XiaoMi-AI文件搜索系统
World File Search System测试数据
飞行测试工程简介 - DTIC
这是飞行测试技术系列的入门卷。这是对飞行测试工程的各种活动和方面的一般介绍，在规划、执行和报告飞行测试计划时必须考虑这些活动和方面。其主要目的是为新手工程师或需要与飞行测试社区内的专家交流的其他人提供广泛的概述。前两节对为什么要进行飞行测试的问题提供了一些见解，并简要介绍了飞行测试工程的历史。第 3 至 10 节涉及飞行测试的准备工作。它们为必须考虑的初步因素提供指导；测试团队的组成；后勤支持要求；仪器和数据处理要求；飞行测试计划；相关的初步地面测试；最后，但绝非最不重要的，讨论安全方面。第 11 至 27 节描述了通常在开发和认证新型或改进型飞机期间进行的各种类型的飞行测试。每个部分都简要介绍了所考虑的主题以及要进行的测试的性质和目标。它列出了所需的测试仪器（以及适当情况下的其他测试设备和设施），描述了要执行的测试操作，并指出了选择、分析和呈现测试数据的方式。接下来介绍了试飞之间应进行的各种活动。涵盖的内容包括：向谁汇报；将哪种类型的报告发送到哪里：下次飞行所需的数据分析类型；审查测试数据以与预测数据进行比较，如果不一致，则采取一些行动方案；以及对选择下一次试飞的评论。介绍了完成测试程序后必须进行的活动。介绍了应进行的汇报和简报类型，并讨论了飞行测试数据的一些用途。对当前趋势可能的发展方向进行了简要预测。
![arxiv：2401.16951v1 [cond-mat.mtrl-sci] 2024年1月30日](/simg/g:\will\search\icon\source\a\ac976b75fbfc6fb0537e43bd89309e7daeef3e75.webp)
arxiv：2401.16951v1 [cond-mat.mtrl-sci] 2024年1月30日
摘要 - LARGE语言模型（LLM）被认为具有自动化安全任务的有希望的潜力，例如在安全操作中心（SOCS）中发现的任务。作为评估这种感知潜力的第一步，我们调查了LLM在软件pentesting中的使用，其中主要任务是自动识别源代码中的软件安全漏洞。我们假设基于LLM的AI代理可以随着时间的推移而改进，因为人类操作员与之互动，可以为特定的安全任务进行特定的安全任务。可以通过第一个步骤来通过工程提示根据产生的响应提示为LLM提供的第一个步骤，以包括相关的上下文和结构，以便模型提供更准确的结果。如果经过精心设计的提示在当前任务上产生更好的结果，也会为未来的未知任务产生更好的结果，则此类工程工作将变得可持续。为了审查这一假设，我们利用OWASP基准项目1.2，其中包含2,740个手工制作的源代码测试案例，其中包含各种类型的漏洞。我们将测试用例分为培训和测试数据，在该数据中，我们根据培训数据（仅）来设计提示，并在测试数据上评估最终系统。我们将AI代理在测试数据上的性能与没有及时工程的代理商的性能进行了比较。我们还将AI代理的结果与Sonarqube的结果进行了比较，Sonarqube是一种用于安全测试的静态代码分析器。结果表明，使用LLMS是一种可行的方法，用于构建用于填充软件的AI代理，可以通过重复使用和及时的工程来改进。我们使用不同的现成的LLMS（Google的Gemini-Pro）以及OpenAI的GPT-3.5-Turbo和GPT-4-Turbo（带有聊天完成和Assistant Apis）构建并测试了AI代理的多个版本。
TechSeal 部门概况
我们的应用工程团队可以为最苛刻的应用开发定制的密封解决方案。使用非线性弹性有限元分析 (FEA) 软件，我们可以根据材料测试数据对密封性能进行精确模拟。这些模拟消除了对昂贵原型进行多次迭代的需要，并缩短了开发时间。最先进的技术支持只是我们众多增值服务之一。
CV Halvor的
