XiaoMi-AI文件搜索系统
World File Search System无源
Thinksystem NVIDIA L40S 48GB PCIE GEN4无源GPU
企业正在寻求使用主流基础架构来满足其计算需求，但是培训最先进的模型需要大量的计算能力。对于LLM型号，八个L40S在主流服务器中的培训表现为NVIDIA HGX™A100 8-GPU系统的训练性能，使Enterprises通过传统的基础架构快速解决解决方案。与推理的A100 80GB SXM相比，L40S使用stablediffusion提供了高达1.2倍的生成AI推理性能，并且在流行网络上（例如MLPerf Benchmark中包含的网络）提供了高达1.5倍的推理性能。
130nm BiCMOS带通型负群延迟恒移相微波无源集成电路设计方法
Blaise Ravelo 1，IEEE 会员，Mathieu Guerin 2，IEEE 会员，Jaroslav Frnda 3,4，IEEE 高级会员，Frank Elliot Sahoa 5，Glauco Fontgalland 6，IEEE 高级会员，Hugerles S. Silva 7,8，IEEE 会员，Samuel Ngoho 9，Fayrouz Haddad 2，IEEE 会员，以及 Wenceslas Rahajandraibe 2，IEEE 会员 1 南京信息工程大学（NUIST），电子信息工程学院，江苏南京 210044 2 艾克斯-马赛大学，CNRS，土伦大学，IM2NP UMR7334，13007 马赛，法国 3 日利纳大学交通运输与通信运营与经济学院定量方法与经济信息学系， 01026 Zilina, 斯洛伐克 4 电信系，电气工程和计算机科学学院，VSB 俄斯特拉发技术大学，70800 俄斯特拉发，捷克共和国 5 Laboratoire de Physique Nucléaire et Physique de l'Environnement (LPNPE), Université d'Antananarivo, Antananarivo 101, Madagascar 6 联邦大学Campina Grande，应用电磁和微波实验室，Campina Grande/PB，58429，巴西 7 Instituto de Telecomunicações and Departamento de Eletrónica，Telecomunicações e Informática，Universidade de Aveiro，Campus Universitário de Santiago，3810-193 Aveiro，葡萄牙 8 巴西利亚大学电气工程系(UnB)，联邦区70910-900，巴西 9 法国系统科学协会 (AFSCET)，巴黎 75013，法国
定格频段负面延迟微波无源电路的原始应用在两步楼梯相位的设计
aq：1 =请确认或为本文研究添加任何资金或财务支持的详细信息。aq：2 =请为您的资助代理提供首字母缩写的扩展。提供正确的确认将确保对资助者有适当的信誉。aq：3 =如果您还没有这样做，请确保您已为论文提交了图形摘要。GA应该是您所接受的文章中的当前图像或图像。GA将显示在您的文章摘要页面上的IEEE Xplore上。请从纸张中选择当前的图，并尽早提供标题，以便为图形摘要提供标题。请注意，字幕不能超过1800个字符（包括空格）。如果您提交了视频作为图形摘要，请确保有一个覆盖图像和标题。覆盖图像通常是最能代表视频的视频的屏幕截图。这是针对可能无法访问视频观看软件的读者。请参阅下面的链接中的一个示例：http：//ieeeeacess.ieee.org/submitting-an-article/ aq：4 =请提供参考日期。[18]。aq：5 =请提供第并发行编号。或一个月参考。[38]。aq：6 =请为作者Glauco Fontgalland和Fayu Wan提供更好/更高质量的图像。aq：7 =当作者Mathieu Guerin获得博士学位时，请提供完成年份。程度。
状态报告热湿度无源系统的可靠性
