XiaoMi-AI文件搜索系统
World File Search System发网
通过任务组织复发网络动态 -
生物系统面临需要持续学习的动态环境。尚不清楚这些系统如何平衡学习和鲁棒性的灵活性之间的张力。在没有灾难性干扰的情况下，持续学习也是机器学习中的一个具有挑战性的问题。在这里，我们制定了一种新颖的学习规则，旨在最大程度地减少经常性网络中依次学习的任务之间的干扰。我们的学习规则保留了用于以前学习的任务的活动定义子空间内的网络动态。它鼓励与新任务相关的动态，这些动态可能会探索正交子空间，并允许在可能的情况下重复使用先前建立的动力学主题。采用神经科学中使用的一组任务，我们证明了我们的方法成功消除了灾难性的干扰，并比以前的持续学习算法提供了实质性的改进。使用动力学系统分析，我们表明使用我们的方法训练的网络可以重复使用相似任务的类似动态结构。共享计算的这种可能性允许在顺序训练期间更快地学习。最后，我们确定在依次训练任务与同时训练任务时出现的组织差异。
自发网络耦合可实现高效的任务执行，而无需局部任务诱导激活
这篇早期发布的文章已经过同行评审并被接受，但尚未经过撰写和编辑过程。最终版本在风格或格式上可能略有不同，并将包含指向任何扩展数据的链接。
具有启发式和强化学习的量子密钥分发网络的多租户配置：一项比较研究
摘要 — 量子密钥分发 (QKD) 网络有可能在不久的将来得到广泛部署，为数据通信提供长期安全性。鉴于高昂的价格和复杂性，多租户已成为 QKD 网络运营的一种经济高效的模式。在这项工作中，我们专注于解决 QKD 网络的在线多租户配置 (On-MTP) 问题，其中多个租户请求 (TR) 动态到达。On-MTP 涉及调度多个 TR 并将从 QKD 网络派生的不可重复使用的密钥分配给多个 TR，其中每个 TR 可被视为具有专用密钥需求的高安全性需求组织。量子密钥池 (QKP) 构建在 QKD 网络基础设施上，以提高密钥的管理效率。我们使用不同的图像为 QKP 的密钥资源和 TR 的密钥需求建模。为了实现高效的 On-MTP，我们对基于启发式和强化学习 (RL) 的 On-MTP 解决方案进行了比较研究，其中提出了三种启发式方法（即基于随机、拟合和最佳拟合的 On-MTP 算法），并引入了 RL 框架来实现 On-MTP 算法的自动训练。比较结果表明，在经过足够的训练迭代后，基于 RL 的 On-MTP 算法在租户请求阻止概率和密钥资源利用率方面明显优于所提出的启发式方法。
MIL-STD-1553 时间触发网络物理层
版权所有 © 2009 SAE International 摘要 时间触发网络技术（如 TTP（时间触发协议））已开始用于关键的航空航天应用，如飞行控制。虽然 TTP 提供了严格的确定性和容错规范，但它并未定义物理层。TTP 的“事实上的”物理层 RS-485 在许多方面存在不足。这些不足包括相对较低的最小发射器电压、较低的接收器阈值，以及在许多方面缺乏特异性。后者包括总线信号电平、发射器过零失真和接收器过零容差、隔离方法、终端输出噪声、共模和噪声抑制以及输入阻抗。MIL-STD-1553 已在飞行和任务关键型军事应用中部署了数十年，它定义了一个经过高度验证且强大的物理层。本文介绍了 MIL-STD-1553 的物理层作为与 TTP 一起使用的候选。简介 物理层是飞行关键应用中使用的总线和网络的重要组成部分，需要权衡拓扑、数据速率、电缆长度、功率和成本。时间触发技术（如 TTP（时间触发协议）和 FlexRay）使用多种拓扑，包括多点总线以及有源和无源星型。TTP 未指定物理层，因此部署了多种实现，而不是使用通用标准。MIL-S