XiaoMi-AI文件搜索系统
World File Search System高斯过程
可变阻抗控制的数据有效增强学习
抽象在机器人中实现类似人类的操纵技巧的最关键步骤之一是将合规性纳入机器人控制器中。合规性不仅使机器人的行为安全，而且使其更有效。在这个方向上，可变阻抗控制（VIC）方法为机器人提供了一个框架，以通过采用适应性阻抗法来适应其在执行过程中的合规性。尽管如此，按任务要求的自主调整合规性概况仍然是一个具有挑战性的问题，可以在实践中解决。在这项工作中，我们引入了一种加强学习（RL）的方法，称为DEVILC（数据效率可变阻抗学习控制器），以通过机器人的实际交互来学习可变阻抗控制器。更具体地说，我们使用一种基于模型的RL方法，在每次相互作用之后，机器人迭代地使用高斯过程回归模型学习了其动力学的概率模型。然后，该模型被用来优化调节机器人阻抗的神经网络政策，以使对任务的长期奖励最大化。多亏了基于模型的RL框架，Devilc允许机器人仅通过一些交互学习VIC策略，从而使其对现实世界应用程序实用。在模拟和实验中，我们在Franka Emika Panda机器人操纵器上评估Devilc，以在笛卡尔空间中的不同操纵任务。结果表明，Devilc是通过互动直接在现实世界中自主学习合规技巧的有希望的方向。链接中提供了一个实验的视频：https：//youtu.be/_uyr0vye5no。
根据...预测土壤有机质和土壤水分含量
适当的土壤管理可以维持和改善整个生态系统的健康。适当的土壤管理需要对其特性进行适当的表征，包括土壤有机质 (SOM) 和土壤水分含量 (SMC)。与传统方法相比，基于图像的土壤表征显示出强大的潜力。本研究比较了 22 种不同的监督回归和机器学习算法的性能，包括支持向量机 (SVM)、高斯过程回归 (GPR) 模型、树集合和人工神经网络 (ANN)，在实验室环境下用数码相机拍摄的土壤图像中预测 SOM 和 SMC。共提取了 22 个图像参数，并分两步用作模型中的预测变量。首先使用所有 22 个提取的特征开发模型，然后使用 SOM 和 SMC 的六个最佳特征子集。饱和度指数（红色指数）是 SOM 预测的最重要变量，对比度（中位数 S）是 SMC 预测的最重要变量。颜色和纹理参数与 SOM 和 SMC 都表现出高度相关性。结果显示，对于使用六个预测变量的验证数据集，图像参数与实验室测量的 SOM（使用立体派的 R 2 和均方根误差 (RMSE) 分别为 0.74 和 9.80%）和 SMC（使用随机森林的 R 2 和 RMSE 分别为 0.86 和 8.79%）之间存在令人满意的一致性。总体而言，GPR 模型和树模型（立体派、RF 和增强树）最能捕捉和解释本研究中 SOM、SMC 和图像参数之间的非线性关系。
使用高斯工艺回归方法的电动汽车锂离子电池的电荷估计
应将通信发送到Selvarani N：N.Selvarani@psnacet.edu.edu.edu.in Info Info Machine and Computing杂志（http://anapub.co.ke.ke.ke/journals/jmc/jmc/jmc/jmc.html） 2024;从2024年8月18日修订； 2024年8月12日接受接受，2024年10月5日©2024作者。由Anapub出版物出版。这是CC BY-NC-ND许可证下的开放访问文章。（http://creativecommons.org/licenses/by-nc-nd/4.0/）摘要 - 为了确保在电动汽车中使用清洁能源的安全，可靠和负担得起的性能，对LIB的精确负荷状态的估计非常重要。在本文中，提出了具有不同内核函数的SOC预测的高斯过程回归，并通过良好的健康和福祉进行了评估和分析的表现。使用GPR的一个有用的好处是能够量化和估计不确定性，从而评估社会估计的可靠性。