归因4.0 International（CC By 4.0）。这项工作可根据创意共享归因4.0国际许可提供。通过使用这项工作，您可以接受受此许可条款的约束（https://creativecommons.org/licenses/4.0）。归因 - 您必须引用工作。翻译 - 您必须引用原始作品，确定对原始文本的更改，并添加以下文本：如果原始作品和翻译之间有任何差异，则仅应将原始作品的文本视为有效。改编 - 您必须引用原始作品并添加以下文本：这是经合组织对原始作品的改编。本适应中表达的意见和论点不应报告为代表经合组织或其成员国的官方观点。第三方材料 - 许可证不适用于工作中的第三方材料。如果使用这种材料，则负责获得第三方的许可以及任何侵权索赔。未经明确许可，您不得使用经合组织徽标，视觉标识或封面图像，也不得建议经合组织认可您对工作的使用。根据本许可引起的任何争议均应按仲裁根据2012年常任仲裁法院（PCA）仲裁规则解决。仲裁的所在地应为巴黎（法国）。仲裁员的数量应为一个。
空间领域感知的无源射频技术与演示
用于空间领域感知 (SDA) 的无源射频 (PRF) 技术已被美国太空军 (USSF) 空间条令“出版物 3-100，空间领域感知” [1] 确定为 SDA 任务感兴趣的一项技术。无源射频传感器利用航天器发射的信号来确定飞行器的位置和运动，进而可用于轨道确定和保管维护。无源射频技术还包括使用传统信号处理和射频机器学习 (RFML) 技术分析信号外部特性，以表征航天器，包括识别、姿势估计、生命模式、变化或事件检测、意图估计、预警以及包括雷达和光学传感器在内的其他传感器系统的倾斜和排队。无源射频的主要优点包括白天和夜间的持续观测、恶劣天气下的观测以及快速重访。这项工作将涵盖弗吉尼亚理工大学国家安全研究所利用弗吉尼亚理工大学地面站 (VTGS) 的资产和相对低成本的商用现货 (COTS) 软件定义无线电 (SDR) 技术开发初步概念验证无源射频能力的努力。该系统的当前目标包括在 S 波段卫星通信频率分配下跟踪地球同步航天器、通过卫星下行链路的极化分析探索姿态估计，以及初始数据收集以探索用于跟踪和卫星特性的多种算法。正在为这一初步概念验证研究的特定无源射频技术是射频干涉测量法，它利用多个相干卫星接收器系统之间的长间隔（称为基线），并为跟踪观测提供潜在的亚角秒角分辨率。将介绍真实世界干涉仪的技术设计，包括实施挑战，例如多个站点之间的定时和同步以及系统校准。还将介绍该系统从空中真实世界测量中得出的初步结果，涉及卫星跟踪和特性。本文最后将讨论系统的改进和未来工作，包括在替代飞行状态下的跟踪和特性描述、扩大系统的频率覆盖范围及其对系统设计的影响，以及可用于 SDA 任务并通过系统测试的潜在信号处理和 RFML 技术。
实例关系图指导的无源域自适应对象检测
无监督的域适应性（UDA）是解决域转移问题的有效方法。特别是UDA方法试图对齐源和目标代表，以改善对目标域的概括。，UDA方法在适应过程中可以访问源数据的假设下起作用。但是，在实际情况下，由于隐私法规，数据传输限制或专有数据关注，标记的源数据通常受到限制。源 - 自由域适应（SFDA）设置旨在通过对目标域进行源训练的模型来减轻这些问题，而无需访问源数据。在本文中，我们探讨了自适应对象检测任务的SFDA设置。为此，我们提出了一种新颖的培训策略，以使源训练的对象将对象降低到目标域而没有源数据。更重要的是，我们通过利用给定目标域输入的对象关系来设计一种新颖的对比损失，以增强目标表示形式。这些对象实例关系是使用实例关系图（IRG）网络建模的，然后将其用于指导对比度代表学习。此外，我们还利用学生教师将知识从源训练的模型提高到目标域。对多个OB-JECT检测基准数据集进行了广泛的实验表明，所提出的方法能够有效地适应源训练的对象检测器对目标域，超过了最先进的域自适应检测方法。代码和模型在https://viudomain.github.io/irg-sfda-web/中提供。
基于 ODMA 的多天线接收器无源随机接入方案
