XiaoMi-AI文件搜索系统
World File Search System空间划分
空间的多维参数空间划分...
数值模拟通常用于理解给定时空现象的参数依赖性。对多维参数空间进行采样并运行相应的模拟将产生大量时空模拟运行的集合。分析集合的主要目的是将多维参数空间划分（或分割）为具有相似行为的模拟运行的连通区域。为了促进这种分析，我们提出了一种用于多维参数空间分区的新型可视化方法。我们的可视化基于超切片器的概念，它允许不失真地查看参数空间段的范围和转换。对于参数空间内的导航，支持与参数空间样本的 2D 嵌入（包括它们的段成员资格）的交互。通过分析集合模拟运行的相似性空间，以半自动方式生成参数空间分区。相似模拟运行的集群会诱导参数空间分区的段。我们将参数空间分区可视化与集成模拟运行的相似空间可视化相链接，并将它们嵌入到交互式可视化分析工具中，该工具支持对时空模拟集成的所有方面的分析，其总体目标是分析参数空间分区。然后可以对分区进行可视化分析和交互式细化。我们将我们的方法与其他方法进行了比较，并与来自三个不同领域的案例研究中的专家一起对其进行了评估。© 2022 Elsevier BV 保留所有权利。
可用性规范作为迭代开发中的工具。 - DTIC
但如何才能实现这一点呢？Alexander 建议可以开发正式的分析方法来指导无意识的分解（例如，1964：附录 2）。他的方法是将设计表示为一个互连点的空间：每个点都是一个规范，其与其他点的连接程度和特征模拟了相应规范之间的关系。此表示中高度互连的点的群集对应于高度相互关联的规范的集合。Alexander 希望开发一种正式的方法，将整个规范空间划分为这种高度互连的群集。在此基础上开发的详尽划分将是设计问题的无意识分解，因为它将完全基于规范之间的关系，而不是基于先验的分类和分组。
高层公寓公共空间设计
良好的高层公寓公共空间有助于营造和谐的生活氛围，增进邻里关系。本篇综述从空间划分、通用设计、安全设计、景观设计和装饰设计五个方面对高层公寓公共区域设计的研究进行了总结和分析。旨在全面了解当前高层公寓公共空间的设计理念，并找出可持续高层公寓发展所必需的关键设计考虑因素。本文有三个目标：（1）制定全面的公共空间政策，支持高层公寓的可持续发展；（2）研究可用于改善公共空间环境的建筑材料；（3）借助现有的信息技术，找出可以改善高层公寓开放空间规划和管理的领域。总体而言，本评论为高层公寓在共享空间设计的可持续发展提供了一些有用的见解，同时揭示了文献中的空白和有待进一步研究的领域。
一种以孔隙为中心的分级多孔材料吸附描述方法
本文介绍了基于金属有机骨架 (MOF) 晶体表征的孔径分布分析，这些金属有机骨架具有分级孔系统 DUT-32、DUT-75、UMCM-1 和 NU-1000，并利用它来了解这些独特孔结构中的气体吸附。统计分析用于有效地将孔隙空间划分为由孔径标记的不同区域。在模拟 87 K 氩气吸附期间，该孔描述用于发现吸附质相对于不同孔隙的位置。为了进一步研究吸附行为，开发了一种聚类孔隙环境以定位孔隙中心的方法。这些孔隙中心用于观察孔隙内气体的分布，从孔隙中心的独特视角描述填充事件期间的吸附质位置。本文介绍的方法提供了有关孔隙结构和吸附特性的无与伦比的信息，这些信息无法通过现有方法获得，现在可以应用于新材料以揭示新的吸附过程。
基于脑电图的SPD神经网络嵌入银行以嵌入银行的常见空间模式
将非线性数据建模为Riemannian歧管上的对称阳性定义（SPD）矩阵，引起了对各种分类任务的广泛关注。在深度学习的背景下，基于SPD矩阵的Riemannian网络已被证明是对电子脑电图（EEG）信号进行分类的有前途的解决方案，可在其结构化的2D特征表示中捕获Riemannian几何形状。但是，现有方法通常在嵌入空间中学习所有可用的脑电图中的空间结构，其优化程序依赖于计算 - 昂贵的迭代。此外，这些十种方法努力将所有类型的关系船编码为单个距离度量标准，从而导致一般性丧失。为了解决上述局限性，我们提出了一种riemannian嵌入银行方法，该方法将整个填充空间中常见的空间模式学习的概率分为k个缩写，并为每个子问题构建一个模型，与SPD Neural Net-net Works结合使用。通过利用Riemannian歧管上的“独立学习”技术的概念，Reb将数据和嵌入空间划分为k非重叠子集中，并在Riemannian ge-be-emetric Space中学习K单独的距离指标，而不是向量空间。然后，在SPD神经网络的嵌入层中，学习的K非重叠子集分为神经元。公共脑电图数据集的实验结果证明了尽管非平稳性质，但提出的脑电图信号的常见空间模式的拟议方法的优越性，在维持概括的同时提高了收敛速度。
输入空间覆盖很重要
D. Richard Kuhn，NIST，kuhn@nist.gov Raghu N. Kacker，NIST，raghu.kacker@nist.gov Yu Lei，德克萨斯大学阿灵顿分校，ylei@uta.edu Dimitris Simos，SBA 研究部，DSimos@sba-research.org 摘要：测试是软件保证最常用的方法，但它既是一门科学，也是一门判断和艺术。结构覆盖通过为某些测试完整性概念建立正式定义的标准，为该过程增加了一些严谨性，但即使是完全覆盖，无论如何定义，也可能会遗漏与测试套件中未包含的罕见输入相关的故障。我们建议，结构覆盖度量必须辅以输入空间覆盖度量。有用的输入空间度量是存在的，并且与结构覆盖度量有关系，提供了一种验证是否已定义适当输入模型的方法。简介 将测试作为一种软件验证形式的主要反对意见之一是，它永远不可能证明被测系统适用于所有可能的输入。也很难提供关于测试集是否足以验证被测系统 (SUT) 是否正常工作的有意义的陈述。传统的结构覆盖率测量，通常是语句或分支覆盖率，有很多不足之处。即使执行了所有语句并进行了所有分支，也不能保证输入空间已被充分覆盖以进行故障检测。潜在错误可能会在稍后出现非常罕见的条件组合，而这些条件组合并未包含在测试中。系统地划分输入空间的方法已被广泛研究，但大多数方法必然涉及大量主观判断，并且不提供完整性的定量测量。组合方法提供了基于现有输入空间划分技术的方法，以提供更严格的测试。覆盖率测量完整的输入模型是实现全面测试的目标的一部分。根据在定义完整性时要考虑的系统方面，存在多种方法来确定何时认为测试足够。通常，这些方法包括完全覆盖要求的一些概念，并且可能还考虑代码的结构覆盖率。在软件工程中，结构覆盖率是指程序执行程度的度量。最广泛使用的两种度量是语句覆盖率（已执行的程序语句的比例）和分支覆盖率（也称为判定覆盖率），即被评估为真和假的分支的比例。还有许多其他度量或测试标准，包括条件覆盖率和修改后的条件判定覆盖率，并且可以证明这些标准形成了一个层次结构 [4]。例如，判定覆盖率包含语句覆盖率。结构覆盖率度量在衡量测试集的完整性方面很有价值，虽然它们的实用性有些有限。语句覆盖率是这些措施中最弱的，但未能实现完整的语句覆盖率至少表明代码没有得到充分的测试。分支覆盖率提供了更强大的