XiaoMi-AI文件搜索系统
World File Search System平滑的
nambu – jona-lasinio模型，具有分形灵感耦合
编辑器：A。Ringwald nambu – Jona-Lasino模型通过包含通过分形方法获得量子染色体动力学获得的运行耦合来进行调整。耦合遵循一个指数函数，在高能量碰撞的背景下，解释了Tsallis非扩展统计分布的起源。参数𝑞完全根据颜色数量和夸克风味的数量来确定。我们研究了扩展模型的几个方面，并将结果与标准NJL模型进行了比较，在该模型中，将恒定的耦合与急剧的截止组合使用，以使间隙方程正常。我们表明，适度的耦合以平滑的截止方式将模型正常，并重现式质量和衰减常数，从而提供了与标准NJL模型中几乎相同的Gell-Mann-Oakes-Renner关系。在两种模型中，关系都以相似的截止量表进行。这项工作的一个重要新颖性是从分形QCD真空中的物理解释，用于使夸克冷凝物重新归一致的运行耦合。
采用并网三端口微型逆变器进行光伏稳固的新方法与分析
随着电力需求的增加、人们对环境问题的认识不断提高，再加上轮流停电，可再生能源发电的作用将变得更加重要。本文提出了一种新策略，可以在太阳辐射间歇的情况下收获稳定的太阳能，其中使用面板级三端口并网光伏微型逆变器系统代替传统的公用事业规模大功率储能和管理系统来实现光伏稳压。微型逆变器系统由前端反激式转换器和用于逆变器/整流器的 H 桥组成，电池组连接到直流链路。提出的光伏稳压策略在于静态和动态算法来产生平滑的光伏参考功率，然后将结果应用于各种控制方法以对电池组进行充电/放电，从而获得稳定的发电曲线。此外，还介绍了拓扑、仿真和实验结果。在 MATLAB/SIMULINK 中讨论和分析了实时光伏间歇性和可用容量数据，以验证光伏稳压控制。实验结果验证了提出的PV固化算法。
超越分区的大脑地形图：功能图的局部梯度
功能性神经成像提供了独特的机会，可以根据大脑区域对任务或正在进行的活动的反应来描述大脑区域。因此，它具有捕捉大脑空间组织的前提。然而，描述这种组织的概念框架仍然难以捉摸：一方面，分区隐含地建立在分段常数组织上，即由清晰边界分隔的平坦区域；另一方面，最近流行的功能梯度概念暗示了一种平滑的结构。注意到这两种观点都趋向于将功能特征的局部变化拼凑在一起的拓扑方案，我们对基于局部梯度的模型进行了定量评估。使用功能性磁共振成像 (fMRI) 数据的预测作为驱动案例——具体来说，从受试者的静止 fMRI 图中预测任务 fMRI——我们基于参考拓扑词典开发了一个逐块线性回归模型。我们的方法使用多个随机分区——而不是单个固定分区——并汇总这些分区的估计值以预测遗漏受试者的功能特征。我们的实验证明了分割的最佳基数的存在，以捕捉功能图的局部梯度。
Trope Hcraese付费-IDIAP出版物
摘要 - 在这项工作中，我们提出了一种新的方法，将机器人几何形状表示为距离场（RDF），该方法将签名距离场（SDF）的原理扩展到铰接的运动链。我们的方法采用了伯恩斯坦多项式的组合，以高精度和效率编码每个机器人链路的签名距离，同时确保SDF的数学连续性和不同性。我们进一步利用机器人的运动学链来在关节空间中产生SDF表示，从而允许以任意关节配置进行稳健的距离查询。提议的RDF表示在任务和关节空间中都是可区分和平滑的，使其直接集成到优化问题。此外，机器人的0级集合对应于机器人表面，可以将其无缝整合到全身操纵任务中。我们在模拟和7轴Franka Emika机器人中进行了各种经验，与基线方法进行了比较，并证明了其在避免碰撞和全身操纵任务方面的效率。项目页面：https：//sites.google.com/view/lrdf/home
基于最佳指数平滑法和能量熵的混合能量存储系统的功率波动和分配
摘要为了解决由大规模风能电网连接引起的功率质量降低和功率漏洞的问题，提出了一种高级控制策略，以平滑功率振荡和混合储能系统的分配。基于理论研究，采用了混合储能系统的数学模型来很好地分析风能的爆发和平滑策略。与传统的过滤算法相比，该研究提出了一种结合了最佳的启动平滑性，并与完整的合奏经验模式分解和自适应噪声和归一化的能量熵相结合，以提高网格连接的输出功率和功率分配的准确性。此外，模糊控制理论用于在获得平滑的功率输出和初始功率分配指令后提高算法的可靠性。为了证明算法的有效性，构建了案例研究以证明本文的表现。实验和示例模拟表明，所提出的方法可以有效地实现自适应能力分配并提高识别的准确性。有效地提高了储能系统的效率和使用寿命后，它为大规模网格操作提供了基础。
将机器人几何形状表示为距离字段
