XiaoMi-AI文件搜索系统
World File Search System性能比较
由 CNES 支持的 2023 年法国空间化学推进活动概览 - 第 10 届 EUCASS - 第 9 届 CEAS
摘要 本文概述了在法国航天局 CNES 的大力支持下，法国正在进行的空间化学推进研究活动。为了应对 REACH 法规（化学品注册、评估、授权和限制），技术路线图主要包括绿色推进技术活动，推进行业和研究中心已经研究了二十多年。介绍了当前世界范围内的绿色空间推进解决方案的最新进展。强调了所提解决方案的优缺点，并报告了简要的性能比较。介绍了 CNES 支持的绿色推进领域的研究活动；特别是那些以替代肼为主要目标的研究活动。此外，还强调了在寻找新型、更便宜、性能更好的推进剂和相关技术方面所做的大量研究工作。这最终将带来新的化学推进系统解决方案，扩大应用范围并降低总体任务成本。
河流和水中漂浮物检测研究
摘要：随着人工智能技术的快速发展，人工智能图像识别已成为解决传统环境监测难题的有力工具。本研究针对河湖环境中的漂浮物检测，探索一种基于深度学习的创新方法。通过精细分析静态和动态特征检测的技术路线，结合河湖漂浮物的特点，开发了完整的图像采集和处理流程。本研究重点介绍了三种主流深度学习模型SSD、Faster-RCNN和YOLOv5在漂浮物识别中的应用及性能比较。此外，还设计并实现了一套漂浮物检测系统，包括硬件平台构建和软件框架开发。经过严格的实验验证，该系统能够显著提高漂浮物检测的准确性和效率，为河湖水质监测提供了新的技术途径。关键词：图像识别；深度学习；河湖浮标检测
Genius AI 检测软件
该研究评估了 Genius AI Detection 软件 2.0 与之前发布的 Genius AI Detection 软件的性能。性能比较是使用 fROC 分析和每个产品操作点的关键指标进行的。使用 Hologic 的 3D™ 乳房断层合成检查的单个隔离数据集来比较已发布的 Genius AI Detection 软件和 Genius AI Detection 软件 2.0 之间的检测性能。使用 fROC 曲线和 Hologic 当前高分辨率图像采集模式（Hologic Clarity HD ® 成像技术）的关键性能指标对 Genius AI Detection 软件 2.0 和 Genius AI Detection 软件之间的主要独立性能进行比较。此外，还进行了补充分析，以比较按两种采集模式（高分辨率和标准分辨率）、病变类型（钙化与肿块）和乳房密度（致密乳房和脂肪乳房）分层的性能。
适用于超低功耗应用的 9T FinFET SRAM 单元
由于 CMOS 的缩放，这些设备的局限性引发了对替代纳米设备的需求。提出了各种设备，如 FinFET、TFET、CNTFET。其中，FinFET 成为最有前途的设备之一，由于其在纳米范围内的低泄漏，它可以替代 CMOS。如今，电子设备在电池消耗方面更加紧凑和高效。由于 CMOS 的缩放限制，CMOS SRAM 已被 FinFET SRAM 取代。已经有两个 FinFET SRAM 单元，它们具有高功率效率和高稳定性。已经对这些单元进行了性能比较，以分析泄漏功率和静态噪声容限。这些单元的模拟是在 20 nm FinFET 技术下进行的。经分析，改进的 9T SRAM 单元的写入裕度实现了 1.49 倍的改进。读取裕度也显示出比本文中比较的现有单元有显著的改善。对于所提出的 0.4 V SRAM 单元，发现保持裕度更好。栅极长度已经改变，以发现栅极长度对读取裕度的影响。
基于逻辑的可解释和增量机器学习
在ILP中也以非单调逻辑程序和默认规则（Srinivasan，Muggleton和Bain 1992; Dimopoulos and Kakas 1995）学习了身体中的目标。将模型表示为默认规则带来了可观的优势，可解释性，增量学习和数据经济。我们提出了可解释和可解释的基于LP的机器学习算法，以及用于增量学习的基于LP的强化学习，以及基于LP-基于LP的解释，用于解决数据经济问题。我们可解释的基于LP的机器学习方法（Shakerin，Salazar和Gupta 2017; Wang and Gupta 2022，2024）与最先进的技术竞争，例如XGBOOST（Chen and Guestrin 2016）和Mult-ceptrons/ceptrons/nealurations/nealuret网络（Aggarwal 2018）。表1显示了基于LP的ML算法的Fold-SE（Wang and Gupta 2024）的性能比较，以及XG-BOOST和MLP在二进制分类任务上的性能比较。与其他可解释的ML算法不同的是，它可以从数据中学习基于简洁的逻辑规则集，然后可以使用该规则集来进行预测。表2显示了Fold-SE与另一个流行的可解释的ML算法Ripper的比较。fold-se在产生明显较小的规则集的同时，达到了更高或可取的精度。