XiaoMi-AI文件搜索系统
World File Search System增量
用于灵活飞机轨迹跟踪和负载减轻的非线性增量控制
本文提出了一种用于柔性飞机同时进行轨迹跟踪和载荷减轻的非线性控制结构。通过利用控制冗余，在不降低刚体指令跟踪性能的情况下减轻了阵风和机动载荷。所提出的控制结构包含四个级联控制环路：位置控制、飞行路径控制、姿态控制和最优多目标机翼控制。由于位置运动学不受模型不确定性的影响，因此采用非线性动态逆控制。相反，飞行路径动力学受到模型不确定性和大气扰动的干扰；因此采用增量滑模控制。基于 Lyapunov 的分析表明，该方法可以同时降低模型依赖性和传统滑模控制方法的最小可能增益。此外，姿态动力学为严格反馈形式，因此采用增量反步滑模控制。此外，设计了一种新型负载参考生成器，以区分执行机动所需的负载和过载负载。负载参考由内环最优机翼控制器实现，而过载负载由襟翼自然化，而不会影响外环跟踪性能。通过空间冯·卡门湍流场中的轨迹跟踪任务和阵风负载缓解任务验证了所提出的控制架构的优点。
用于灵活飞机轨迹跟踪和负载减轻的非线性增量控制
本文提出了一种用于柔性飞机同时进行轨迹跟踪和负载减轻的非线性控制架构。通过利用控制冗余，可以在不降低刚体指令跟踪性能的情况下减轻阵风和机动负载。所提出的控制架构包含四个级联控制环路：位置控制、飞行路径控制、姿态控制和最优多目标机翼控制。由于位置运动学不受模型不确定性的影响，因此采用非线性动态逆控制。相反，飞行路径动力学受到模型不确定性和大气扰动的干扰；因此采用增量滑模控制。基于 Lyapunov 的分析表明，该方法可以同时降低传统滑模控制方法的模型依赖性和最小可能增益。此外，姿态动力学为严格反馈形式；因此采用增量反步滑模控制。此外，还设计了一种新型负载参考生成器，用于区分执行机动所需的负载和过载负载。负载参考由内环最优机翼控制器实现，而过载负载由襟翼自然化，而不会影响外环跟踪性能。通过空间轨迹跟踪任务和阵风负载缓解任务验证了所提出的控制架构的优点
使用自学习的增量模型对锂离子电池的健康状态和终身预测
锂离子电池是代表至关重要的技术，以实现零碳的目标。因此，必须监视其条件，以使使用这些组件的系统的安全可靠操作。此外，锂离子电池的进程和健康管理政策必须应对电池降解的复杂电 - 化学动力学的非线性和时变性质。本文提出了一种基于学习的算法，以估算基于测量数据流的锂离子电池的健康状况（SOH）和剩余的使用寿命（RUL）。为此，根据SOH的增量建模提出了两个层框架。在第一层中，从部分充电和放电周期的电压和当前数据中提取了一组代表性特征。然后，这些功能用于在递归程序中训练提出的模型，以估计电池的SOH。第二层使用容量数据来逐步学习SOH自动型（AR）模型，该模型将通过时间来传播电池的降解，以使RUL PREDICTION进行降解。提出的方法应用于两个数据集进行实验评估，一种来自Calce，另一种来自NASA。所提出的框架能够估算所有情况下的8种不同锂离子细胞的SOH，平均百分比误差低于1.5％，而寿命模型则预测了该单元的RUL，最大平均值为25％。
simppo：无服务器资源管理的可扩展和增量在线学习框架
无服务器功能-AS-A-Service（FAAS）为客户提供了改进的性能性，但它并不是服务器“少”，并且以更复杂的基础架构管理（例如，资源提供和调度）的成本为云提供者。为了维持服务级别的目标（SLO）并提高资源利用效率，最近的研究集中在应用在线学习算法（例如加固学习（RL））来管理资源上。尽管最初的应用RL取得了成功，但我们首先在本文中表明，最先进的单代理RL算法（S-RL）在多租户无服务器FAAS平台上遭受高达4.8×较高的P99功能延迟降低，与在培训过程中无法融合。然后，我们基于近端策略选择（SIMPPO）设计并实施一个可扩展和增量的多代理RL框架。我们的实验表明，在多租户环境中，SIMPPO使每种RL代理在训练过程中有效收敛，并提供在线功能延迟性能，可与S-RL的S-RL隔离培训相当（少量降解（<9.2％））。在多租户情况下，与S-RL相比，SIMPPO将P99功能延迟降低了4.5×。
设计生成预训练的变压器中的增量知识富集
本文提出了一种针对GPT-Neo量身定制的逐步知识丰富的新方法，解决了在不进行全面培训的情况下使用最新信息进行更新的大型语言模型（LLMS）的挑战。我们引入了一种动态链接机制，该机制可以实时整合不同的数据源，从而增强了模型的准确性，及时性和相关性。通过严格的评估，我们的方法证明了几个指标的模型性能的显着改善。该研究为AI中最紧迫的问题之一贡献了可扩展且有效的解决方案，这可能会彻底改变LLM的维护和适用性。发现强调了创建更自适应，响应和可持续的生成模型的可行性，为该领域的未来进步开辟了新的途径。