摘要 - 在这项工作中，我们提出了一种新的方法，将机器人几何形状表示为距离场（RDF），该方法将签名距离场（SDF）的原理扩展到铰接的运动链。我们的方法采用了伯恩斯坦多项式的组合，以高精度和效率编码每个机器人链路的签名距离，同时确保SDF的数学连续性和不同性。我们进一步利用机器人的运动学链来在关节空间中产生SDF表示，从而允许以任意关节配置进行稳健的距离查询。提议的RDF表示在任务和关节空间中都是可区分和平滑的，使其直接集成到优化问题。此外，机器人的0级集合对应于机器人表面，可以将其无缝整合到全身操纵任务中。我们在模拟和7轴Franka Emika机器人中进行了各种经验，与基线方法进行了比较，并证明了其在避免碰撞和全身操纵任务方面的效率。项目页面：https：//sites.google.com/view/lrdf/home
可再生能源生产预测：比较机器学习分析
摘要：随着可再生能源在全球越来越流行，而到目前为止，太阳能和风能一直是可再生能源的主要来源，因此可再生能源预测的准确性是对电力系统的计划，管理和运营的挑战。但是，由于可再生能源数据的中间和疯狂的性质，这是最具挑战性的任务。这项研究提供了基于不同机器学习算法的可再生能源预测的全面，完整的审查，以探索有效性，效率，能力和应用潜力。在这项工作中，我们在十二（12）个国家 /地区建立了使用支持向量机（SVM），线性回归（LR）和长期短期记忆（LSTM）的时间序列可再生能源预测模型。实验结果非常有趣。例如，基于SVM的预测模型更适合具有均值较小和标准偏差的国家，而基于线性回归的方法在均值较大和标准偏差的情况下显示出更好的结果。同时，基于LSTM的模型提供了更平滑的常规预测。我们可以通过这些预测模型预测两年的每日可再生能源生产。应该指出的是，我们已经为不同国家开发了不同的模型。我们能够使用基于SVM的模型达到3.1 38的根平方（RMS）值。
绿色网格的排放感知能量存储计划
减少我们对碳密集型能源的依赖对于减少电网的碳足迹至关重要。尽管电网看到清洁，可再生能源的部署越来越多，但使用传统的碳密集型能源仍可以满足网格需求的很大一部分。在本文中，我们研究了使用网格中部署的能量存储来减少电网的碳排放的问题。以前已将储能用于网格优化，例如剃须和平滑的间歇来源，但我们的见解是使用分布式存储来使公用事业能够减少其对效率较低和大多数碳密集型发电厂的依赖，从而减少其整体排放脚印。我们制定了排放意识到分布式储能的问题作为优化问题，并使用强大的优化方法非常适合处理负载预测的不确定性，尤其是在存在间歇性可再生能源（例如太阳能和风能）的情况下。我们使用具有1,341套房屋的分配网格的最佳神经网络负载预测技术和实际负载痕迹评估我们的方法。我们的结果表明，年度碳排放量降低了50万公斤，相当于我们的电网排放量下降了23.3％。
摩擦
摘要：在这项研究中，通过模拟的深海摩擦和磨损测试系统研究了不同静水压力（0.1-60 MPa）下多层石墨样碳（GLC）涂层的摩擦学行为和机制。透明的摩擦界面的形态和组成被彻底表征。调查结果表明，在静水压力升高或重负荷条件下，摩擦系数（COF）更大（但未超过0.02）。GLC涂层主要经历磨料磨损，并且磨损程度随着静水压力和负荷的增加而增强。摩擦界面的石墨化和基于硅的润滑产物的生产变得越来越明显。因此，通过改变摩擦接触表面的状态来实现静水压力对GLC涂层摩擦性能的影响。本质上，静水压力通过产生额外的压缩负荷来修饰摩擦对的实际接触面积，以使静水压力的增加对施加载荷的增加具有相似的影响。随着静水压力和施加载荷的增加，摩擦对表面上磨损平滑的趋势变得更加明显。在摩擦过程中生成的石墨转移膜和基于硅的材料改善了摩擦对的润滑性能，从而导致摩擦对磨损极低。
对风力涡轮机和杂种能量的协调控制...
由于固有的波动，风能整合到大规模的网格中会带来不稳定和其他安全风险。在本研究中，提出了使用多代理深钢筋学习，风力涡轮机（WT）的新协调控制策略和混合动力储能系统（HESS）是为了进行风能平滑的目的，其中HESS与转子动能和风力涡轮机的旋翼动能结合在一起。首先，通过自适应变化模式分解（VMD）预测风力发电量并分解为高，中和低频组件。然后，通过多代理双层列表深层确定性策略梯度算法（MATD3）进行高频和中频的参考功率的最佳二级分配，以平滑功率输出。为了提高学习的勘探能力，将一种新型的α-状态lévy噪声注入了MATD3的动作空间，并动态调节了噪声。模拟和RT-LAB半物理实时实验结果表明，提出的控制策略可以合理地充分利用WT和HESS组合生成系统的平滑输出功率，延长储能元件的寿命并降低WT的磨损。