nesyfold（Padalkar，Wang和Gupta 2023; Padalkar and Gupta 2023）是一个使用Fold-Se-M算法（用于多类别分类）的框架，从对图像分类任务进行培训的CNN生成全局解释。对于整个火车组，将最后一层内核的输出进行了二元。然后使用折叠-SE-M算法来学习一个规则集，其中每个谓词的真实值都被二进制内核的输出确定。每个内核都可以映射到它所学会的概念中，可以将其识别为识别及其相应的谓词可以将其标记为这些概念。图1说明了用于对“浴室”，“床房”和“厨房”的图像进行分类的CNN的Nesyfold框架。可以通过域专家仔细检查获得的规则集，以检查CNN可能学到的偏见。默认规则是捕获关系数据集的逻辑的绝佳方法。人类在日常推理中使用默认值（Stenning and van Lambalgen 2008； Dietz Saldanha，Houldobler和Pereira 2021）。大多数数据集都是由人类驱动的活动产生的（例如贷款
具有动态热额定值和存储的过度种植海上风电场能源管理的随机动态规划
摘要 — 我们研究海上风电场的最佳能源管理，该风电场结合了“过度种植”（生产量超过输电能力）、“动态热额定值”（DTR，由于输出电缆周围土壤的热惯性大，瞬时输出量超过稳态输电能力）和能量存储（以减轻限电和预测误差）。这种前瞻性的设置旨在进一步降低海上风电的平准化能源成本，它产生了一个具有时间耦合和不确定输入的优化问题。这个能源管理问题的困难在于，由于电缆周围的热惯性，时间常数相差几个数量级。我们提出了一种基于随机动态规划 (SDP) 的大型 GPU 实现的近似解决方案。在我们的性能比较中，SDP 优于更简单的基于规则的能源管理方案，同时我们还探讨了 DTR 在过度种植背景下的好处。索引术语 — 过度种植、动态热额定值、能量存储、最佳能源管理、随机动态规划
使用脑电信号检测和分类癫痫发作技术的最新研究
摘要：早期检测和分类癫痫发作对计算机辅助设备和最新医疗物联网 (IoMT) 设备的分析、监测和诊断大有裨益，这一点怎么强调也不为过。这些应用的成功在很大程度上取决于所采用的检测和分类技术的准确性。多年来，人们研究、提出和开发了多种方法。本文研究了过去十年的各种癫痫发作检测算法和分类，包括传统技术和最新的深度学习算法。它还讨论了癫痫样检测作为实现意识障碍 (DOC) 高级诊断及其理解的步骤之一。对所研究的不同算法进行了性能比较，并探讨了它们的优缺点。从我们的调查来看，最近人们非常关注探索深度学习算法在癫痫发作检测和分类中的有效性，这些算法还用于图像处理和分类等其他领域。混合深度学习也得到了探索，其中 CNN-RNN 最受欢迎。
用于沉浸式图像引导神经导航系统的基于物理的自适应非刚性配准
目的：在图像引导的神经外科手术中，联合配准的术前解剖、功能和扩散张量成像可用于安全切除脑部重要区域的脑肿瘤。然而，脑部在手术过程中会变形，尤其是在切除肿瘤的情况下。术前图像数据的非刚性配准 (NRR) 可用于创建配准图像，该配准图像可捕捉术中图像中的变形，同时保持术前图像的质量。本文利用临床数据报告了几种处理脑变形的非刚性配准方法的准确性和性能比较结果。提出了一种新的自适应方法，该方法可自动去除切除肿瘤区域中的网格元素，从而处理切除时的变形。为了改善用户体验，我们还提出了一种将混合现实与超声、MRI 和 CT 结合使用的新方法。
FPGA上的快速傅立叶变换的平行管道硬件加速度
快速傅立叶变换（FFT）广泛用于数字信号处理应用中，尤其是用于使用CNN实时对象检测的卷积操作。本文提出了用于在FPGA上实现的Radix-2 FFT计算的有效的硬件档案，采用了蝴蝶单元的多个平行和管道阶段。所提出的架构利用块RAM存储输入和Twiddle因子值来计算转换。在Zync Ultrascale FPGA上合成了所提出的体系结构的硬件，并使用诸如关键路径延迟，吞吐量，设备利用率和功耗等参数评估其性能。发现在FFTOPS中测量的8点FFT所提出的平行管道结构的性能比非二叠体的AR插条高67％。性能比较与最新的并行管道管道方法证实了所提出的FFT体系结构达到的加速度。在论文中还介绍了拟议的硬件与与Vivado Design套件捆绑在一起的FFT IP核心的合成版本的全面比较。
引用：Moutaouakil W.，Hamida S.，Cherradi B.，Raihani A.（2024）使用机器LEA
摘要：洪水代表了造成广泛损害的重要自然危害。该研究旨在证明采用机器学习（ML）模型的鲁棒性，即随机森林（RF），支持向量机（SVM），逻辑回归（LR），K-Nearest邻居（KNN）和决策树（DT），以生成摩洛哥Tetouan City的洪水易感图。该方法依赖于包含1000个样本的空间数据集，其中包括八个条件因素：高程，坡度，距离河流（DR），排水密度（DD），土地使用（LU），河流功率指数（SPI），地形见证见证人指数（TWI）和归一化差异植被指数（NDVI）。使用遥感技术提取这些因素。ML算法的性能比较表明，RF在曲线（AUC）值下表现出最高的精度和面积，达到95％，从而优于其他模型。这项研究的关键发现可以作为当局和水文学家主动预测易洪水领域的指南，并采取必要的措施来减轻风险。