XiaoMi-AI文件搜索系统
World File Search System穷举
OPCoSA：针对空间应用的优化产品代码
集成电路的微型化增加了对电磁辐射的敏感度，也增加了存储器出现错误的概率和数量。关键应用系统采用错误纠正码 (ECC) 来缓解存储器故障。这项工作引入了针对空间应用的优化乘积代码 (OPCoSA)，这是一种对其原始版本 PCoSA 进行优化的 ECC，减少了 16 个冗余位并保持了高错误纠正能力。我们通过对 36 种特定错误模式、突发错误和穷举分析的测试来评估优化的 ECC。此外，我们将综合结果在硬件、可靠性和冗余度方面与其他四种专用于空间应用的 ECC 进行了比较。测试表明，OPCoSA 可以纠正所有 36 种错误模式和最多 4 种突发错误的 100% 的情况；此外，它对一至四维穷举错误的纠正率分别为 100%、100%、95.4% 和 78.9%。
![arXiv:2204.04024v1 [cond-mat.stat-mech] 2022 年 4 月 8 日](/simg/3\3465770f76cbaee30ab99249168e851a5db89e1a.webp)
arXiv:2204.04024v1 [cond-mat.stat-mech] 2022 年 4 月 8 日
我们提供了低自相关二进制序列问题能量景观结构的最新视图，该问题属于 NP 难类的典型代表。为了研究感兴趣的景观特征，我们使用局部最优网络方法，通过穷举提取问题规模最大为 24 的最优图。使用几个指标来描述网络：最优的数量和类型、最优盆地结构、度和强度分布、通向全局最优的最短路径以及基于随机游走的最优中心性。总之，这些指标为低自相关二进制序列问题的难度提供了定量且连贯的解释，并提供了可用于优化启发式方法的信息，用于解决此问题以及具有类似配置空间结构的许多其他问题。
302049：人工智能与机器学习
单元 1 人工智能与机器学习简介 06 小时人工智能的历史、人工智能与数据科学的比较、机械工程中人工智能的需求、机器学习简介。基础知识：推理、问题解决、知识表示、规划、学习、感知、运动和操纵。人工智能方法：控制论和大脑模拟、符号、亚符号、统计。机器学习方法：监督学习、无监督学习、强化学习。单元 2 特征提取与选择 08 小时特征提取：统计特征、主成分分析。特征选择：排名、决策树 - 熵减少和信息增益、穷举、最佳优先、贪婪前向和后向、特征提取和选择算法在机械工程中的应用。单元 3 分类与回归 08 小时分类：决策树、随机森林、朴素贝叶斯、支持向量机。回归：逻辑回归、支持向量回归。回归树：决策树、随机森林、K-Means、K-最近邻（KNN）。分类和回归算法在机械工程中的应用。
色散和码本设计问题的量子加速
摘要 在本文中，我们提出了最大和与最大最小色散问题的新公式，这些公式可通过 Grover 自适应搜索 (GAS) 量子算法实现解决方案，从而实现二次加速。色散问题是被归类为 NP 难的组合优化问题，经常出现在涉及最佳码本设计的编码理论和无线通信应用中。反过来，GAS 是一种量子穷举搜索算法，可用于实现成熟的最大似然最优解。然而，在传统的简单公式中，通常依赖于二进制向量空间，导致搜索空间大小甚至对于 GAS 来说都是令人望而却步的。为了规避这一挑战，我们改为在 Dicke 态上搜索最佳色散问题，即具有相等汉明权重的二进制向量的相等叠加，这显著减少了搜索空间，从而通过消除惩罚项简化了量子电路。此外，我们提出了一种用距离系数的秩替换距离系数的方法，有助于减少量子比特的数量。我们的分析表明，与使用阿达玛变换的传统 GAS 相比，所提出的技术可以降低查询复杂度，从而增强基于量子解决色散问题的可行性。
AMT：基于属性的模拟系统监控工具*
