人。，2021b;他等人。，2022）。以外，现有的“安全” RL算法通常是在需要预期累积的约束下设计的，2019年； Brantley等。，2020年；丁等。，2021; Pa-Ternain等。，2022）（请参阅第1.2节中的更多相关工作）。因此，必须避免在每个时间/步骤中避免不安全状态和动作的实际情况。
在生物多样性策略目标的情况下进行严格保护
•自然过程本质上是不受干扰的→不一定与某些人类活动不兼容，例如研究，侵入性外星物种控制，恢复，非侵入性活动和装置，非侵入性和严格控制的娱乐活动，当此类活动与案例评估的区域的保护对象相兼容时。
在复杂的交通情况下进行自动驾驶汽车的对象检测
摘要。尤其是卷积神经网络（CNN）的应用大大增强了自动驾驶汽车的对象检测能力，因为人工智能（AI）的最新进展。但是，在高精度和快速处理之间达到车辆环境的平衡仍然是一个持续的挑战。拥有第二大全球人口的印度等发展中国家对道路情景引入了独特的复杂性。在印度道路上出现了许多挑战，例如独特的车辆和各种交通模式，例如自动 - 里克肖，仅在印度才能看到。本研究介绍了评估Yolov8模型的结果，与其他现有的Yolo模型相比，在印度交通状况中表现出了卓越的性能。检查使用了数据集，该数据集是根据班加罗尔和海得拉巴城市及其周边地区收集的数据编译的。调查的发现表明，Yolov8模型在解决印度道路状况的独特问题方面的工作状况如何。这项研究推动了为复杂的交通状况（例如在印度道路上发现的）设计的自动驾驶汽车的开发。
yolov8在各种图像下进行车辆分类的分析
摘要。目的：这项研究的目的是使用Yolov8n，Yolov8s和Yolov8M在各种图像条件下检测车辆类型，并进行增强。方法：本研究利用黎明数据集上的Yolov8方法。该方法涉及使用预训练的卷积神经网络（CNN）处理图像并输出所检测到的对象的边界框和类。此外，还应用了数据增强来提高模型从不同方向和观点识别车辆的能力。结果：测试结果的MAP值如下：没有数据扩展，Yolov8n达到了约58％，Yolov8S得分左右约为68.5％，而Yolov8M的MAP值约为68.9％。然而，在应用水平翻转数据扩大后，Yolov8n的地图增加到约60.9％，Yolov8s提高到约62％，而Yolov8M的地图卓越，地图约为71.2％。使用水平翻转数据增强提高了所有三种Yolov8模型的性能。Yolov8M模型达到了71.2％的最高地图值，表明其在应用水平翻转增强后检测物体的有效性很高。新颖性：这项研究通过采用最新版本的Yolo，Yolov8来介绍新颖性，并将其与Yolov8n，Yolov8s和Yolov8M进行比较。使用数据增强技术（例如水平翻转）增加数据变化的使用也很新颖，在扩展数据集并提高模型识别对象的能力方面。关键字：CNN，数据增强，黎明，对象检测，Yolov8于2023年11月收到 /修订2024年2月 / 2024年2月接受此工作，该工作已在创意共享署名4.0国际许可下获得许可。
在社会和司法限制下进行深度学习的数学算法设计：算法透明度要求
抽象的深度学习仍然在可信度方面存在缺点，它描述了一种可理解，公平，安全和可靠的方法。为了减轻AI的潜在风险，已通过监管指南（例如，在《欧洲AI法》中）提出了与可信赖性相关的明确义务。因此，一个核心问题是可以在多大程度上实现值得信赖的深度学习。建立构成可信赖性的所描述属性要求可以追溯影响算法计算的因素，即算法实现是透明的。以这样的观察到，深度学习模型的当前演变需要改变计算技术的变化，我们得出了一个数学框架，使我们能够分析计算模型中透明的实现是否可行。我们示例地应用了我们的可信度框架，分别分析图灵和Blum-Shub-Smale机器代表的数字和模拟计算模型中的反相反问题的深度学习。基于先前的结果，我们发现Blum-Shub-Smale机器有可能在相当一般的条件下为反问题建立可信赖的求解器，而Turing Machines不能保证具有相同程度的可信度。
在NRI /以NRI /代替... < / div>的情况下进入PG计划
II。 学术资格和选择过程：拥有有关农业/农业工程和技术/技术/家庭科学/社区科学学士学位的申请人有资格寻求硕士学位。 最低OGPA为6.50分10.0分或其标记的同等百分比。 候选人必须拥有ICAR认证的学院/学院的学士学位，并获得Saus具有ICAR认证和候选人的选择的附属学院的学士学位，并将根据UG MORIT进行。 在国外，任何外国大学的农业/农业工程和技术/家庭科学/社区科学学士学位的NRI候选人都有学士学位也有资格寻求硕士学位。 学位课程。 此类候选人还应包含英语雅思/tofel证书（印度学生不需要英语媒介的证书。II。学术资格和选择过程：拥有有关农业/农业工程和技术/技术/家庭科学/社区科学学士学位的申请人有资格寻求硕士学位。最低OGPA为6.50分10.0分或其标记的同等百分比。候选人必须拥有ICAR认证的学院/学院的学士学位，并获得Saus具有ICAR认证和候选人的选择的附属学院的学士学位，并将根据UG MORIT进行。在国外，任何外国大学的农业/农业工程和技术/家庭科学/社区科学学士学位的NRI候选人都有学士学位也有资格寻求硕士学位。学位课程。此类候选人还应包含英语雅思/tofel证书（印度学生不需要英语媒介的证书。
在存在的情况下进行多体量子态控制......
量子态控制对于量子信息处理和通过量子网络传输量子信息至关重要。在本文中，我们研究如何通过设计描述系统内部几何形状或配置的时间相关物理参数来控制多体量子系统的时间演化。一个有趣的经典类比是，一只坠落的猫可以重新调整自己的方向，以便它四脚着地，最大限度地减少对身体的伤害[1-4]。这种经典现象的可控性与这样一个事实有关：猫不是刚体[5]，但可以改变身体的形状和身体各部分的相对方向，使它能够在不违反角动量守恒定律的情况下旋转。在量子领域，自主控制问题可能变得更加复杂，因为量子变形体并不是一个经过充分研究的、能够轻易表现出量子控制特性的平台。为了说明我们的方法，我们考虑一个由耦合谐振子链组成的量子系统，我们将使用它来展示在给定的控制运行时间内通过改变耦合和频率来实现量子猫态的传输和重新定位。