XiaoMi-AI文件搜索系统
World File Search System用软
关于使用软伽马辐射来表征预
表征功率器件的击穿前行为对于故障机制的寿命建模至关重要，其中主要驱动力是碰撞电离。特别地，设计坚固的功率器件并定义其安全工作区需要定量表征反向偏置结中的电荷倍增。这对于像陆地宇宙射线产生的单粒子烧毁 (SEB) 这样的机制尤其必不可少，其中撞击辐射通过碰撞电离在反向偏置器件中产生大量电荷，该电荷被传输并最终通过局部电场倍增。对抗 SEB 的主要技术措施是在设计阶段进行现场定制以及在器件使用过程中降低反向/阻塞偏置。在这种情况下，通常使用载流子倍增开始的电压偏置作为定义工作条件下电压降额标准的标准 [1、2]。在实际应用中，降额系数通常在器件额定电压 V rated 的 50% 到 80% 之间。定义正确的降额系数至关重要。如果设置得太低，则需要具有更高 V 额定值的器件，从而导致更高的损耗和成本。相反，如果设置得太高，则导致的现场故障率可能变得过高。目前，降额系数是通过寿命测试或
太阳-地球模型和应用软件
简要说明：国际参考电离层 (IRI) 是由空间研究委员会 (COSPAR) 和国际无线电科学联合会 (URSI) 赞助的一个国际项目。这些组织在 20 世纪 60 年代末成立了一个工作组，根据所有可用的数据源，制定电离层的经验标准模型。该模型的几个稳步改进版本已经发布。IRI 描述了从约 50 公里到约 2000 公里的高度范围内的电子密度、电子温度、离子温度和离子成分。它提供了磁平静条件下非极光电离层的月平均值。主要数据来源是全球电离层网络、强大的非相干散射雷达（Jicamarca、Arecibo、Millstone Hill、Malvern、St. Santin）、ISIS 和 Alouette顶部探测器，以及几颗卫星和火箭上的现场仪器。IRI 每年在特别 IRI 研讨会期间更新（例如，在 COSPAR 大会期间）。计划进行几项扩展，包括离子漂移模型、极光和极地电离层的描述以及对磁暴效应的考虑。
使用软件材料清单评估软件供应链的安全风险
摘要 - 软件供应链由越来越多的组件组成，包括二进制文件，库，工具和微服务，以满足现代软件的要求。由软件供应商组装的产品通常由开源和商业组件组成。软件供应链攻击是网络安全威胁的最大增长类别之一，供应商产品的大量依赖性使单一脆弱性传播到许多供应商产品中成为可能。此外，软件供应链还提供了较大的攻击表面，可允许上游传播依赖性的漏洞影响核心软件。软件材料清单（SBOM）是一种新兴技术，可以与分析工具一起使用，以检测和减轻软件供应链中的安全漏洞。在这项研究中，我们使用开源工具Trivy和Grype来评估从各个域和大小的第三方软件存储库中开采的1,151个SBOM的安全性。我们探讨了SBOM跨SBOM的软件漏洞的分布，并寻找最脆弱的软件组件。我们得出的结论是，这项研究通过软件供应链漏洞表明了安全性的威胁，以及使用SBOMS来帮助评估软件供应链中的安全性的可行性。索引条款 - 软件供应链安全，材料清单，采矿软件存储库，第三方代码
![[public] SI和经销商机密计算启用软件包](/simg/2/2863c45f33edb23cc778320add219dc13e567748.webp)
[public] SI和经销商机密计算启用软件包
“ Ant Group在Alibaba Cloud ECS实例上构建了一个完整的机密PAA（作为服务）产品矩阵：机密计算引擎Oxclum和机密计算服务Kubetee。基于此机密的PAA，ANT Group还为财务场景提供机密的SaaS解决方案，例如Ant隐私增强数据分析平台，Ant Privacyenhancing AI平台等。” - Shuang Liu，Ant Group，机密计算团队负责人
机密计算ISV启用软件包
“ Ant Group在Alibaba Cloud ECS实例上构建了一个完整的机密PAA（作为服务）产品矩阵：机密计算引擎Oxclum和机密计算服务Kubetee。基于此机密的PAA，ANT Group还为财务场景提供机密的SaaS解决方案，例如Ant隐私增强数据分析平台，Ant Privacyenhancing AI平台等。” - Shuang Liu，Ant Group，机密计算团队负责人
计算机与办公研究、应用软件（COSA）
