XiaoMi-AI文件搜索系统
World File Search SystemBalanced
用于量子断层扫描和量子密钥分发的硅光子集成时域平衡同差探测器
1 山西大学光电研究所量子光学与量子光学器件国家重点实验室，太原 030006，中国 2 山西大学极端光学协同创新中心，太原 030006，中国 3 合肥国家实验室，合肥 230088，中国 4 中国信息通信科技集团公司光通信技术与网络国家重点实验室，武汉 430074，中国 5 国家信息光电子创新中心，武汉 430074，中国 6 浙江大学 - 杭州全球科技创新中心，杭州 311215，中国 ∗ 通讯作者。
通过战略地图和平衡记分卡建立竞争优势，提高公司绩效
摘要 本研究的目的是根据 PT. TA 公司面临的问题确定其战略地图，为 PT. TA 确定正确的平衡记分卡设计，找出 PT. TA 可以使用的最佳竞争策略，以便能够与中爪哇的其他重型设备租赁公司竞争。所采用的研究方法是定性研究方法。结果表明，PT. TA 面临依赖单一产品、生产效率低和生产成本高的问题。为了克服这个问题，他们可以实施多种策略。首先，他们可以通过地图策略开拓新市场或探索尚未得到最佳开发的市场。此外，他们还可以开发新产品或现有产品的产品变体，以及产品多样化。此外，公司需要改进生产流程，提高资源利用效率，提高产品质量，改进生产技术，以降低高昂的生产成本并提高生产效率。通过实施这些战略，PT. TA 可以提高竞争力并确保公司业务的长期连续性。PT. TA 可以采用平衡记分卡 (BSC) 设计来持续监控战略实施情况。通过使用 BSC，公司可以确保业务的所有重要方面都很好地融入公司战略。通过实施 BSC，可以以有针对性和可衡量的方式实现业务目标。简介
BT-CNN：一种利用 MRI 成像对脑肿瘤进行分类的平衡二叉树架构
深度学习是当今世界临床诊断和治疗中非常重要的技术。卷积神经网络 (CNN) 是深度学习的最新发展，用于计算机视觉。我们的医学研究重点是脑肿瘤的识别。为了提高脑肿瘤分类性能，提出了一种以二叉树结构为框架的平衡二叉树 CNN (BT-CNN)。它有两个不同的模块 - 卷积和深度可分离卷积组。使用卷积组可实现更短的时间和更高的内存，而深度可分离卷积组则相反。这种平衡二叉树启发的 CNN 平衡了两个组以在时间和空间方面实现最佳性能。在公共数据集上对所提出的模型以及 CNN-KNN 等最先进的模型以及 Musallam 等人、Saikat 等人和 Amin 等人提出的模型进行了实验。在将数据输入模型之前，我们使用 CLAHE、去噪、裁剪和缩放对图像进行预处理。预处理后的数据集根据 5 倍交叉验证分为训练数据集和测试数据集。对所提出的模型进行训练，并将其性能与 CNN-KNN 等最新模型以及 Musallam 等人、Saikat 等人和 Amin 等人提出的模型进行比较。与其他模型相比，所提出的模型报告的平均训练准确率为 99.61%。所提出的模型实现了 96.06% 的测试准确率，而其他模型分别实现了 68.86%、85.8%、86.88% 和 90.41%。此外，所提出的模型在所有折叠中获得了训练和测试准确率的最低标准差，使其对于数据集不变。
缓慢而弱的吸引子计算嵌入快速和强的E-I平衡神经动力学
吸引子网络需要神经元连接是高度结构的，以维持代表信息的吸引子态，而激发和抑制平衡网络（E-INNS）需要神经元连接才能被延伸，并且稀疏以产生不规则的神经元素。尽管被视为神经回路的规范模型，但通常对两种类型的网络进行独立研究，并且鉴于它们的结构需求非常不同，因此仍不清楚它们如何在大脑中共存。在这项研究中，我们研究了连续吸引人神经网络（CANNS）和E-INN的兼容性。与重新实验数据一致，我们发现当神经元突触由两组组成时，神经回路可以表现出CANN和E-INN的特征：一组对于不规则的曲线是强的且快速的，而另一组对于吸管动力学而言弱且缓慢。另外，与仅使用一组突触相比，模拟和理论分析都表明，该网络表现出增强的性能，并加速了吸引子态的融合并保留了局部输入的E-I平衡状况。我们希望这项研究能够了解结构化神经计算如何通过神经元的不规则曲率实现。
工作人员报告 需要采取的行动 2020-2024 年战略计划：战略地图和平衡记分卡
