XiaoMi-AI文件搜索系统
World File Search System误差分析
TROPOMI ATBD 总量和对流层 NO2 数据产品
第 2 和第 3 节列出了适用文件和参考文件以及本文件特有的术语和缩写；同行评审论文和其他科学出版物的参考文献列于附录 G。第 4 节提供了对 TROPOMI 仪器的一般描述，该描述适用于 TROPOMI 2 级数据产品的所有 ATBD。第 5 节介绍了 NO 2 数据产品、其历史、检索设置、产品要求和可用性。第 6 节概述了 TROPOMI NO 2 数据处理系统和处理过程中各个步骤的重要方面。第 7 节列出了有关 NO 2 数据产品可行性的一些方面，例如计算工作量和处理所需的辅助信息。第 8 节讨论了 NO 2 数据产品的误差分析。第 9 节简要概述了验证问题和可能性，例如活动和卫星比对。第 10 节针对 NO 2 数据产品提出了一些结论。
统计一致性和计量学的比较...
2009 年 4 月 7 日星期四 统计一致性与计量一致性的比较 Raghu N Kacker 和 Ruediger Kessel 美国国家标准与技术研究所 美国马里兰州盖瑟斯堡 20899 电子邮件：raghu.kacker@nist.gog ruediger.kessel@nist.gov 摘要 对同一测量进行多次评估时，传统的一致性概念是统计性的。一致性的统计观点与测量不确定度的现代观点不符；特别是，它不适用于以具有标准不确定度的测量值表示的测量结果。因此，《国际计量词汇》第 3 版 (VIM3) 引入了对同一测量的多个测量结果的计量兼容性概念。我们更喜欢用计量一致性这个术语来表示 VIM3 的计量兼容性概念。本文讨论了两种一致性概念的区别。1.引言目前最广泛使用的评估同一被测量的多个测量值一致性的方法是物理学家Raymond T. Birge于1932年发表的Birge检验法[1]。Birge检验法基于统计误差分析。由此产生了同一被测量的多个测量值的统计一致性的概念。随着测量科学技术的进步，测量值统计误差分析观点的局限性成为科学技术测量交流的障碍，因此，世界领先的计量学家发展了现代测量不确定度概念。现代观点在《测量不确定度表示指南》（GUM）[2]中有所描述，并在《国际计量词汇》（VIM3）第三版[3]中得到扩展。根据 GUM 和 VIM3，测量结果由测量值及其相关的标准不确定度组成。测量值被视为预期值，标准不确定度被视为归因于被测量未知值的知识状态概率密度函数 (pdf) 的标准偏差。通常，归因于被测量的 pdf 是不完全确定的。一致性的统计观点与 GUM 的测量不确定度观点不符，它不适用于以具有标准不确定度的测量值表示的测量结果。因此，VIM3 引入了计量兼容性的概念
通过相对能量估计进行非稳态气体输送的稳定性和渐近分析
相对熵或能量技术已广泛用于时间相关偏微分方程的存在性、稳定性和离散化误差分析；我们参考[17]对抛物线发展问题相应结果的最新总结。在本文中，我们感兴趣的是双曲问题，其中相对熵参数的使用可以追溯到DiPerna [7]和Dafermos [5]的开创性著作；另请参阅[6]对该领域的介绍。通常涉及的方面有：收敛到稳定态，解对初始数据和参数的稳定依赖性，以及渐近极限。后者的例子包括欧拉和纳维-斯托克斯方程的低马赫极限，例如在[10]中对其进行了研究。Huang等人在一系列论文[11]中研究了阻尼欧拉方程解到Barenblatt解的长时间收敛性。
利用量子多核学习方法
我们提出了一种采用多个内核的量子投影学习 (QPL) 的理论分析，并通过表征误差分析突出其优势。在先前使用单个基于量子内核的方法的研究基础上，我们进一步研究了一种结合多个高斯内核的量子投影框架，用于低资源口头命令识别。我们的实证结果与我们的理论见解一致，表明基于多个内核的方法可以进一步提高 QPL 的性能。通过利用量子到经典的投影输出嵌入，我们将其与原型网络相结合以进行声学建模。当使用 CommonVoice 中的阿拉伯语、楚瓦什语、爱尔兰语和立陶宛语低资源语音进行评估时，我们提出的方法比循环神经网络和基于单个内核的分类器基线平均高出 +5.28%。
使用Chebyshev插值提高了Trotter模拟的精度
量子计量学允许在最佳的海森堡极限下测量量子系统的性能。但是，当使用数字汉密尔顿模拟制备相关的量子状态时，应计算的错误错误将导致与此基本限制的偏差。在这项工作中，我们展示了如何通过使用标准多项式插值技术来减轻由于时间演化而引起的算法错误。我们的方法是推断到零小猪的步长大小，类似于用于减轻硬件错误的零噪声外推技术。我们对插值方法进行了严格的误差分析，用于估计特征值和随时间推动的期望值，并证明在误差中达到了heisenberg的限制，以达到多种类因素。我们的工作表明，仅使用Trotter和经典资源来实现许多相关算法任务，可以实现接近最先进模拟的精度。
双区间优化方法
摘要 — 离散存储模型 (DSM) 和连续存储模型 (CSM) 均已用于电力系统规划文献中。在本文中，我们对 CSM 在发电扩展规划 (GEP) 中的使用进行了定型误差分析，结果表明，与 CSM 相比，DSM 提供的存储定型决策更合理。然而，当在区间优化的背景下考虑 DSM 时，互斥约束中的离散状态变量和充电状态 (SOC) 约束中的强时间耦合会带来重大挑战。为了解决这个问题，提出了一种定制的区间优化方法，以考虑 GEP 中的 DSM 和可再生能源不确定性。事实证明，我们的方法可以涵盖给定不确定性集合中的所有最坏情况，同时以无迭代的方式运行。此外，为了降低投资决策的保守性，设计了一种双区间策略来在投资成本和系统安全性之间实现更好的权衡。
超大规模集成电路中单电子能量损失的快速仿真分析方法
工业界广泛使用晶体管仿真工具（如TCAD、SPICE）来模拟单粒子效应（SEE）。然而由于实际设计中物理参数的变化，例如粒子的性质、线性能量传输和电路特性等，都会对最终的模拟精度产生很大的影响，这将大大增加大规模电路晶体管级仿真工作流程的复杂性和成本。因此，提出了一种新的SEE仿真方案，以提供一种快速、经济高效的方法来评估和比较大规模电路在辐射粒子效应下的性能。在本文中，我们结合晶体管和硬件描述语言（HDL）仿真的优点，并提出了准确的SEE数字误差模型，用于大规模电路中的高速误差分析。实验结果表明，所提出的方案能够处理40多种不同电路的SEE模拟，这些电路的尺寸从100个晶体管到100 k个晶体管不等。
个人简历 Jose M. de la Rosa，博士 全文...
