XiaoMi-AI文件搜索系统
World File Search System学习控制
寻找最短时间量子目标的图示
操纵量子系统（例如自旋或人造原子）的常用方法是使用适当调整的控制脉冲。为了在相干性丧失之前完成量子信息任务，在尽可能短的时间内实现控制至关重要。本文我们报告了在 NMR 实验中以接近时间最优的方式制备保真度高于 99% 的贝尔态，这可以通过结合建模和实验的协同能力来实现。制备贝尔态的脉冲是通过实验发现的，这些实验通过与模型一起工作的基于梯度的优化算法递归辅助。因此，我们利用了基于模型的数值优化设计和基于实验的学习控制之间的相互作用。利用两种方法之间的平衡协同作用（由每种方法的特定情况能力决定），应该具有广泛的应用，可以加速寻找最佳量子控制。
传感器 - 语义学者
摘要：由于四旋翼飞行器具有欠驱动、强耦合等特点，传统的轨迹跟踪方法控制精度低，抗干扰能力差。针对四旋翼无人机，设计了一种新的模糊比例-交互式微分（PID）型迭代学习控制（ILC）。该控制方法将PID-ILC控制与模糊控制相结合，继承了ILC控制对干扰和系统模型不确定性的鲁棒性。针对单纯的ILC控制容易受到外界干扰而产生抖动的问题，提出了一种基于PID-ILC算法的新型控制律。采用模糊控制对三个学习增益矩阵的PID参数进行设置，以抑制不确定因素对系统的影响，提高控制精度。利用Lyapunov稳定性理论验证了新设计的系统稳定性。Gazebo仿真表明，所提出的设计方法为四旋翼飞行器设计了有效的ILC控制器。
通过深度学习实现远程控制 - NSF PAR
摘要 — 人类遥控 (RC) 飞行员能够仅使用第三人称视角视觉感知来感知飞机的位置和方向。虽然新手飞行员在学习控制遥控飞机时经常会遇到困难，但他们可以相对轻松地感知飞机的方向。在本文中，我们假设并证明深度学习方法可用于模仿人类从单目图像感知飞机方向的能力。这项工作使用神经网络直接感知飞机姿态。该网络与更传统的图像处理方法相结合，用于飞机的视觉跟踪。来自卷积神经网络 (CNN) 的飞机轨迹和姿态测量值与粒子滤波器相结合，可提供飞机的完整状态估计。介绍了网络拓扑、训练和测试结果以及滤波器开发和结果。在模拟和硬件飞行演示中测试了所提出的方法。
基于P300的自适应脑计算机界面用于注意训练：随机对照试验的协议
背景：认知缺陷和疾病的人数，例如中风，痴呆或注意力缺陷/多动障碍，由于老龄化或注意力缺陷/多动症障碍而增加。使用脑部计算机界面的神经反馈训练正在成为一种易于使用和无创的认知训练和康复的手段。使用基于p300的脑部计算机界面的神经反馈训练的新型应用，以前已经显示出可以提高健康成年人注意力的潜力。目的：本研究旨在使用迭代学习控制加速注意力训练，以优化自适应P300拼写任务中的任务难度。此外，我们希望使用P300拼写器进行注意训练的先前研究的结果，作为基准比较。此外，将培训期间任务难度个性化的有效性与非个人化任务难度进行比较。
全球决策的有效强化学习...