增量创新：特斯拉新能量电池的范围开发和创新
摘要：气候变化的影响引起了全球的极大关注，并导致对使用替代能源减少碳排放的普遍共识。然而，在替代能源车市场中，纯电动汽车启动特斯拉电动机（Tesla）一直处于电动汽车技术的最前沿，并且还是电池范围的领导者[1]。特斯拉作为现任临时领导者，是本文的案例研究。本文是特斯拉当前的新能源电池创新和开发项目的概述，分为三个模块，包括概述创新类型，创新来源和接近商业化的项目。最后，通过讨论特斯拉的能力和未来挑战，提供了创新企业发展的新思想和方向。
安全挑战随着QR码和AI生成的网络钓鱼的增量
尽管QR码网络钓鱼通常是针对各种个人和组织的机会主义威胁，但高管受到这些攻击的影响不成比例。例如，来自异常安全的数据表明，执行角色的人员收到的QR码攻击是2023年下半年的QR码攻击的42倍。这并不完全令人惊讶，因为威胁性参与者长期以来一直针对具有或多或少量身定制的网络钓鱼信息的高管和高级人员，这是一种称为“捕鲸”的技术，这主要是由于这些员工通常更高的访问公司资源的访问水平。异常安全性还报告说，大约27％的恶意QR码用于模拟2/MFA通知的网络钓鱼攻击，几乎可以肯定会产生紧迫感，并促使受害者立即采取行动。
通过机载激光扫描估计树木年轮宽度的周期性年增量
摘要：大多数使用机载激光扫描 (ALS) 的森林生长研究都考虑了在重复的 ALS 数据采集中如何观察到森林属性的变化，但从 ALS 数据预测未来森林生长仍然是一个很少讨论的话题。本研究考察了 10 年内树木年轮宽度周期性年增量 (PAI) 的预测。这种方法的要求是在生长期开始时获取 ALS 数据。然后在给定的生长期后通过钻探对生长进行现场测量。使用基于区域的方法的原理，根据 ALS 指标对 PAI 进行建模。与强度相关的指标作为预测因子特别重要，而有效叶面积指数则不是。预测的均方根误差 (RMSE) 略高于 21%。额外的现场信息（土壤类型、管理操作）将 RMSE 提高了 2.7 个百分点。
非线性MPC设计用于增量ISS系统，并应用于GRU网络✩
本简介介绍了非线性模型预测控制（NMPC）策略的设计，以增量输入到状态稳定（ISS）系统。特别是设计了一种新颖的公式，这不必繁重的终端成分计算，而是依赖于最低预测范围的明确定义，以确保闭环稳定性。设计的方法特别适合通过复发性神经网络（RNN）学习的系统，该系统以增强的建模功能而闻名，并且可以通过简单的代数条件来研究增量ISS的属性。该方法应用于封闭式复发单元（GRU）网络，还提供了设计具有收敛保证的量身定制状态观察者的方法。在基准系统上测试了最终的控制体系结构，以证明其良好的控制性能和有效的适用性。©2023 Elsevier Ltd.保留所有权利。
归纳时空的临时性克里格，具有物理学引导的增量训练策略
摘要 - 用于空气质量的传感器的部署受到高成本的限制，导致网络覆盖不足和某些领域的数据缺陷。利用现有的观察结果，时空kriging是一种在特定时期估算未观察到位置空气质量的方法。具有增量训练策略的归纳时空kriging已证明了其使用虚拟节点模拟未观察到的节点的有效性。但是，虚拟节点和真实节点之间的差异仍然存在，这使从虚拟节点到实际未观察到的学习模式的应用变得复杂。To address these limitations, this paper presents a Physics- Guided Increment Training Strategy (PGITS).具体来说，我们设计了一个动态图生成模块，以将空气颗粒作为物理知识的对流和扩散过程纳入图形结构，并动态调整邻接矩阵以反映节点之间的物理相互作用。通过将物理原理用作虚拟节点和真实节点之间的桥梁，该策略可确保虚拟节点及其伪标签的特征更接近实际节点。Consequently, the learned patterns of virtual nodes can be applied to actual unobserved nodes for effective kriging.Index Terms —Air quality inference, sensors, inductive spatio- temporal kriging, physics principles, increment training strategy