他的主要研究兴趣是模拟和混合信号集成电路领域，特别是高性能数据转换器，包括此类电路的分析、行为建模、设计和设计自动化。在这些课题上，de la Rosa 博士参与了西班牙和欧洲的多项研究和工业项目，并合作撰写了 260 多篇国际出版物，包括期刊和会议论文、书籍章节和书籍《用于数字通信芯片的 CMOS 开关电流带通 Sigma-Delta 调制器的系统设计》（Kluwer，2002 年）、《用于传感器和电信的 CMOS 级联 Sigma-Delta 调制器：误差分析和实际设计》（Springer，2006 年）、《用于软件定义无线电的纳米 CMOS Sigma-Delta 调制器》（Springer，2011 年）和《CMOS Sigma-Delta 转换器：实用设计指南》（Wiley-IEEE Press，2013 年，第 2 版，2018 年）。他是斯坦福大学全球前 2% 科学家名单中的一员（2019-2022 年）。
![arxiv：2403.02029v3 [Math.na] 2024年11月10日](/simg/g:\will\search\icon\source\f\f1cef5361a35bebe795147176653ffc96c025782.webp)
arxiv：2403.02029v3 [Math.na] 2024年11月10日
摘要我们对微分方程使用向后误差分析来获取修改或扭曲的方程式，描述了应用于瞬态结构动力学方程的NEWMARK方案的行为。基于新得出的扭曲方程，我们为使用NEWMARK方案模拟的系统的数值或算法扭曲的刚度和阻尼矩阵提供了表达式。使用这些结果，我们展示了如何从系统的原始参数中构造补偿项，从而改善了NEWMARK模拟的性能。所需的补偿条款结果是对原始系统参数的轻微修改（例如阻尼或刚度矩阵），可以在不更改时间步长或修改方案本身的情况下应用。给出了两个这样的补偿：一个消除了数值阻尼，而另一个则使用传统上二阶Newmark方法实现了四阶准确计算。通过数值评估两种补偿方法的性能以证明其有效性，并将其与未补偿的NEWMARK方法（广义-α方法和第四阶Runge-Kutta方案）进行了比较。
使用机器学习算法的数据驱动的电池统计预测方法
1,2和3 S V大学，Tirupati，Andhra Pradesh，印度摘要：随着新能源电动汽车的迅速发展，对电池的需求正在增加。 电池管理系统（BMS）在电池供电的储能系统中起着至关重要的作用。 锂离子电池是电动汽车的主要电源，其剩余使用寿命的预后对于确保电动汽车的安全性，稳定性和寿命长至关重要。 基于数据驱动方法的剩余使用寿命（RUL）预后已经成为研究的重点。 在电池健康管理领域至关重要的是，具有高精度，高概括和强大鲁棒性的机器学习方法的开发是必不可少的。 本文总结了使用机器学习算法对数据驱动方法的当前研究。 参数（例如电压，电流和温度值）作为数据集。 提出了一种幼稚的贝叶斯（NB）算法和梯度提升（GB）算法，以用于对电池进行RUL预测，并进行了模型的误差分析以优化电池的性能参数。 选择了MAE，MSE和RMSE等统计指标来数字评估预测结果。 实验后果表明，与其他机器学习技术相比，考虑到各种性能标准的其他机器学习技术可获得更好的结果。1,2和3 S V大学，Tirupati，Andhra Pradesh，印度摘要：随着新能源电动汽车的迅速发展，对电池的需求正在增加。电池管理系统（BMS）在电池供电的储能系统中起着至关重要的作用。锂离子电池是电动汽车的主要电源，其剩余使用寿命的预后对于确保电动汽车的安全性，稳定性和寿命长至关重要。基于数据驱动方法的剩余使用寿命（RUL）预后已经成为研究的重点。在电池健康管理领域至关重要的是，具有高精度，高概括和强大鲁棒性的机器学习方法的开发是必不可少的。本文总结了使用机器学习算法对数据驱动方法的当前研究。参数（例如电压，电流和温度值）作为数据集。提出了一种幼稚的贝叶斯（NB）算法和梯度提升（GB）算法，以用于对电池进行RUL预测，并进行了模型的误差分析以优化电池的性能参数。选择了MAE，MSE和RMSE等统计指标来数字评估预测结果。实验后果表明，与其他机器学习技术相比，考虑到各种性能标准的其他机器学习技术可获得更好的结果。