内核函数是提高GPR性能的关键超参数。GPR认为电池的温度和电压彼此独立，因为它们各自的输入参数与行业，创新和基础架构相关联，而目标依赖性变量是电池SOC。最初，训练过程涉及确定内核函数的理想超参数以准确表示数据的特征。使用测试数据评估预测电池SOC的准确性。根据仿真结果，基于指数核函数的平方元函数估计SOC具有很高的准确性和较低的RMSE和MAE，从而确保了能源效率和Q Uality Education。关键字 - 充电状态，GPR，内核功能，RMSE，Lib-Lithium Ion电池，能源效率和优质教育。
空间栖息地ECLSS的资源分配算法
随着太空栖息地的复杂性和与地球的距离增加，需要新的方法来处理意外干扰，以保证机组人员的安全和系统性能。这项工作开发了一种实施资源分配算法的方法，以管理环境控制和生命支持系统的子系统。开发了一种算法来控制氧气生成组件 (OGA)，同时对尿液处理器组件 (UPA) 产生各种干扰。在使用该算法和不使用该算法的情况下，对栖息地系统的弹性进行了评估和评价。为了测试该方法的有效性，在有限的用例中实施了该方法，针对 UPA 中的 100 种不同类型的退化。退化基于国际空间站提供的可用数据。进行优化过程以找到对 OGA 的最佳控制。然后将具有最佳控制的栖息地的性能与基线基于逻辑的控制器进行比较。为了在发现故障时自动执行子系统控制以最大程度地提高生命支持系统的整体弹性，三种监督机器学习算法（高斯过程、随机森林和 XG Boost）针对优化数据进行训练，并相互比较其准确性。尽管 UPA 性能下降对全体机组人员安全影响不大，但我们发现最佳 OGA 控制的弹性中位数增加量是逻辑控制器的弹性中位数下降量的 14 倍。根据故障场景对弹性改进进行了额外的分析和比较。在三种机器学习算法中，XG Boost 被确定为在这些情况下近似优化器表现最好的算法，R 2 值为 0.84。
替代模型驱动的物理信息
基于高斯过程 (GP) 的替代模型具有固有能力，可以捕捉数字孪生框架 Kobayashi 等人 [2022a,b]、Rahman 等人 [2022]、Khan 等人 [2022] 的建模和仿真组件中存在的由于数据有限、数据缺失、数据缺失和数据不一致（噪声/错误数据）而引起的异常，特别是对于事故容错燃料 (ATF) 概念。但是，当我们拥有有限的高保真度（实验）数据时，GP 不会非常准确。此外，使用 GP 应用高维函数（>20 维函数）来近似预测具有挑战性。此外，噪声数据或包含错误观测值和异常值的数据是高级 ATF 概念面临的主要挑战。此外，控制微分方程对于长期 ATF 候选者来说是经验性的，数据可用性是一个问题。基于物理的多保真度克里金法 (MFK) 可用于识别和预测所需的材料特性。MFK 特别适用于低保真度物理（近似物理）和有限的高保真度数据 - 这是 ATF 候选者的情况，因为数据可用性有限。本章探讨了该方法，并介绍了其在 ATF 实验热导率测量数据中的应用。MFK 方法对少量无法通过传统克里金法建模的数据显示出其重要性。用这种方法构建的数学模型可以轻松连接到后期分析，例如不确定性量化和敏感性分析，并有望应用于基础研究和广泛的产品开发领域。本章的总体目标是展示可以嵌入 ATF 数字孪生系统的 MFK 替代品的能力。
大脑内核 - Turk-Browne 实验室