COSA 20 3 个学分 Microsoft PowerPoint for Windows 54 小时讲座 推荐准备：COSA 1。评分：字母等级或通过/不通过。材料费：10 美元。原 CAOTC 44D 和 COSA 20AD。本课程全面探索演示图形软件。培养规划、创建、格式化、增强和交付演示文稿的技能。通过实践，学生将学会结合文本和图形图像、动画、声音和其他特效来制作计算机幻灯片。本课程满足信息能力毕业要求的技术部分。成功完成本课程后，学生将获得参加 Microsoft Office Specialist (MOS) 行业认证考试的凭证。仅可转学到 CSU
原创文章 人工智能增强篮球罚球的运动学分析 BEKIR KARLIK 1、MUSA HAWAMDAH 2 1 埃波卡大学计算机工程系，地拉那，阿尔巴尼亚 2 塞尔丘克大学计算机工程系，科尼亚，土耳其 在线发表：2024 年 12 月 30 日 接受发表：2024 年 12 月 15 日 DOI：10.7752/jpes.2024.12321 摘要：问题陈述和方法：在篮球比赛中，罚球的成功与否取决于球的出手角度、在空中的正确位置以及最佳速度运动特征。本研究利用人工智能（AI）研究了篮球运动员在疲劳前后执行罚球的运动学特征。材料和方法：我们使用了各种监督机器学习算法，包括：k-最近邻 (k-NN)、朴素贝叶斯、支持向量机 (SVM)、人工神经网络 (ANN)、线性判别分析 (LDA) 和决策树。这些算法用于对从球员收集的运动数据得出的特征进行分类，以揭示他们在不同疲劳程度下的投篮机制的模式和变化。当球员在疲劳前后成功和不成功投篮时，在球释放点测量肘部、躯干、膝盖和踝关节角度。有两种方法可用于对这些特征进行分类：第一种方法是直接使用行数据；另一种是使用主成分分析 (PCA) 减少数据。对于这两种方法，数据在应用于分类器之前都在 0-1 之间归一化。结果：我们通过使用朴素贝叶斯分类器对行数据获得了 98.44% 的最佳分类准确率。此外，使用 PCA 对减少数据进行 ANN 的结果显示最佳分类准确率 95.31%。研究结果揭示了疲劳引起的投篮力学的不同模式和变化，并强调了机器学习模型在分析生物力学数据方面的有效性。讨论和结论：这些结果有助于制定训练计划，以提高疲劳状态下的表现和一致性。这项研究强调了人工智能和数据驱动方法在运动生物力学中的潜力，可以为运动员表现和疲劳管理提供有价值的见解。关键词：智能算法、运动生物力学、运动数据、疲劳引起的变化简介在对各种运动进行的研究中已经观察到功能技能和基于技能的运动模式之间的差异。评估功能技能比评估基于技能的运动模式更具挑战性（Goktepe 等人，2009 年；Abdelkerim 等人，2007 年；Chappell 等人，2005 年）。例如，Goktepe 等人（2009 年）利用统计分析来证明踝关节、肩膀和肘部角度对网球发球的影响。Abdelkerim 等人（2007）展示了篮球运动员的计算机化时间运动分析，而 Chappell 等人（2005）则研究了在进行疲劳前和疲劳后练习的三个停跳任务中落地和跳跃动作中改变的运动控制策略。评估基于技能的收缩、适当的肌肉发力时间和关节定位等因素相对容易。值得注意的是，个人之间的动作执行和技能习得存在差异。在篮球罚球中，关节角度是足以将投篮分为不同类别的基本特征（Schmidt 等人，2012；Ge，2024；Zhang & Chen，2024）。疲劳是人类活动的自然结果，会影响运动员在训练和比赛期间的认知和学习能力。虽然大多数研究认为疲劳是影响表现的一个关键因素（Forestier & Nougier，1998；Apriantono 等人，2006），但一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010；Rusdiana 等人，2019；Li，2021；Bourdas 等人，2024）。例如，Uygur 等人（2010）基于统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024）则专注于疲劳对三分跳投的影响。Li 等人（2021）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中尚未发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同数据源或机器学习技术在结构分析和语义提取中的作用。这项研究是首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析
