XiaoMi-AI文件搜索系统
World File Search System用于训练
用于训练贝叶斯网络进行制造系统故障诊断的数字孪生
摘要：人们提倡智能制造系统利用技术进步，通过快速诊断提高故障抵御能力，从而保证性能。在本文中，我们提出了一种用于设计数字孪生（DT）的协同仿真方法，该方法用于训练贝叶斯网络（BN），以便在设备和工厂层面进行故障诊断。具体而言，协同仿真模型是使用由联网传感器、每台设备的高保真仿真模型和工厂的详细离散事件仿真（DES）模型组成的信息物理系统（CPS）设计的。所提出的 DT 方法能够在虚拟系统中注入故障，从而减轻了昂贵的工厂车间实验的需要。应该强调的是，这种注入故障的方法消除了获取包括故障和正常工厂操作的平衡数据的需要。我们在本文中提出了一种结构干预算法 (SIA)，首先检测所有可能的有向边，然后区分 BN 的父节点和祖先节点。我们在实验室中设计了一个 DT 研究测试台，由配置成装配单元的四个工业机器人组成，每个机器人都有一个可以监测双轴振动的工业物联网传感器。这些机器人的详细设备级模拟器与机器人装配单元的详细 DES 模型集成在一起。生成的 DT 用于进行干预，以学习用于故障诊断的 BN 模型结构。实验室实验通过准确学习 BN 结构验证了所提方法的有效性，并且在实验中，发现所提方法获得的准确性（使用结构汉明距离测量）明显优于传统方法。此外，发现的BN结构对参数的变化是可靠的，例如平均失败时间（MTTF）
用于训练液体水的神经网络力场的量子机械数据集的大小和质量
摘要：分子动力学模拟已在不同的科学领域使用，以研究广泛的物理系统。但是，计算的准确性是基于描述原子相互作用的模型。特别是，从头算分子动力学（AIMD）具有密度功能理论（DFT）的准确性，因此仅限于小型系统和相对较短的模拟时间。在这种情况下，神经网络力场（NNFFS）具有重要作用，因为它们提供了一种规避这些警告的方法。在这项工作中，我们研究了在DFT级别设计的NNFFs，以描述液态水，重点介绍了所考虑的训练数据集的大小和质量。我们表明，与动态数据相比（例如扩散系数）相比，结构属性较少依赖于训练数据集的大小，并且良好的采样（选择训练过程的数据参考）可以以良好的精度导致一个小样本。■引言分子动力学模拟已在不同的科学领域中使用，以研究广泛的物理系统，例如液体的热力学特性以及接口和生物分子的物理化学方面。1-3它的成功依赖于许多因素，例如，分配的功能形式用于描述原子间相互作用和原子体内相互作用，参数化程序（获得潜在的参数）以及所采用的实验性或从头算的数据质量。11，因此，可转移性和准确性是这一研究领域的常见问题。5、7、124、5、7-10大多数经典电位都是物理和/或化学动机的，其中通常认为简单的分析功能形式，例如Lennard-Jones的电位。
胎儿心率信号数据集用于训练形态分析方法并根据专家共识进行评估
摘要 - 胎儿心率（FHR）是预防分娩过程中胎儿缺氧的筛查信号。专家分析此信号时，他们必须定位基线并确定减速和加速度。这些步骤可能是自动化的，并通过数据处理分析更加客观，但是需要培训和评估数据集。在这里，我们描述了155个FHR记录的数据集，其中参考基线，加速度和减速已由专家共识注释。66 FHR记录和共享的专家分析已包含在培训数据集中，并且评估数据集中还包括了90个其他具有非共享专家分析的FHR记录。希望评估其自动分析方法的研究人员应提交其结果，以与专家共识进行比较。数据集还包含文献中11种重新编码的自动分析方法产生的结果。所有数据均可在http：//utsb.univ-catholille.fr/fhr-review中获得。
Minecraft中的机器学习：Minecraft中面向对象检测的概念证明
使用MineFlayer，神经网络的实现提供了很大的灵活性。硬编码的行为，例如机器人的收集，移动，构建和其他行为，可以改变为程序员的愿望。可以创建一个新的数据集，可以创建并用于训练新的网络以身份洞穴；煤炭，铁和钻石等矿石上的数据集可用于训练机器人进行采矿。可以使用州机器来切换神经网络和行为，以通过理想的自主权执行更复杂的任务。参考
人工智能（AI）的快速发展影响
数据以投放个性化广告。长期以来，这些数据都是秘密收集的，没有任何公开讨论。12 人工智能的发展也出现了类似的模式。不仅维基百科等开放数据用于训练人工智能模型，艺术家和记者的作品也用于训练人工智能模型。大量盗用受版权保护的文本是语言模型成为有效工具的唯一途径。因此，科技行业利用不尊重版权的数据来赚钱，而记者和创意界则被征用。13 报纸和作家已经将 OpenAI 和微软告上法庭。14
作者：Khoa Dao 导师：Zhe He 教授 机器学习在预测器官移植结果中的应用
该研究领域的主要限制之一是用于训练机器学习和深度学习模型的数据的可用性。目前大多数研究使用 UNOS 注册数据库，并报告了可用于训练模型的数据量有限。人们认为，使用更多数据来训练模型，模型将给出更准确的预测。由于患者和捐赠者的特征以及研究中的选择标准随时间变化，所有模型的性能都随着时间的推移而下降。此外，当模型给出预测时，有时研究人员无法解释它给出预测的原因，例如风险评分。因此，医生无法可靠地将其用于某些患者的独特情况。
全球设备指南第 1 卷：地面系统
美国军队训练中的作战环境。COE OPFOR 包括“混合威胁”，代表用于训练应用和场景的理性和适应性对手。COE 时间段反映了当前训练以及延伸至近期的训练。本章涉及当前时间框架系统。这些表格中的设备列表提供了方便的基线示例，这些示例按能力层级排列，可用于组成用于训练场景的 OPFOR 设备阵列。有关 2014 年之后系统技术能力和趋势的指导，用户可以查看第 10 章“对策、升级和新兴技术”。这些表格提供了近期和中期的能力层级。OPFOR 设备分为四个“层级”，以便为对手描绘系统