功能性磁共振成像 (fMRI) 中的一个关键问题是从嘈杂的高维信号中估计空间活动模式。空间平滑提供了一种规范化此类估计的方法。然而，标准平滑方法忽略了神经活动的相关性在不同的脑区可能以不同的速率下降，或者在解剖或功能边界上表现出不连续性的事实。此外，这种方法没有利用这样一个事实，即相距甚远的脑区可能由于双侧对称或脑区网络组织而表现出强相关性。为了捕捉这种非平稳空间相关结构，我们引入了脑核，一种用于全脑活动模式的连续协方差函数。我们将脑核定义为从 3D 脑坐标到潜在嵌入空间的连续非线性映射，用高斯过程 (GP) 参数化。脑核将体素之间的先验协方差指定为它们在嵌入空间中位置之间距离的函数。 GP 映射以非线性方式扭曲大脑，使高度相关的体素在潜在空间中靠得很近，而不相关的体素则相距很远。我们使用静息状态 fMRI 数据估计大脑内核，并开发一种基于块坐标下降的精确、可扩展的推理方法来克服高维（10-100K 体素）的挑战。最后，我们通过多任务 fMRI 数据集的大脑解码和因子分析来说明大脑内核的实用性。
非晶态有机半导体中的激子扩散
Justin M. Hodgkiss 3,4 , Daniel M. Packwood 1,2* 1 京都大学综合细胞材料科学研究所（iCeMS），日本京都 2 综合数据材料科学中心（iDM），麦克迪亚米德先进材料与纳米技术研究所，新西兰惠灵顿 3 麦克迪亚米德先进材料与纳米技术研究所，新西兰惠灵顿 4 惠灵顿维多利亚大学化学与物理科学学院，新西兰惠灵顿 5 大赛璐企业研究中心，创新园区（iPark），大赛璐株式会社，日本姬路 * 通讯作者。电子邮件：dpackwood@icems.kyoto-u.ac.jp 摘要 非晶态有机材料中激子和电荷跳跃的模拟涉及许多物理参数。在开始模拟之前，必须通过昂贵的从头计算来计算出每个参数，因此研究激子扩散的计算开销很大，尤其是在大型复杂材料数据集中。虽然之前已经探索过使用机器学习快速预测这些参数的想法，但典型的机器学习模型需要较长的训练时间，这最终会增加模拟开销。在本文中，我们提出了一种新的机器学习架构，用于构建分子间激子耦合参数的预测模型。与普通的高斯过程回归或核岭回归模型相比，我们的架构设计方式可以减少总训练时间。基于此架构，我们建立了一个预测模型并使用它来估计非晶态并五苯中激子跳跃模拟的耦合参数。我们表明，与使用完全从密度泛函理论计算的耦合参数的模拟相比，这种跳跃模拟能够对激子扩散张量元素和其他属性实现出色的预测。因此，这一结果以及我们的架构提供的较短训练时间表明了如何使用机器学习来减少与非晶态有机材料中的激子和电荷扩散模拟相关的高计算开销。
机器学习用于指导隧道施工
符号列表 α 岩体中薄弱面的方向。 β g , β l 分别为粒子群优化算法的全局和局部学习参数。 γ 土壤单位重量。 γ SVM 支持向量机核系数。 ϵ 高斯噪声。 ζ(x) 输入值 x 的高斯隶属函数。 θ 隧道掘进机俯仰角。 κ 土壤卸载-重新加载曲线的斜率。 μ(x) 高斯过程的平均向量。 ν l 隧道衬砌的泊松比。 ν s 土壤的泊松比。 ρ 1 , ρ 2 两个随机初始化的向量，其条目范围在 0 和 1 之间。 σ 高斯函数的标准偏差。 ϕ′ 土壤摩擦角。 ψ′ 土壤扩张角。 A 隧道掘进机的表面积。 a 使用模糊 c 均值聚类算法控制系统模糊性的参数。AR 隧道掘进机推进速度。b 可调偏差矢量。BI 岩体脆性指数。C 管串收敛。c 高斯函数均值。c′ 土壤黏聚力。CP 刀盘功率。CM 施工方法。D 隧道掘进机直径。dj 数据聚类中心 j。D c 隧道掘进机刀盘直径。DPW 弱面间深度。E l 隧道衬砌杨氏模量。E s 土壤杨氏模量。EI 抗弯刚度。EPB 土压平衡。f ( x ) 表示数据底层结构的潜在函数。FPI 场穿透指数。g* 粒子群优化算法的全局最佳历史位置。GSI 地质强度指数。H 隧道覆盖深度。H w 隧道掘进机上方地下水位高度。 it, il 土面沉降曲线横、纵向拐点。J FCM 模糊c均值聚类目标函数。JF 隧道掘进机顶进力。K 侧向土压力系数。ks 土的渗透性。k sub 路基反力模量。k ( x , x ′) 输入对x和x′的协方差函数。
5 3.RAI-818智能移动机器人技术a。教科书
