XiaoMi-AI文件搜索系统
World File Search System平均误差
飞机结构测试中的高级声发射源位置
s Grigg，C A Featherston，M Pearson和R Pullin Cardiff工程学院，加的夫大学，皇后建筑，游行，加的夫，CF24 3AA摘要。声发射（AE）是一种原位结构性健康监测（SHM）技术，在该技术中，由于裂纹生长而产生的超声波监测结构。将AE应用于飞机和其他复杂结构时，AE的主要挑战是，波传播会受到加强剂，孔，厚度变化和其他复杂性的显着影响。这降低了基于奇异传播波速的传统源位置技术的准确性。Delta-T方法通过映射结构并考虑这些更改来实现更高级别的准确性。在这项工作中，AE监视设备安装在铝空客A320机翼的一部分上。位置试验显示，与商业标准技术相比，人工HSU-Nielson来源的Delta-T技术将平均误差从85mm提高到23mm。在疲劳下进行测试证明了检查3D结构（由于多个信号路径）具有显着水平的背景噪声时遇到的挑战。在结构中鉴定出的两个裂纹中，其中第一个被成功地检测到并找到，而另一个由于高机噪声和无代表性的负载而错过了。
光学与激光技术
在高功率激光材料加工技术中，例如激光焊接、激光熔覆或激光表面处理，调整激光束的空间强度分布（俗称光束整形）可用于优化加工结果，包括加工质量和/或生产率。为了实现动态光束整形（即在加工过程中调整强度分布），光学装置中需要动态光学元件。目前，适合整形单个高功率激光束的动态光学装置是振镜扫描仪和可变形镜。然而，缺乏对这些光束整形装置的光束整形能力（例如分辨率和整形性能）的客观比较。本文提出了一种新颖的数学框架来分析和比较这两种光束整形概念。该框架用于量化光束整形能力，作为相关激光设置参数的函数。接下来，使用该数学框架，模拟振镜扫描仪和可变形镜在瞄准分裂激光束、创建马蹄形强度分布和创建方形均匀分布时的性能。结果表明，实际上，这两种设备都能够在焦平面上创建这三种所需的激光强度分布，与所需的光束形状相比，平均误差也较小。然而，误差分布显示出差异，这是每个单独的光束整形设备的物理限制所特有的。
Wrap-forecasting-Global-Climate-drivers-gaussian-processes ...
机器学习（ML）方法已成为建模和预测复杂的高维时空数据集的重要工具，例如在环境和气候建模应用程序中发现的数据集。mL方法可以提供短期预测的快速，低成本替代方案，而不是昂贵的数值相似，同时通过能够坚固，动态地量化预测性不确定性，从而解决了数值建模的显着杰出限制。对高级气候变量的低成本和近乎遗传的预测在预警系统，象征和参数性小规模的本地相关模拟中具有明确的应用。本文通过将数据驱动的自动编码器与高斯工艺（GP）相结合以产生基于概率张量的回归模型，从而提出了一种多任务时空回归的新方法。提出了该方法，以同时预测全球尺度上的一步温度和压力。通过在学习的潜在空间中进行概率回归，可以将样品传播回原始特征空间，以大大降低的计算成本产生不确定性估计。复合GP-AutoEncoder模型能够同时预测全球温度和压力值，平均误差分别为3.82℃和638 HPA。此外，平均而言，真实值在所提出的后验分布范围内95.6％的时间说明该模型会产生良好的预测后验分布。
电池健康的预后，具有无传感器差分温度伏安的重建和基于多域适应性的容量估计
电池健康预后是电池管理的关键部分，用于确保安全和最佳用法。在本文中提出了一种基于多域适应性的端到端无传感器差异温度伏安挥发性重建和健康估计状态的新方法。首先，使用部分充电或散布曲线来重建差分温度曲线，从而消除了温度传感器测量的需求。偏差容量曲线和重建的差分温度曲线是输入的，然后在端到端的健康估计状态中使用。最后，为了减少源和目标域之间的域差异，将最大平均差异作为额外的损失包括在于提高差分温度曲线重建和健康估计状态的准确性，并使用未标记的测试电池中的未贴标数据。四个数据集，其中包含具有不同电池化学和格式的实验数据和公共数据，当前模式和速率以及外部条件用于验证和评估。实验结果表明，在不同情况下，提出的方法可以满足健康预后，对于差分温度曲线，平均误差小于0.067°C/V，而健康状况为1.78％。结果表明，与没有传统数据驱动的方法相比，差异温度曲线重建的误差降低了20％以上，健康估计状态的误差降低了所提出的方法的47％以上。
