XiaoMi-AI文件搜索系统
World File Search System远程数据
变电站远程数据监控与数据分析...
当今的智能电子设备 (IED) 和强大的通信处理器包含大量有价值的变电站数据，这些数据多年来一直可用，但在很大程度上被忽视了。大多数供应商最初的集成工作仅侧重于提供来自 IED 的监控和数据采集 (SCADA) 类型数据的数据访问和控制，以取代单独的 SCADA 硬件，例如 RTU。遵循 RTU 替换方法导致许多供应商使用 SCADA 协议来检索这些数据以用于监控操作。选择使用 SCADA 协议（例如 Modbus ®、DNP 和 UCA）会导致以下问题：这些协议不支持的数据被困在 IED 中并且不可用。滞留数据包括历史性能信息、设备监控数据、设备诊断数据、自动化数据以及设置和配置信息。一些创新的公用事业公司一直通过远程监控来管理这些数据，并让公司的所有部门都可以使用这些数据。当今的数据工具和通信方法使每个公用事业公司都能利用这些数据来真正管理他们的电力系统。本文是远程数据监控和数据分析设计和技术的案例研究。这种远程监控技术大大降低了电力系统运行和维护 (O&M) 成本，同时为系统规划和运营部门提供了有价值的信息。
2020 年技术目录
Maya-3 和 Maya-4 立方体卫星 (CubeSats) 是该国建造的第一批纳米卫星。CubeSats 重约 1 公斤，其 10 厘米立方体框架内装有用于演示基于纳米卫星的远程数据收集系统和光学成像的组件。Maya-3 和 Maya-4 是菲律宾大学迪利曼分校 (UPD) 电气和电子工程学院 (EEEI) 电气工程理学硕士/工程硕士课程的要求。它们是由当地纳米卫星工程研究生项目的第一批学生开发的，该项目由八名学生组成，他们获得了科学技术部-科学教育学院 (DOST-SEI) 的奖学金支持。
电池电动总线充电基础设施
监测操作员和电荷行为分析对于确认一个人的收费基础结构至关重要。设备可能会发生故障或停止间歇性工作，并且远程数据应用程序可以共享，但是排除运营商的行为对于验证这是否可能是为基础停机时间收取收费的一个因素而言重要的。示例促进跑车充电的因素可能包括不良对准，跪下公共汽车，拒绝收费，充电器完全绕过服务延迟等。通过跟踪充电基础设施的正常运行时间，副副计划和操作可以对范围进行明智的决定，并在充电时实际上可能是什么范围，以及以什么一致性来帮助确定可以计划在一天中驾驶多少英里，也称为最大车辆任务或阻止行驶里程。
设计用于收集残障人士人工智能数据的在线基础设施
人工智能技术为残疾人提供了扩大虚拟和物理访问的机会。然而，实现这些机会的一个重要部分是确保即将到来的人工智能技术能够很好地服务于具有各种能力的人们。在本文中，我们认为缺乏残疾人群体的数据是训练和对标公平包容的人工智能系统的挑战之一。作为一种潜在的解决方案，我们设想了一个在线基础设施，可以实现来自残疾人社区的大规模远程数据贡献。我们通过半结构化访谈和在线调查调查了残疾人在被要求收集和上传各种形式的人工智能相关数据时可能遇到的动机、担忧和挑战，该调查通过在线门户收集示例数据文件来模拟数据贡献过程。根据我们的研究结果，我们为开发人员创建用于收集残疾人数据的在线基础设施概述了设计指南。
激活咨询技术和媒体展望2025
1。“消费者互联网和媒体收入”包括广播订阅和许可费的收入，录制音乐，书籍出版，杂志出版，报纸出版，视频游戏，娱乐，电视订阅和许可费，互联网访问，数字广告，数字广告以及这些平台上的传统广告。2。“ B2B技术和软件收入”包括来自云的应用和服务的收入（即软件，数据存储和计算托管在公共云平台或远程数据中心上），本地应用程序和服务（即软件，数据存储和计算托管的现场，包括服务器和企业网络设备）和第三方IT服务（即任何提供帮助企业实施，管理和操作系统，软件和设备的服务。来源：激活分析，被审计媒体联盟，Analysys Mason，公司备案，Dentsu International，Emarketer，Fortune Business，Gartner，GroupM，HG Insights，Ibisworld，Ibisworld，International Data Corporation，Newzoo，Omdia，Omdia，Omdia，Pew Research Center，Price Waterhousecoopers，Sywaterhousecoopers，SywaterHousecooper，Synith Media，Zenith Media，
母校StudiorumUniversitàdiBologna Archivio ...