下一代无线通信系统需要高可靠性、高连接密度和低延迟。这使得大规模机器类型通信 (mMTC) [1] 成为 5G 及 5G 后 (B5G) 系统的一个关键特性。在 mMTC 中，大量设备（例如，每平方公里数百万台设备）具有低传输功率和短有效载荷，它们会不时地与基站 (BS) 进行通信，无需任何协调，也就是说，在任何给定时间，只有一小部分设备处于活动状态。传统的基于授权的多址接入方法，其中 BS 为每个用户分配固定资源（时间、频率、代码等），由于调度大量用户的过度延迟和信令开销，在物联网 (IoT) 等 mMTC 应用中变得不可行。为了解决这个问题，[2] 中引入了一种新的免授权随机接入范例，称为无源随机接入 (URA)。在 URA 中，设备共享相同的码本；因此，用户身份被删除，这允许任意数量的用户。接收器旨在恢复已传输消息的列表，而不管用户身份如何，并且每个用户的错误概率 (PUPE) 被采用作为主要错误度量。
位置不可源性的无源域自适应学习来预测太阳能发电
摘要 - 太阳能发电的预测是一项挑战任务，因为它依赖于表现出空间和时间变化的气候特征。由于数据分布的变化，预测模型的性能可能会在不同的位置各不相同，从而导致一个模型在一个区域中效果很好，但在其他区域则不能。此外，由于全球变暖的结果，天气模式的改变是明显的加速。这种现象引入了随着时间的流逝，即使在同一地理区域内，现有模型的功效也会降低。在本文中，提出了一个域自适应深度学习框架，以使用可以解决上述挑战的天气特征来估算太阳能发电。以监督的方式训练了一个已知位置数据集的馈电深度卷积网络模型，并用于预测以后未知位置的太阳能。这种自适应数据驱动的方法在计算速度，存储效率及其在最先进的非自适应方法失败的情况下改善结果的能力表现出显着的优势。我们的方法已显示出10的改进。47％，7。 44％，5。 分别为加利福尼亚州（CA），佛罗里达州（FL）和纽约（纽约）（纽约）的最佳性能非自适应方法相比，太阳能预测的准确性为11％。 索引术语 - 表现力，深度学习，域适应性，可再生能源47％，7。44％，5。分别为加利福尼亚州（CA），佛罗里达州（FL）和纽约（纽约）（纽约）的最佳性能非自适应方法相比，太阳能预测的准确性为11％。 索引术语 - 表现力，深度学习，域适应性，可再生能源分别为加利福尼亚州（CA），佛罗里达州（FL）和纽约（纽约）（纽约）的最佳性能非自适应方法相比，太阳能预测的准确性为11％。索引术语 - 表现力，深度学习，域适应性，可再生能源
并网光伏系统三相逆变器基于无源性的黎曼刘维尔分数阶滑模控制
由于环境条件多变，光伏 (PV) 系统参数始终是非线性的。在多种不确定性、干扰和时变随机条件的发生下，最大功率点跟踪 (MPPT) 很困难。因此，本研究提出了基于被动性的分数阶滑模控制器 (PBSMC)，以检查和开发 PV 功率和直流电压误差跟踪的存储功能。提出了一种独特的分数阶滑模控制 (FOSMC) 框架的滑动面，并通过实施 Lyapunov 稳定性方法证明了其稳定性和有限时间收敛性。还在被动系统中添加了额外的滑模控制 (SMC) 输入，通过消除快速不确定性和干扰来提高控制器性能。因此，PBSMC 以及在不同操作条件下的全局一致控制效率是通过增强的系统阻尼和相当大的鲁棒性来实现的。所提技术的新颖之处在于基于黎曼刘维尔 (RL) 分数阶微积分的 FOSMC 框架的独特滑动曲面。结果表明，与分数阶比例积分微分 (FOPID) 控制器相比，所提控制技术可在可变辐照度条件下将 PV 输出功率的跟踪误差降低 81%。与基于被动性的控制 (PBC) 相比，该误差降低 39%，与基于被动性的 FOPID (EPBFOPID) 相比，该误差降低 28%。所提技术可使电网侧电压和电流的总谐波失真最小。在不同太阳辐照度下，PBSMC 中 PV 输出功率的跟踪时间为 0.025 秒，但 FOPID、PBC 和 EPBFOPID 未能完全收敛。同样，直流链路电压在 0.05 秒内跟踪了参考电压，但其余方法要么无法收敛，要么在相当长的时间后才收敛。在太阳辐射和温度变化期间，使用 PBSMC，光伏输出功率在 0.018 秒内收敛，但其余方法未能收敛或完全跟踪，与其他方法相比，由于 PBSMC，直流链路电压的跟踪误差最小。此外，光伏输出功率在 0.1 秒内收敛到参考功率