基于A-坐标 - 基于深度学习模型 -
摘要：随着到2050年估计的老年群体越来越多，图像引导的最低侵入性程序既越来越流行，也越来越流行，并且对于治疗各种疾病而言是必要的。为了降低新程序的学习曲线，有必要开发更好的指导系统和方法来分析程序性能。由于流体镜检查仍然是可视化的主要模式，因此从流体镜图像进行导管跟踪的能力是这项工作的重要组成部分。本文探讨了在3D打印心脏模型中从流体镜图像中对导管进行具有里程碑意义的检测的使用。我们表明，基于两阶段的深横向跨性神经网络模型架构可以通过在图像中确定导管尖端的坐标之前先定位感兴趣的区域，从而提供改进的性能。该模型的平均误差少于图像分辨率的2％，并且可以在4毫秒内执行，从而使其用于实时术中的潜在用途。坐标回归模型具有直接输出值的优点，该值可用于在将来的应用程序中用于定量跟踪，并且与需要制作整个掩码的语义分割模型相比，可以更易于创建地面真相值（更快地〜50×）。因此，我们认为这项工作具有更大的长期潜力，可以用于更广泛的心脏设备，导管和指南。
用于实时工具跟踪的混合跟踪模块，用于自主外观
摘要 - 镜头已成为微管外科领域中有希望的视觉解决方案。但是，手动重新定位构成了挑战，导致中断破坏了手术流。因此，出现了对免提外观控制控制的需求。本文介绍了一种基于位置的视觉控制控制方法，包括检测模块，混合跟踪模块和一个控制模块，该模块调整了机器人摄像头持有器以遵循外科手术工具。集成了混合模块，以跟踪和预测外科手术工具的未来位置，以最大程度地减少系统延迟。所提出的系统由带有眼睛的立体声相机的7度机器人操纵器组成。使用跟踪误差和中心误差指标评估了三种替代方法（卷积神经网络，粒子滤波器-PF，光流 - OF）的比较分析。结果显示，平均误差为9。84±0。08毫米缓慢运动（2。5 cm/s）和13。11±0。 39毫米快速运动（4 cm/s）。 最后，进行了一项用户研究，以调查所提出的系统是否有效地减少了用户的工作量与相机的手动重新定位相比。11±0。39毫米快速运动（4 cm/s）。最后，进行了一项用户研究，以调查所提出的系统是否有效地减少了用户的工作量与相机的手动重新定位相比。
朝基于事件的卫星对接
摘要 - 自动化卫星对接是大多数未来轨内服务任务的先决条件。大多数基于视觉的解决方案建议使用常规摄像机。但是，由于极端的照明条件，官能相机面临挑战。事件摄像机已用于各种应用中，因为它们的优势比常规摄像机（例如高时间分辨率，更高的动态范围，低功耗和更高的像素带宽）。本文提出了一个硬件设置，以模拟低地轨道（LEO）条件。该设置旨在展示基于事件的相机对卫星对接应用程序的适用性。开发的测试环境具有类似于狮子座的照明条件，Leo是洛克希德·马丁（Lockheed Martin）的任务增强端口标准后的模拟卫星对接端口，以及一个可以将模拟卫星移动以复制太空运动的机器人臂。本文显示了在狮子座条件下（例如像素饱和度）中传统摄像机所面临的缺点，从而导致功能丧失。为了克服这些局限性，本文使用基于事件的相机介绍了端口检测管道。所提出的管道在图像空间中以平均误差为8.58像素来检测对接端口。与图像宽度和高度相比，此错误分别为2.48％和3.30％。因此，所提出的方法为卫星对接提供了有希望的结果，该卫星在狮子座环境中使用照明条件具有挑战性的情况。
中亚的气候模型缩减：一种动力学和神经网络方法