halvorødegårdteigen是后端开发人员，重点关注DevOps。他的学术背景具有稳固的学术背景，并拥有NTNU的控制论和机器人学硕士学位。通过他在Statens Vegvesen和Statnett的订婚，他表现出了熟练的熟练程度，并获得了跨学科自主团队的团队负责人，Scrum Master和Developer的经验，并具有敏捷的开发方法。Halvor致力于持续增长，并在几项认证和课程上投入了时间。他在数个测试区域获得了iSTQB认证，卡夫卡（Kafka）通过汇合处获得了认可，并在Java，Kotlin和AWS上完成了课程。拥有将近三年的开发人员经验，他现在担任Statnett的支持团队中的团队负责人和Java后端开发人员。在这里，他开发了应用程序和框架，以简化事件驱动系统的质量保证。Halvor在使用临时OpenShift环境的CI/CD管道中的自动集成和价值链测试的解决方案的开发中也具有不可或缺的作用。他以前曾在Statens Vegvesen的测试数据团队中担任开发人员，在那里他使用Python生成合成测试数据和Java来开发用于测试数据管理的应用程序。该项目进一步揭示了要求Halvor在分析和生成合成数据进行测试的中央客户服务中承担责任的需求和潜力。作为一个人，Halvor随和，渴望学习“一切都可以学习”。他表现出了承担责任和所有权所有权的能力，并致力于在事后获得他可以为之骄傲的工作。他与自己专业领域内外的最新技术保持最新状态，并且他的广泛经验使他能够与不同的个性合作，并从跨学科的角度为整体解决方案做出了贡献。
ESOG 120 - 天线和 VSAT - Eutelsat
如果无法保证性能的可重复性，那么为了证明符合 Eutelsat S.A 规范的最低要求，必须持续提交每个站点的测试数据以及 ESVA 测试（参考 ESOG 130）。为了避免重复执行单个 ESVA 测试，Eutelsat S.A. 可能会提出第二种类型的批准：“特性”。此批准可能会受到限制。
![arxiv：2409.02914v1 [cs.cv] 4月4日2024](/simg/g:\will\search\icon\source\2\2c59d05176315666685a9c6e7ce046d3e8571f66.webp)
arxiv：2409.02914v1 [cs.cv] 4月4日2024
大型视觉模型（LVLM）最近引起了极大的关注，许多努力旨在利用其一般知识来增强自主驾驶模型的可靠性和鲁棒性。但是，LVLM通常依靠大型通用数据集，并且缺乏专业驾驶所需的专业专业知识。现有的视觉驱动数据集主要关注场景的理解和决策，而无需提供有关交通规则和驾驶技能的明确指导，这是与驾驶安全直接相关的关键方面。为了弥合这一差距，我们提出了IDKB，这是一个大规模数据集，其中包含从各个国家 /地区收集的一百万个数据项，包括驾驶手册，理论测试数据和模拟道路测试数据。很像获得驾驶执照的过程，IDKB几乎涵盖了从理论到实践所需的所有明确知识。在特殊情况下，我们对IDKB进行了15 lvlms的全面测试，以评估其在自治驾驶的背景下的可靠性，并提供了广泛的分析。我们还微调了流行模型，实现了显着的性能改进，这进一步验证了我们数据集的重要性。项目页面可以在以下网址找到：https：// 4dvlab.github.io/project_page/idkb.html
航空航天工程学科和标准
推断推进系统参数的变化如何影响性能。解释模型火箭发动机推力的测量值。设计稳定的模型火箭。收集与模型火箭发射相关的性能数据，例如最大飞行高度。使用火箭发动机测试数据和间接高度测量计算最大高度。根据每个组件的特性选择航天器组件。根据每个组件的特性选择航天器着陆系统。
维护和可靠性
存储可靠性对于在其整个生命周期中大部分时间处于存储状态的产品非常重要，例如用于有害辐射检测的警告系统和多种防御系统等。通常，可以获得现场测试数据，但由于信息被屏蔽，串联系统的故障原因并不总是已知的。本文在考虑屏蔽数据的情况下，采用统计分析方法研究了可能存在初始故障的存储可靠性模型。为了优化存储系统屏蔽生存数据的使用，提出了一种基于最小二乘 (LS) 方法和 EM 类算法的串联系统技术。通过应用算法更新测试数据，开发了基于 LS 方法的参数估计程序，然后研究了串联系统组成部件的初始可靠性和故障率的 LS 估计。在指数分布的存储寿命的情况下，提供了一个数值示例来说明该方法和程序。结果应该有助于准确评估生产可靠性、确定生产质量和规划存储环境。关键词 这是一篇根据 CC BY 许可协议开放获取的文章（https://creativecommons.org/licenses/by/4.0/）