摘要 - 城市化导致道路上越来越多的车辆，导致空气更加污染和拥挤的城市中心。这是由配备电信设备的混合动力汽车减轻这种情况的，这允许实施预测控制策略。这项研究集中在设置创新和通用的仿真环境，以开发和验证由车辆到所有连接所支持的预测控制策略。这有助于测试和验证预测控制策略，授予安全性，可靠性和可重复性。模拟环境由连接的硬件（HIL）系统组成，用于测试将实现预测功能的监督控制器（混合控制单元）。除了常规HIL布局的所有优点外，它还可以从云服务提供商和附近设备上交换真实数据。使用具有专有功能的自定义连接控制单元来处理动力总成控制器，蜂窝网络和智能运输系统（ITS-G5）之间的空中接口。最后，这项工作介绍了对实际控制器之间短期和远程数据交换的端到端通信的测试。
删除：识别设备机器学习模型窃取和重复使用移动应用程序中的漏洞
移动应用程序已通过装饰机学习（ML）技术提供人工智力（AI）服务而受欢迎。与在远程服务器上实现这些AI服务不同，这些在当地AI服务所需的这些设备技术敏感信息可以减轻远程数据收集的敏感数据收集的严重问题。但是，这些设备技术必须推动ML专业知识的核心（例如，，模型）到本地智能手机，这些智能手机仍在远程云和服务器上受到模拟漏洞的影响，尤其是在面对模型窃取攻击时。为了防止这些攻击，开发商采取了各种保护措施。毫无意义地，我们发现这些保护仍然不足，并且可以在移动应用程序中的设备ML模型提取和重复使用而无需限制。为了更好地证明其保护性不足和此攻击的可行性，本文提出了Dimistify，该摘要在应用程序中静态定位ML模型，切成相关的执行组件，并最终自动生成脚本以成功地移动应用程序以成功地窃取和重复使用目标ML模型。为了评估Dimistify并证明其适用性，我们将其应用于1，511顶级移动应用程序，使用设备ML专业知识基于其Google Play的安装数字来为几种ML服务，而Demistify可以成功执行1250个（82。73％）。此外，还进行了深入研究，以了解移动应用程序中的设备ML生态系统。
分布式量子门的通用协议
实践中，需要大规模量子计算机来以更高的速度解决复杂问题，但在实现上存在一些问题，如量子退相干。其原因是量子比特与环境相互作用，从而对误差更敏感[10-12]。解决上述问题的一个合理方法是使用分布式量子计算机减少处理信息时使用的量子比特数量。分布式量子计算机可以由两个或多个具有较少量子比特的低容量量子计算机构建，类似于用于解决单个问题的量子系统网络中的分布式节点或子系统[13,14]。在这种结构中，需要量子（经典）通信协议来在单独的节点之间进行通信。分布式量子计算最早由 Grover [15]、Cleve 和 Buhrman [16] 以及 Cirac 等人 [17] 提出。随后，Ying和Feng [11]定义了一种描述分布式量子电路的代数语言。之后，Van Meter等[18]提出了分布式量子电路中的VBE进位波加法器结构。与此同时，该领域的一些工作集中在通信部分。2001年，Yepez [19]提出了两种类型的量子计算机。在第I类量子计算机中，量子通信用于互连分布式量子计算机的子系统。在II类量子计算机中，使用经典通信代替量子通信来互连分布式量子计算机的子系统或节点。在量子通信中，在网络节点之间传输量子比特的著名方法之一是量子隐形传态（QT）[20–23]。在隐形传态中，量子比特在两个用户或节点之间传输，而无需物理移动它们。然后，在量子比特上本地执行计算；这种方法也称为远程数据。还有一些工作侧重于优化分布式量子电路的通信成本。假设量子比特隐形传态是一种昂贵的资源，这类工作试图减少这种远程数据 [ 24 – 26 ]。在 [24 ] 中，作者考虑了具有公共控制或目标量子比特的连续 CNOT 门。他们表明，这样的结构只需一次隐形传态即可执行两个门。在 [25 ] 和 [26 ] 中，这个想法得到了扩展，并提出了一些算法来减少所需的隐形传态次数。考虑了所有可能导致通信减少的配置。[27 – 29 ] 还分别考虑了使用启发式方法、动态规划方法和进化算法来优化隐形传态次数。另一种方法称为远程门，当节点相距甚远时，它使用量子纠缠直接远程执行门。远程门方法的挑战之一是在位于分布式量子计算机不同节点的量子比特之间建立 n 量子比特控制量子门的最佳实现。根据所考虑的库（如 NCV、NCT、Clifford + T 等），可以使用不同的控制门来合成量子电路的变换矩阵。众所周知的可逆量子门之一是 Toffoli 门。Toffoli 门与 Hadamard 门一起构成了量子计算的通用集。此外，具有两个以上控制量子比特的多控制 Toffoli 门在量子计算中得到广泛应用。因此，实现在网络的不同节点之间应用 n 量子比特远程 Toffoli 门（受控非门）的协议至关重要。
可穿戴的母体心率变异性作为早产的新型数字生物标志物
尽管早产造成了很大的健康后果，但最近几十年的发病率仍保持不变，部分原因是筛查方法有限和对现有方法的使用有限。可穿戴技术提供了一种新颖，无创和可接受的方法来跟踪生命体征，例如母体心率变异性（MHRV）。先前的研究观察到，MHRV在妊娠的前33周内下降，即单胎怀孕，此后改善。这项研究的目的是探索MHRV拐点是胎龄还是递送时间的指示。此回顾性病例对照研究考虑了术语和早产。通过非侵入性磨损技术收集远程数据，使代表42个州和16个国家 /地区的受试者进行了多样化的参与。参与者（n = 241）是从hoop（hoop，inc。）的用户群中追溯确定的，并在2021年3月至2022年10月之间在单胎怀孕期间戴上hoop绑带。根据胎龄和时间的混合效应样条模型适合于人体内部的MHRV，分为早产和学期出生。在妊娠期中，gestaTimation年龄（Akaike信息标准（AIC）= 26627.6，R 2 m = 0.0109，r 2 C = 0.8571），直到生育到几周（AIC = 26616.3，r 2 m = 0.0112，r 2 C = 0.8576）是MHRV的强度，直到有很大的趋势（直至代表） log-likelione比率= 279.5）。对于早产，胎龄（AIC = 1861.9，R 2 M = 0.0016，R 2 C = 0.8582）和直到出生的时间（AIC = 1848.0，R 2 M = 0.0100，R 2 C = 0.8676）代表MHRV趋势，具有明显的MHRV趋势，直到每周均具有相对良好的速度。这项研究表明，可穿戴技术（例如Hoop表带）可以通过筛选夜间MHRV的变化来为早产提供数字生物标志物，这反过来又可能警惕需要进一步评估和干预。