原创文章 人工智能增强篮球罚球的运动学分析 BEKIR KARLIK 1、MUSA HAWAMDAH 2 1 埃波卡大学计算机工程系，地拉那，阿尔巴尼亚 2 塞尔丘克大学计算机工程系，科尼亚，土耳其 在线发表：2024 年 12 月 30 日 接受发表：2024 年 12 月 15 日 DOI：10.7752/jpes.2024.12321 摘要：问题陈述和方法：在篮球比赛中，罚球的成功与否取决于球的出手角度、在空中的正确位置以及最佳速度运动特征。本研究利用人工智能（AI）研究了篮球运动员在疲劳前后执行罚球的运动学特征。材料和方法：我们使用了各种监督机器学习算法，包括：k-最近邻 (k-NN)、朴素贝叶斯、支持向量机 (SVM)、人工神经网络 (ANN)、线性判别分析 (LDA) 和决策树。这些算法用于对从球员收集的运动数据得出的特征进行分类，以揭示他们在不同疲劳程度下的投篮机制的模式和变化。当球员在疲劳前后成功和不成功投篮时，在球释放点测量肘部、躯干、膝盖和踝关节角度。有两种方法可用于对这些特征进行分类：第一种方法是直接使用行数据；另一种是使用主成分分析 (PCA) 减少数据。对于这两种方法，数据在应用于分类器之前都在 0-1 之间归一化。结果：我们通过使用朴素贝叶斯分类器对行数据获得了 98.44% 的最佳分类准确率。此外，使用 PCA 对减少数据进行 ANN 的结果显示最佳分类准确率 95.31%。研究结果揭示了疲劳引起的投篮力学的不同模式和变化，并强调了机器学习模型在分析生物力学数据方面的有效性。讨论和结论：这些结果有助于制定训练计划，以提高疲劳状态下的表现和一致性。这项研究强调了人工智能和数据驱动方法在运动生物力学中的潜力，可以为运动员表现和疲劳管理提供有价值的见解。关键词：智能算法、运动生物力学、运动数据、疲劳引起的变化简介在对各种运动进行的研究中已经观察到功能技能和基于技能的运动模式之间的差异。评估功能技能比评估基于技能的运动模式更具挑战性（Goktepe 等人，2009 年；Abdelkerim 等人，2007 年；Chappell 等人，2005 年）。例如，Goktepe 等人（2009 年）利用统计分析来证明踝关节、肩膀和肘部角度对网球发球的影响。Abdelkerim 等人（2007）展示了篮球运动员的计算机化时间运动分析，而 Chappell 等人（2005）则研究了在进行疲劳前和疲劳后练习的三个停跳任务中落地和跳跃动作中改变的运动控制策略。评估基于技能的收缩、适当的肌肉发力时间和关节定位等因素相对容易。值得注意的是，个人之间的动作执行和技能习得存在差异。在篮球罚球中，关节角度是足以将投篮分为不同类别的基本特征（Schmidt 等人，2012；Ge，2024；Zhang & Chen，2024）。疲劳是人类活动的自然结果，会影响运动员在训练和比赛期间的认知和学习能力。虽然大多数研究认为疲劳是影响表现的一个关键因素（Forestier & Nougier，1998；Apriantono 等人，2006），但一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010；Rusdiana 等人，2019；Li，2021；Bourdas 等人，2024）。例如，Uygur 等人（2010）基于统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024）则专注于疲劳对三分跳投的影响。Li 等人（2021）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中尚未发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同数据源或机器学习技术在结构分析和语义提取中的作用。这项研究是首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析
东北俄亥俄州传粉媒介协会2025冬季网络研讨会系列1月8日 - 戴夫·托马什夫斯基（Dave Tomashefski）用软着陆花园来充分利用您的树