算法验证领域一直以模型检查时序逻辑公式的决策程序为中心。时序逻辑 [MP95] 是一种严格的规范形式主义，用于描述系统所需的行为。已经开发了许多将时序逻辑公式转换为相应自动机的有效算法 [VW86、SB00、GPVW95、GO01]，从而成功开发了 L TL 和 C TL 等逻辑，并将它们共同集成到主要验证工具中。基于时序逻辑的形式主义已被硬件行业采用，并成为标准 P SL [HFE04] 规范语言。为了推理定时系统，人们提出了许多实时形式化方法，它们要么是时间逻辑的扩展（M TL [Koy90]、M ITL [AFH96]、T CTL [Y97]），要么是正则表达式（定时正则表达式 [ACM02]）。然而，与非定时情况不同，这些逻辑与定时验证工具中使用的定时自动机 [AD94] 之间没有简单的对应关系。随着混合自动机 [MMP92] 的出现，连续域中的验证成为可能，混合自动机作为描述具有带开关的连续动态系统的模型，以及用于探索其状态空间的算法。尽管最近取得了很大进展 [ADF + 06]，但由于状态空间的爆炸式增长，可扩展性仍然是混合系统穷举验证的主要问题。此外，基于属性的混合系统验证才刚刚起步 [FGP06]。因此，连续系统的首选验证方法仍然是模拟/测试。然而，有人指出，验证的规范元素
国际机械工程杂志一种基于高效遗传 Boruta（GenBoruta）算法的脑特征选择
世界卫生组织表示，脑瘤是最严重的疾病之一，因为它影响着全世界大多数人，包括儿童。开发一种在早期阶段识别脑瘤的系统将有助于挽救许多人的生命。人们已经进行了大量探索来开发一种识别脑瘤的系统；然而，这个系统应该得到改进，提高其准确性。因此，特征选择方法有望改进该系统。机器学习 (ML) 中特征选择技术的主要目的是选择一组合适的特征。包装器方法用于过滤。这些方法分为四类：前向选择、后向消除、穷举特征选择和递归特征消除。近年来，脑瘤影响了越来越多的人。脑瘤影响大脑，有时会扩散到其他部位。此外，还有 55 个特征被集中关注，如图像粗糙度、一致性或能量，以及附近的同质性被移除，以显示方法之间的质量差异。目标是寻找使用特征选择技术构成大问题的特征的可能性，该问题使用 bruta 和遗传学来解决。基于随机森林的 Boruta 特征选择算法。在本文中，我们介绍了一种称为 GenBoruta 的混合特征选择技术。GenBoruta 是一种用于查找所有相关变量的混合特征选择算法。它迭代地消除可测量测试证明比随机探测不那么重要的特征。与前向选择、后向消除、Boruta 和遗传等现有技术相比，所提出的技术表现良好。
基于动态规划的蓄热级联热泵系统最优控制方法
摘要 住宅供暖和制冷行业日益电气化，主要使用电动热泵 (HP) 与热能/电能存储系统相结合。虽然这些发展有助于增加该行业中可再生和低碳能源的份额，但要充分利用该技术的潜力，需要对这些系统进行智能控制，以考虑未来预测的可再生能源可用性和相应的 HP 系统性能。然而，以适合智能控制的方式对具有复杂内部动态的系统进行建模具有挑战性。模型需要足够复杂才能准确捕捉系统的非线性和复杂性，同时又要足够快，以便在合适的计算时间内彻底搜索解空间。动态规划 (DP) 是一种很有前途的智能控制方法，因为它结合了使用复杂非线性模型的能力，同时是一种穷举搜索算法，保证找到全局最优值。本文介绍了一个创新的建模框架，该框架包含 HP 变电站主要组件（即 HP 和热能存储 - TES）的降阶模型 (ROM)，以适合在 DP 中使用的方式进行阐述；这些模型包括影响系统性能的重大物理操作约束（例如，HP 压缩机变速、非线性性能系数 - COP - 依赖于室外和配送温度），同时最大限度地减少优化器需要处理的状态变量数量（即 TES 温度、HP 热容量和电容量）。在应用于示例 HP 系统时，我们的系统模型与用作参考基础事实的详细 TRNSYS 对应模型相比表现出色。该系统通过动态规划优化方法实现了显着的成本节约，与传统的基于规则的控制相比，功耗降低了 13%。