XiaoMi-AI文件搜索系统
World File Search System自动地
2019 年 6 月 已获准公开出版 2022 年 1 月 7 日
正如 2018 年《国防战略》所明确指出的那样，国土不再是避难所。这标志着国家安全思维的根本转变以及国防部使命的潜在扩展。半个世纪前，公众合理而自动地将所有国家安全的责任归于国防部，国防部由各军种代表，并得到情报界的支持。今天，国家安全也在很大程度上依赖于国土安全部和其他政府实体。因此，国防部和国土安全部 (DHS) 的努力也彼此紧密相连，并与整个政府紧密相连：财政部、国务院、许多其他联邦、州和地方政府机构以及与盟友的伙伴关系。由于组织权力重叠，能力并不总是与权力相一致，因此多个机构和组织的协调仍然是一项严峻的挑战。国会委员会的管辖权重叠也增加了复杂性。毫不奇怪，机构间协调和决策时间表十分费力，并且与新兴技术的发展速度以及当前和未来的威胁不相容。
Helios 5 PFIB UXe 双光束
最高质量的大体积亚表面和 3D 信息 通常需要进行亚表面或三维表征以更好地了解样品的材料特性。在许多情况下，需要使用传统 Ga + FIB 仪器无法获取的大体积来获得具有代表性和相关性的结果。Helios 5 PFIB UXe DualBeam 配备可选的 Thermo Scientific Auto Slice & View 4 (AS&V4) 软件，具有出色的大电流性能，能够以多种模式最高质量、全自动地采集大体积 3D 数据集，包括但不限于用于最大材料对比度的 BSE 成像、用于成分信息的能量色散谱 (EDS) 和用于微观结构和晶体学信息的电子背散射衍射 (EBSD)。与 Thermo Scientific Avizo™ 可视化软件相结合，它可提供独特的工作流程解决方案，以实现纳米级最高分辨率、先进的 3D 表征和分析。
TSN-Unaware应用程序具有QoS要求的自主集成在TSN网络中
现代工业网络运输Best-E FF Ort和实时Tra ffi c。 IEEE TSN任务组引入了时间敏感网络（TSN），以增强以太网，以提供实时TRA FFI c的高质量服务（QOS）。在TSN网络中，应用程序在传输数据之前向网络发出了QoS的要求。网络然后分配资源以满足这些要求。但是，TSN-Unaware应用程序既不能执行此注册过程，也不能从TSN的QoS福利中获利。本文的贡献是双重的。首先，我们引入了一种新颖的网络体系结构，其中附加设备自动地向网络向网络的QoS要求发出了QoS的要求。第二，我们提出了一种处理方法，以检测网络中的实时流并为TSN流信号提取必要的信息。它利用深层的神经网络（DRNN）来检测周期性的tra ffi c，提取准确的tra ffi c描述，并使用tra ffi c分类来确定源应用。因此，我们的建议允许TSN-Unaware申请从TSNS QoS保证中受益。我们的评估强调了所提出的体系结构和处理方法的e ff。
Carmen：用于个性化神经居住的认知辅助机器人
认知辅助机器人（CAR）具有扩展临床干预措施到家庭的巨大潜力。由于认知能力和康复目标种类繁多，这些系统必须具有敏锐的态度，以支持基于现有临床实践中基础的快速，准确实施的内置内容。为此，我们详细介绍了Carmen的系统体系结构（认知辅助机器人用于动机和神经居民），这是我们与主要利益相关者合作开发的一种敏感机器人系统：临床医生和有轻度认知障碍的人（PWMCI）。我们对卡门进行了精心验证的补偿认知培训（CCT）干预，该干预自动地向PWMCI提供了。我们将卡门部署在这些利益持有人的家中，以评估并获得对系统的初步反馈。我们发现，卡门让参与者在日常生活中使用认知策略，参与者看到了卡门有机会表现出更高的自主权或用于其他应用。此外，卡门的元素是支持富有家居的机器人的开源。因此，卡门将使HRI社区能够向机器人部署质量干预措施，最终提高其可及性和可扩展性。
找到能量系统建模的紧密而紧凑的模型
要在2050年实现气候目标，需要准确的能源系统优化（MIP）模型来帮助决策者制定投资计划。为了提高这些MIP模型的准确性，需要在时间和空间维度上进行高分辨率，以及有关能量发生器的运行能力的许多细节。但是，这会导致大规模模型，其中最佳解决方案无法在任何刻薄的计算时间内获得，甚至是使用最佳求解器的超级计算机。因此，研究人员经常寻求计算障碍和准确性之间的正确权衡。仍然忘记，从紧密度和紧凑性方面改善现有模型配方已经可以提高计算速度。如果LP - 放射率更接近MIP模型的凸壳，则配方的紧密度会发生。公式的紧凑性取决于约束矩阵中约束，变量和非零元素的（相对）数量。在我的演讲中，我想分享不同的方法来获取和证明紧密而紧凑的MIP模型，以改善大规模优化问题的计算障碍，并就我们如何自动进行更广泛的规模进行讨论，并就我们如何更自动地进行此操作。
数字人文学科中的半自动注释缩放
