XiaoMi-AI文件搜索系统
World File Search System独一
监管人工智能：一种独立于技术的方法
摘要 人工智能（AI）的成功应用，例如 ChatGPT，一直在促使监管机构加快相关监管流程。中国和欧盟在这方面尤其雄心勃勃。《欧盟人工智能法案》在各机构中迅速推进，预计将于 2024 年春季正式通过。本文认为，其总体方法是错误的，它将欧盟监管扩展到属于国家职权范围的政策领域，并将损害欧洲人工智能创新和整个社会。欧盟或成员国不应监管人工智能本身，而应监管特定领域的人工智能使用，或者更好的是，以技术独立的方式对其进行监管——通过指定允许或禁止的内容，而不管使用何种技术。
独立于 GPS 的导航是太空开发的核心...
国家空间定位、导航和授时 (PNT) 咨询委员会于 12 月初召开会议；其使命是就 GPS 相关政策、规划、管理和资金向美国政府提供独立建议。咨询委员会主张保护、强化和增强 GPS，并提高 GPS 性能 (https://www.gps.gov/governance/advisory)。虽然 ION 不会游说立法者或监管机构，但我们在 ION 通过在我们领先的技术期刊《导航：导航研究所杂志》和我们的各种技术会议上发布信息来推动导航的艺术和科学。ION 数据库目前有超过 19,000 篇与 PNT 相关的论文。ION 成员可以访问所有这些内容。这让我想到了其他倡导 PNT 的组织最近开展的活动：IEEE、弹性导航和授时基金会 (RNTF) 和 GPS 创新联盟。
独立于协议的路由属性用户指南
在Junos OS中，对任何特定路由协议并非特定的路由功能和功能统称为独立于协议的路由属性。这些功能通常与路由协议相互作用。在许多情况下，您将独立的属性和路由策略结合在一起以实现目标。例如，您使用独立于协议的属性来定义静态路由，然后使用路由策略，可以将静态路由重新分配到路由协议，例如BGP，OSPF或IS-IS。
独立于受试者的运动想象脑电图分类...
背景：脑机接口（BCI）系统帮助运动功能障碍患者与外界环境进行交互。随着技术的进步，BCI系统已在实践中得到应用，但其实用性和可用性仍然受到很大挑战。使用BCI系统前往往需要大量的校准时间，这会消耗患者的精力和耐心，并容易导致焦虑。针对这一问题，我们提出了一种与受试者无关的零校准方法。方法：提出一种双分支多尺度自编码网络（MSAENet）实现与受试者无关的运动想象分类，旨在实现BCI的即插即用。首先，该网络由一个多尺度分支和一个自动编码器（AE）组成，用于从不同角度进行特征学习。其次，以EEG信号与8-30 Hz频段内常见空间模式之间的协方差作为空谱特征，并将特征预提取信息作为MSAENet的输入。最后，网络引入中心损失函数提升分类能力。在三个公开数据集BCIV2a，SMR-BCI，OpenBMI上测试网络泛化能力。结果：结果表明，所提网络在三个数据集上均表现出良好的效果，在受试者独立的情况下，MSAENet在BCIV2a和SMR-BCI数据集上优于其他四种比较方法，而在OpenBMI数据集上F1得分值高达69.34%；分类性能最好的受试者相关结果明显优于其他四种先进的比较方法。我们的方法在保证较少的参数量和较短的预测时间的同时，能够保持较好的分类精度。结论：MSAENet验证了以下三点：（1）空间频域特征可以从原始EEG信号中提取有效信息。（2）双分支多尺度特征融合可以更全面地提取特征。 (3)中心损失函数的引入弥补了Softmax分类器只考虑类间距而忽略类内距离的缺陷，实现了零校准，有效解决了BCI应用中需要大量校准时间的问题。
独立于空气的斯特林发动机驱动能源供应...