东北俄亥俄州传媒体协会2025年冬季网络研讨会系列1月8日 - 戴夫·托马什夫斯基（Dave Tomashefski）用柔软的着陆花园在树下种植柔软的着陆花园来充分利用您的树木，这是支持院子里生物多样性的最佳方法之一。加入Meadow City的Dave Tomashefski本地植物托儿所，了解软着陆花园如何支持蝴蝶和飞蛾完成其生命周期（以及更多！）这个研讨会是最大程度地利用树木覆盖物在生长空间中的好处的绝佳机会。作为Meadow City的教育专家，Dave Tomashefski负责托儿所的教育计划和材料。他的礼物是为每个人找到理想的植物！在克利夫兰共同创立了Meadow City之前，Dave在俄亥俄州立大学的土壤，水和环境实验室工作，在那里他还获得了硕士学位。1月22日 - 俄亥俄州后院的Denise Ellsworth Wild Bees许多园丁在看到一个蜜蜂时就知道一个蜜蜂，但是其他400多种将俄亥俄州回家的400多种蜜蜂呢？该计划将重点放在一些最常见的蜜蜂上，包括它们引人入胜的生物学和生活史。我们还将讨论植物选择和景观实践，以支持我们的本地传粉媒介。为什么大黄蜂会振动其机翼肌肉，以中间C的音调？蜜蜂世界中的皇后有多罕见？为什么叶切蜜蜂从叶子和花瓣上切下圆盘？这些本地蜜蜂对授粉和生物多样性有多重要？丹妮丝通过俄亥俄州立大学昆虫学系指导传粉媒介教育计划，她自2012年以来一直担任的职位。在她的扩展和外展工作中，丹尼斯通过各种研讨会，网络研讨会，书面材料和电子资源来支持和教全州养蜂人，农民，园丁和其他人。在进入昆虫学之前，丹妮丝（Denise）在阿克伦（Akron）/广州地区担任农业和自然资源县推广教育家，曾担任园艺，综合有害生物管理和环境教育。除了追逐蜜蜂外，丹妮丝还与丈夫和狗一起沿着塔斯卡拉瓦斯河沿着托斯卡拉瓦斯河沿着拖车小径远足。
使用软执行器网络对软水下操纵器的基于学习的外观
摘要 - 与环境对象的互动可以引起外部感受和本体感受信号的重大变化。然而，水下软操作器中外部感受传感器的部署遇到了许多挑战和约束，从而对其感知能力施加了限制。在本文中，我们提出了一种基于学习的新型表达方法，该方法利用内部本体感受信号并利用软执行器网络（SAN）的原理。def> div>趋势倾向于通过水下软操作器中的sans传播，并且可以通过本体感受传感器检测到。我们从传感器信号中提取特征，并开发完全连接的神经网（FCNN）基于分类器以确定碰撞位置。我们已经构建了一个培训数据集和一个独立的验证数据集，目的是培训和验证分类器。使用独立的验证数据集以97.11％的精度识别出碰撞位置的实验结果，该碰撞位置在水下软机器人的感知和控制范围内表现出潜在的应用。
建立通用软件材料清单（SBOM）
目录2关于此文档的目录2 4 1问题说明5 1.1目标5 2什么是SBOM？7 2.1 SBOM Elements 8 2.2 Baseline Attributes 9 2.2.1 SBOM Meta-Information 9 2.2.1.1 Author Name 9 2.2.1.2 Timestamp 10 2.2.1.3 Type 10 2.2.1.4 Primary Component (or Root of Dependencies) 10 2.2.2 Component Attributes 10 2.2.2.1 Component Name 11 2.2.2.2 Version 12 2.2.2.3 Supplier Name 12 2.2.2.4 Unique Identifier 13 2.2.2.5 Cryptographic Hash 14 2.2.2.6 Relationship 15 2.2.2.6.1 Primary Relationship 16 2.2.2.6.2 “Included In” Relationship 16 2.2.2.6.3 Heritage or Pedigree Relationship 16 2.2.2.6.4 Relationship Completeness 16 2.2.2.7 License 17 2.2.2.8 Copyright Notice 18 2.3 Undeclared SBOM Data 18 2.3.1 Unknown Component Attributes 19 2.3.2 Redacted Components 20 2.3.3 Unknown Dependencies 20 2.4支持用例21 2.5映射到现有格式的补充信息22 2.6 SBOM示例23 3 SBOM流程26 3.1 SBOM创建：26 3.2 SBOM创建：27 3.3 SBOM Exchange 27 3.4软件供应链规则规则28 3.5角色和Perspectives 30