在当今的数字时代，大量数据无处不在，包括自然语言的话语，例如新闻文章，社交媒体帖子或论坛主题。数字人文学科旨在定性和定量分析此类数据。对于解释性研究，很难从大数据中受益。一个例子是扎根的理论，一种解释性方法，可以通过注释或编码来处理较大的数据集。但是，这种方法太耗时了，无法弥合从定性到定量分析的差距。在这项工作中，我们提出辅助方法，以半自动地将少量的手动注释扩展到大型语料库。我们的方法使用带注释数据的上下文化床位来发现类似的发生。通过交互式提供从用户交互中自动学习的建议，我们的方法提供了一种方便，快速的方式，以减少努力来注释大型语料库。该方法最终产生一个能够注释整个数据集的clas-sifier。我们对多个任务和数据集进行了实验，以评估我们的方法证明了强劲的性能。此外，我们为希望扩展基于注释的研究的研究人员设计了一个软件，将差距从定性到定量结果弥合了差距。
使用彩色培养皿
对业务流程进行建模，然后进行模拟，对于运行高效有效的业务至关重要。但是，整个分析过程有时可能非常复杂且耗时。已经提出了一种称为PetribPMN的新方法来简化此过程。该方法介绍了如何自动在形式主义中定义的初始模型的整个过程，将bpmn-light降低到cpn（有色培养皿净）模型。cpns通过合并颜色注释来增强bpmn-light模型，从而实现复杂系统状态和资源分配的表示和仿真。转换过程涉及将BPMN元素映射到CPN构造，同时保留原始模型的语义。这种方法在BPMN的直观视觉表示与CPN的分析能力之间提供了一个桥梁，从而更彻底地了解过程动力学。对现实世界中的案例研究进行了处理，以评估新减少的BPMN-Light形式主义促进的实际可用性和理解速度，该形式使用BPMN规范中使用最小的核心元素来最大程度地减少学习曲线。因此，创建了petribpmn方法的BPMN-Light Converter Web应用程序，以构建，编辑和转换BPMN-Light文件。这使行业中的人们可以轻松自动自动轻松自动地将BPMN-Light图的多个XML文件转换为CPN模型的XML文件。
启用空中3D打印
抽象的航空3D打印是一项开创性的技术，但在其概念阶段，结合了3D打印和无人驾驶飞机（UAVS）的前沿，旨在自动地在偏远和难以到达的位置建造大型结构。所设想的技术将通过利用无人机作为精确的建筑工人来实现建筑和制造行业的范式转变。但是，无人机的有效负载能力有限，以及操纵和计划所需的复杂敏捷性，施加了一个强大的克服障碍。旨在超越这些问题，本文提出了一种新型的基于空中分解和调度3D打印框架，该框架将模型的原始3D形状的近乎最佳分解分解为较小，更易于管理的子零件，称为块。这是通过基于启发式函数搜索平面切割来实现的，该函数结合了与子部分之间的互连性相关的必要约束，同时避免了无人机的挤出机和生成的块之间发生碰撞的任何可能性。此外，还提出了一个自主任务分配框架，该框架确定了一个基于优先级的序列，将每个可打印的块分配给无人机进行制造。使用基于物理学的凉亭仿真引擎证明了所提出的框架的效率，在该引擎中建立了各种基于原始的CAD的空中3D构造，考虑到非线性无人机动力学，相关的运动计划和通过模型预测性控制的相关运动计划和反应性导航。
DeepDicomSort：一种针对脑磁共振成像数据的自动排序算法
摘要 随着医学成像研究中使用的数据集规模不断扩大，对自动化数据管理的需求也随之增加。一项重要的数据管理任务是对数据集进行结构化组织，以保持完整性并确保可重用性。因此，我们研究了此数据组织步骤是否可以自动化。为此，我们设计了一个卷积神经网络 (CNN)，可根据视觉外观自动识别八种不同的脑磁共振成像 (MRI) 扫描类型。因此，我们的方法不受扫描元数据不一致或缺失的影响。它可以识别造影前 T1 加权 (T1w)、造影后 T1 加权 (T1wC)、T2 加权 (T2w)、质子密度加权 (PDw) 和派生图（例如表观扩散系数和脑血流）。在第一次实验中，我们使用了脑肿瘤患者的扫描结果：719 名受试者的 11065 次扫描用于训练，192 名受试者的 2369 次扫描用于测试。CNN 的总体准确率达到 98.7%。在第二个实验中，我们用第一个实验中的所有 13434 张扫描图训练 CNN，并用 1318 名阿尔茨海默病患者的 7227 张扫描图测试 CNN。在这里，CNN 的总体准确率达到了 98.5%。总而言之，我们的方法可以准确预测扫描类型，并且可以快速自动地对脑部 MRI 数据集进行分类，几乎无需人工验证。通过这种方式，我们的方法可以帮助正确组织数据集，从而最大限度地提高数据的可共享性和完整性。
启用空中3D打印
抽象的航空3D打印是一项开创性的技术，但在其概念阶段，结合了3D打印和无人驾驶飞机（UAVS）的前沿，旨在自动地在偏远和难以到达的位置建造大型结构。所设想的技术将通过利用无人机作为精确的建筑工人来实现建筑和制造行业的范式转变。但是，无人机的有效负载能力有限，以及操纵和计划所需的复杂敏捷性，施加了一个强大的克服障碍。旨在超越这些问题，本文提出了一种新型的基于空中分解和调度3D打印框架，该框架将模型的原始3D形状的近乎最佳分解分解为较小，更易于管理的子零件，称为块。这是通过基于启发式函数搜索平面切割来实现的，该函数结合了与子部分之间的互连性相关的必要约束，同时避免了无人机的挤出机和生成的块之间发生碰撞的任何可能性。此外，还提出了一个自主任务分配框架，该框架确定了一个基于优先级的序列，将每个可打印的块分配给无人机进行制造。使用基于物理学的凉亭仿真引擎证明了所提出的框架的效率，在该引擎中建立了各种基于原始的CAD的空中3D构造，考虑到非线性无人机动力学，相关的运动计划和通过模型预测性控制的相关运动计划和反应性导航。