与空气无关的能源供应系统与高密度储能相结合，当没有表面支撑而淹没时，可以大大增加耐力，这对于大多数军事和离岸的水下操作至关重要。军事潜艇的战斗效率取决于其长期浸没和隐藏的能力，而高级监视和检测系统的发展将需要最少的接触，例如在鼻涕/充电阶段，以及无声的，无振动的推进机制和低红外排放。在北极地区或深水中探索油井和矿产源的海上操作需要长时间耐力，无空气依赖的能源供应系统。Commer cial潜艇或具有此类系统的栖息地用于长期支持潜水员或机器人的释放和控制，从而可以进行任何表面上的天气条件进行工作。自动远程操作的水下车辆（AROV），即小型无人潜艇和军事离岸行动，还取决于具有高能量密度储存的推进系统，从而可以在水下进行远距离操作。通过信号控制和/或配备人工智能的军事Aroovs正在开发用于监视任务，战术调查任务或武器De Livery。几乎没有排放的东西可以隐藏的能力是此类车辆的另一个重要要求。离岸行业正在寻找可以替代当前使用的潜水技术的系统，这些技术价格昂贵，而且在许多情况下都是危险的。因此
基于脑电图的运动想象分类的独立于主题的深度架构
摘要 —基于脑电图 (EEG) 的运动想象 (MI) 分类是非侵入式脑机接口 (BCI) 系统中广泛使用的技术。由于 EEG 记录在不同受试者之间具有异质性并且标记数据不足，因此设计一个使用有限的标记样本独立于受试者执行 MI 的分类器是可取的。为了克服这些限制，我们提出了一种新颖的独立于受试者的半监督深度架构 (SSDA)。所提出的 SSDA 由两部分组成：无监督和监督元素。训练集包含来自多个受试者的标记和未标记数据样本。首先，无监督部分，称为列时空自动编码器 (CST-AE)，通过最大化原始数据和重建数据之间的相似性从所有训练样本中提取潜在特征。采用维度缩放方法来降低表示的维数，同时保留其可辨别性。其次，监督部分使用在无监督部分获得的潜在特征，基于标记的训练样本学习分类器。此外，我们在监督部分使用中心损失来最小化类中每个点到其中心的嵌入空间距离。该模型以端到端的方式优化网络的两个部分。在训练阶段模型未见过的测试对象上评估了所提出的 SSDA 的性能。为了评估性能，我们使用了两个基于 EEG 的基准 MI 任务数据集。结果表明，SSDA 优于最先进的方法，并且少量的标记训练样本足以实现强大的分类性能。
基于监督自动编码器的独立于受试者的脑机接口框架
摘要 — 基于运动想象的脑机接口 (MI-BCI) 需要校准程序来为新用户调整系统。此过程非常耗时，并且会阻止新用户立即使用系统。由于 MI 信号的主体相关特性，开发独立于主体的 MI-BCI 系统以减少校准阶段仍然具有挑战性。已经开发了许多基于机器学习和深度学习的算法来从 MI 信号中提取高级特征，以提高 BCI 系统对主体的泛化能力。然而，这些方法基于监督学习并提取可用于区分各种 MI 信号的特征。因此，这些方法无法在 MI 信号中找到共同的潜在模式，并且其泛化水平有限。本文提出了一种基于监督自动编码器 (SAE) 的独立于主体的 MI-BCI 来绕过校准阶段。建议的框架在 BCI 竞赛 IV 中的数据集 2a 上得到了验证。模拟结果表明，在九个受试者中的八个中，我们的 SISAE 模型在平均 Kappa 值方面优于传统的和广泛使用的 BCI 算法、常见空间和滤波器组常见空间模式。
为由太阳能和风能供电的独立于电网的建筑群提供微电网
摘要：减少二氧化碳排放和避免全球气候变化需要电力生产行业转向依赖非碳能源。此外，减轻微电网中的鸭形曲线效应需要开发独立于电网的建筑。对北德克萨斯州地区一千座独立于电网的建筑群进行了计算，该地区夏季的空调需求很高。电力需求与风力涡轮机、光伏电池或氢气罐中储存的能量产生的能量供应相平衡。结果表明，在运行一台风力涡轮机的情况下，每座建筑必须配备额定容量为 10.2 kW 的光伏电池和一个容量为 5.2 m 3 的氢气罐，才能满足建筑社区的每小时需求。增加更多风力涡轮机会显著降低所需的光伏额定值，但会增加所需的存储量。投资建筑物的节能措施会显著降低所需的存储容量和光伏电池额定值。