全球代理商的全球决策是全球代理人做出影响大量当地代理的决策，是一个经典问题，已经以多种形式进行了广泛研究（Foster等，2022; Qin等，2023; Foster等，2023），并且可以在许多应用中找到。网络优化，电源管理和电动汽车充电（Kim＆Giannakis，2017; Zhang＆Pavone，2016; Molzahn等，2017）。但是，一个关键的挑战是基础系统的不确定性质，这可能很难准确地建模。强化学习（RL）在各种应用程序中都表现出色，例如GO的游戏（Silver等，2016），自主驾驶（Kiran等，2022）和Robotics（Kober等，2013）。最近，RL已成为学习控制未知系统的强大工具（Ghai等，2023; Lin等，2023; 2024a; b），因此，对于多代理系统的决策，包括本地代理商的全球决策问题，具有巨大的决策潜力。
B Tech＆M仪器工程技术课程
模块1：控制器性能索引，基于模型和模型的调整及其比较研究，高级调整技术和直接合成；模块2：基于模型的控制，模型不确定性和干扰，IMC结构和设计，基于IMC的PI-PID控制器设计；模块3：多变量控制系统的简介，交互分析和多个单回路设计，多变量控制器的设计，相对增益阵列，MIMO系统的调整，De-Coupler Design的概念；模块4：模糊控制技术及其结构，模糊控制 - 实时专家系统设计，基于知识的控制器设计，非线性模糊控制，推论方案，规则基础生成和规则最小化技术；模块5：自适应模糊控制，性能监测和评估，适应机制；模块6：神经控制器设计，具有混合结构的神经模糊控制器，神经模糊的自适应学习控制网络，神经模糊控制器的结构学习；模块6：模糊和神经模糊控制器的优化技术。
社论：基于EEG（非侵入性）BCI应用程序的最新进展
大脑计算机界面（BCI）是一种有前途的技术，用于建立人脑和外部计算机设备之间的直接连接，该技术由于任何脑/脊髓相关的损伤或疾病而绕开正常途径，绕过正常途径。BCI允许严重残疾的人通过控制某些计算机设备，例如计算机，轮椅，神经假肢等，与外界进行交流。除此之外，它还用作中风患者和有相似需求的人的康复工具。基于EEG的BCI的另一种有希望的应用是神经反馈的领域。该技术使用实时脑电图数据来帮助个人学习控制自己的大脑活动，该活动可用于治疗抑郁症，焦虑和慢性疼痛等疾病。尽管有不同的大脑记录技术，但头皮脑电图在BCI研究中最受欢迎，因为它的主要非侵入性质具有其他吸引人的特征，例如详细的时间分辨率，易于使用，可移植性和较低的成本。
课程课程
强化学习和决策是一门三学分的课程，即强化学习和决策。强化学习是机器学习的一个子区域，与计算文物有关，通过经验来修改和改善其性能。强化学习的一个关键区别是用于训练模型的数据通常以模型本身通常收集的反复试验体验的形式出现。本课程重点介绍可以通过经典论文和最新工作的结合以编程方式学习控制政策的算法。它研究了它们存在的有效算法，以便单身和多代理计划以及从经验中学习近乎最佳决策的方法。主题包括马尔可夫决策过程；动态编程方法；基于价值的方法；马尔可夫决策过程部分可观察到；基于策略的方法；随机和重复的游戏；分散的部分可观察到的马尔可夫决策过程；和多代理方法。班级对概括，探索，表示和多代理系统的问题特别感兴趣。
用物理学弥合量子设备中的现实差距...
理论和实验之间的差异遍及整个科学，是人类发现的驱动力之一。模拟通常比实际实验所需的资源少，但很少捕获系统的全部复杂性，从而限制了它们的实际应用。缩小模型和现实世界之间的差距是使用机器学习控制复杂系统的关键，尤其是当机器学习模型在模拟上训练之前，然后将其应用于真实系统之前[1,2]。当存在无法直接观察到的数量时，现实差距将进一步扩大。可以通过对系统的其他特征的影响来估算这种不可观察的数量，例如，间接观察黑洞[3]，观察到希格斯玻色子衰变的特征[4]或从后面墙壁后面的人类姿势估计的机器学习估计[5]。名义上相同设计的固态量子设备通常会显示出不同的特征。这种可变性阻碍了原本有希望的量子实现的可伸缩性，例如在电子的自旋状态
加强学习以最大化风力涡轮机能源
我们提出了一种加固学习策略，以通过主动更改转子速度，转子偏航角和叶片螺距角来控制风力涡轮机能量。具有优先体验重放剂的双重Q学习与刀片元件动量模型相结合，并经过训练以允许控制风。训练代理商可以决定最佳的控制（速度，偏航，音高），以实现简单的稳定风，随后通过真正的动态湍流挑战，表现出良好的性能。将双重Q学习与经典价值的迭代增强学习控制进行了比较，并且两种策略在所有环境中都超过了经典的PID控制，增强型学习方法非常适合不断变化的环境，包括湍流/阵阵风，显示出极大的适应性。最后，我们将所有控制策略与实际风进行比较，并计算年度能源生产。在这种情况下，双重Q学习算法也胜过经典方法。