摘要。高分辨率气候预测对于估计未来气候变化影响至关重要。通常使用统计和动力学降压方法或两者的混合体来生成输入数据集用于影响建模。在这项研究中，我们采用了区域气候模型6.0版COSMO-CLM（CCLM）版本，探索动态降低一般循环模型（GCM）的好处，从耦合模型对比度对比6（CMIP6）（CMIP6），集中于中部亚洲的气候变化预测（CA）（CA）。The CCLM, at 0.22° horizontal res- olution, is driven by the MPI-ESM1-2-HR GCM (at 1° spa- tial resolution) for the historical period of 1985–2014 and the projection period of 2019–2100 under three Shared Socioe- conomic Pathways (SSPs), namely the SSP1-2.6, SSP3-7.0, and SSP5-8.5方案。使用气候危害组红外降水与站数据（chirps）作为参考，我们评估了整个历史时期由ERA-Interim重新分析驱动的CCLM的绩效。与其驾驶GCM相比，CCLM的附加值在CA的山区很明显，而CA的山区面临着更高的极端降水事件风险。对于夏季，气候沉淀的平均绝对误差和气候沉淀的偏差（mM d-1）的平均误差（mM d-1）减少了5 mm d-1，对于年度值，夏季的平均绝对误差和3 mm d-1的偏差。在冬季，无法减少错误。但是，在CCLM模拟中，极端预紧值的频率提高了。另外，我们采用CCLM来重新调整未来的气候projec-
基于多传感信息融合的移动机器人定位与环境感知技术
本文重点介绍了位置准确性低的问题和在复杂环境中移动机器人的不良环境感知性能。它基于IMU和GP的机器人姿势信息和环境知觉信息进行了关键的技术研究，以检测机器人自己的姿势信息，以及激光雷达和3D摄像头，以感知环境信息。在“姿势信息融合层”中，粒子群处理算法用于优化BP神经网络。没有偏见的卡尔曼过滤，并实现了未经意识的卡尔曼滤波器，以实现INS-GPS松散耦合导航，从而减少了INS组件IMU的偏见和噪声。此外，当GPS信号丢失发生时，训练有素的神经网络可用于输出预测信息，以进行惯性导航系统的错误校正，提供更准确的速度，并将信息作为绝对位置约束。在环境感知融合层中，补偿的IMU预一整合性调查分别与次要水平分别与视觉探光仪和激光镜探测融合。这使机器人的实时精确定位和环境图的更精细结构。最后，使用实际收集的轨迹来验证算法，以进行multi传感器信息的两级融合。实验结果表明，该算法提高了机器人的定位准确性和环境感知性能。机器人运动轨迹和原始真实轨迹之间的最大误差为1.46 m单位，而最小误差为0.04 m单位，平均误差为0.60 m。
Anss Hameed
•开发基于Python的深度学习交易者，受到LOB快照和基线交易策略的培训，利用技术指标（例如rsi）与超人贸易代理商竞争（例如zip，shvr）。•在C + +中分布式HFT市场间套利模拟中使用XGBoost评估深度学习交易者。协整驱动的对技术指标的交易| Python，Pandas，Numpy 2025年1月•使用统计协整测试（ADF）识别具有固定差的库存对，以确保均值转换潜力。•使用布林乐队，RSI和Z分数作为进入/出口信号，通过停止损害和庞然大意的级别构建了回测引擎。•在4年内达到1.06的夏普比率为115％，表明稳健和风险调整后的盈利能力。随机选项定价引擎（蒙特卡洛和黑色choles）| Python 2024年11月•使用几何布朗运动在50多个场景中模拟资产价格路径，应用神经网络以进行波动性预测，以将定价准确性提高10％，将黑链链作为基准。•构建了一个实时交互式UI，以进行参数调整和视觉误差分析，从而通过超参数调谐优化Monte Carlo性能，MC和B-S输出之间的平均误差<5％。AI社交媒体|产品经理，客户联络与开发人员（Spacenxt Labs）| Python，JavaScript 2023年9月 - 2024年5月