•自动移动机器人简介。Roland Siegwart和Illah R. Nourbakhsh，麻省理工学院出版社，2004年。•Howie Choset，Kevin Lynch，Seth Hutchinson，George Kantor Wolfram Burgard，Lydia Kavraki和Sebastian Thrun的机器人运动原理，理论算法和实施原理。b。参考书：•机器人运动计划，Jean-Claude Latombe，Kluwer学术出版商，1991年。•概率机器人塞巴斯蒂安·特伦（Sebastian Thrun）。•计划算法，史蒂文（Steven），M，拉瓦勒（Lavalle）。•机器人运动计划Jean Claude Latombe。•移动机器人技术的计算原理，Gregory Dudek和Michael Jenkin。•讲师也可以使用讲义和研究文章。c。目的：本课程侧重于运动计划，感知和推理的概念，这是移动自动驾驶汽车在跨越土地，海洋和空气的动态，非结构化的环境中智能操作所需的。在本课程中，学生将学习如何在非结构化环境中计划机器人的运动，并使用概率方法，这将使他们在不确定性的情况下自我定位并理解周围环境。这些方法将在模拟平台上实现，以关闭透明度循环，以在复杂领域的稳健交付，这些循环在复杂的字段中进行了强大的交付，这些循环通常不是为了容纳机器人而设计的。还将讨论智能机器人系统的案例研究。d。课程结果：完成该模块后，学生将能够：•了解各种运动计划算法并在各种环境中实施。•了解使用统计建模技术（例如高斯过程）的使用，以允许机器人解释传感器数据并理解其周围环境。•了解概率方法如何解决由于现实世界中非确定性而固有的不确定性。•能够适应并应用机器人概念来设计和开发针对不同应用领域的实用机器人解决方案。•了解如何使用Python语言和机器人中间件（例如ROS）在简单的移动机器人上实现概率方法。
文章 石灰石采石场爆炸引起的地面振动预测：一种人工智能方法
摘要：地面振动是爆破活动最不利的环境影响之一，会对邻近的房屋和建筑物造成严重损坏。因此，有效预测其严重程度对于控制和减少其复发至关重要。不同的研究人员提出了几种常规振动预测方程，但大多数仅基于两个参数，即单位延迟使用的炸药量和爆炸面与监测点之间的距离。众所周知，爆破结果受许多爆破设计参数的影响，例如负担、间距、火药系数等。但这些都没有被考虑在任何可用的常规预测器中，因此它们在预测爆炸振动时显示出很高的误差。如今，人工智能已广泛应用于爆破工程。因此，本研究采用了三种人工智能方法，即高斯过程回归 (GPR)、极限学习机 (ELM) 和反向传播神经网络 (BPNN)，来估计印度 Shree Cement Ras 石灰石矿爆破引起的地面振动。为了实现该目标，从矿场收集了 101 个爆破数据集，其中粉末系数、平均深度、距离、间距、负担、装药重量和炮泥长度作为输入参数。为了进行比较，还使用相同的数据集构建了一个简单的多元回归分析 (MVRA) 模型以及一种称为多元自适应回归样条 (MARS) 的非参数回归技术。本研究是比较 GPR、BPNN、ELM、MARS 和 MVRA 以确定其各自预测性能的基础研究。八十一 (81) 个数据集（占总爆破数据集的 80%）用于构建和训练各种预测模型，而 20 个数据样本（20%）用于评估所开发的预测模型的预测能力。使用测试数据集，将主要性能指标，即均方误差 (MSE)、方差解释 (VAF)、相关系数 (R) 和判定系数 (R2) 进行比较，作为模型性能的统计评估指标。本研究表明，与 MARS、BPNN、ELM 和 MVRA 相比，GPR 模型表现出更出色的预测能力。GPR 模型显示最高的 VAF、R 和 R 2 值分别为 99.1728%、0.9985 和 0.9971，最低的 MSE 为 0.0903。因此，爆破工程师可以采用 GPR 作为预测爆破引起的地面振动的有效且合适的方法。