本报告旨在请求多伦多公共图书馆董事会批准 2020 年战略地图和平衡记分卡。监测 2020-2024 年战略计划成就的流程以之前的战略计划为基础。新流程增强了平衡记分卡的作用，不再报告工作计划举措的成就，而是衡量和评估推进战略计划优先事项和成果的进展。在未来五年内，TPL 将使用三个总体关键绩效指标来衡量 2020-2024 年战略计划的总体进展：覆盖率、使用率和价值。这些指标将监测多伦多市民使用图书馆时的成功程度，以及图书馆对有助于使我们的城市成功、有韧性和健康的转型变革的贡献。建议
TRB 网络研讨会：TRB 网络研讨会：平衡法案——微调沥青混合料以实现平衡混合料设计
交通研究委员会已达到注册继续教育计划的标准和要求。完成此计划后获得的学分将在 RCEP.net 上报告给 RCEP。将向每位参与者颁发结业证书。因此，它不包含可能被视为或解释为 RCEP 批准或认可的内容。
使用自动化简单 SCA 打破开源完全平衡椭圆曲线设计
椭圆曲线密码 (ECC) 的主要运算是将椭圆曲线 (EC) 点 P 与长二进制标量 k 相乘，记为 kP 。攻击者的目标是获取标量 k（进一步记为密钥 k ）。这通常可以通过分析测量的功率或 kP 执行的电磁痕迹或其他旁道效应来实现。蒙哥马利阶梯算法是实现 kP 计算最常用的算法。文献中报道，该算法可以抵抗简单的旁道分析 (SCA) 攻击，因为它是一种平衡算法，即，标量 k 的每个位值的处理都按照相同的运算序列完成，即一个 EC 点加法和一个 EC 点加倍。但是，蒙哥马利阶梯算法中寄存器的使用取决于密钥，因此容易受到垂直数据位和水平地址位攻击。已知的对策之一是随机化算法主循环每次迭代的 EC 点操作（加法和加倍）的顺序。只有当计算 EC 点加法的域操作顺序与计算 EC 点加倍的域操作顺序相同时，随机化才有意义，例如，如果应用了统一的 EC 点加法公式。[4] 报告了一种完全平衡的 ASIC 协处理器，该协处理器在 Weierstrass 椭圆曲线上实现了完整的加法公式。该设计是开源的，VHDL 代码可在 GitHub 存储库 [3] 中找到。我们为 IHP 250 nm 单元库合成了这个开源设计，并使用 EC secp256k1 的基点作为与原始测试台相对应的输入点 P 来模拟 kP 执行的功率轨迹。我们尝试了不同长度的标量 k。我们模拟了约 20 位以及约 200 位密钥的功率轨迹，并执行了
任务平衡多模式特征选择，以预测阿尔茨海默氏症的进展
摘要 - 与阿尔茨海默氏病（AD）相关的社会和财务成本导致我们社会的显着负担。为了了解这种疾病的原因，公有私人伙伴关系，例如阿尔茨海默氏病神经诱因倡议（ADNI）将数据释放到科学界。这些数据被组织为各种方式（遗传，脑成像，认知评分，诊断等）进行分析。医学图像分析中使用的许多统计学习方法不能明确利用这种多模式数据结构。在这项工作中，我们提出了一种新颖的目标函数和优化算法，该算法旨在处理多模式信息以进行AD的预测和分析。我们的方法依赖于ℓ2，1-规范提供的稳健矩阵效果和行明稀疏性，以集成由ADNI提供的多模式数据。这些技术通过分类任务共同优化，以指导我们提出的任务平衡多模式特征选择方法中的特征选择。与某些广泛使用的机器学习算法进行比较时，我们的结果表现出改进的平衡精度，精度和Matthew的相关系数，以识别认知能力下降。在提高预测性能的方面，我们的方法能够识别临床研究界感兴趣的大脑和遗传生物标志物。我们预计我们的方法将引起更大的研究社区的兴趣，并在线发布了我们的方法代码。1我们的实验验证了现有的脑生物标志物和位于染色体11上的单核苷酸多态性，并在10号染色体上详细介绍了新型多态性，据作者所知，这些多态性尚未报道。
打破一个完全平衡的ASIC协处理器，在Weierstrass椭圆曲线上实现完整的添加公式
使用椭圆形曲线（EC）上有限场上的加密协议是全球范围内已知的数字签名生成和验证[1]以及相互认证的方法。ec加密操作是时间且能量昂贵，但要比RSA快得多[2]。此外，椭圆曲线密码学（ECC）使用的加密密钥比RSA明显短，同时提供相同的安全性。这减少了发送和接收消息所需的时间和能量。这些功能使ECC对不仅需要高度安全性，而且需要低功率的实时通信和数据处理的设备非常有吸引力。重要性的应用领域是物联网（IoT），自动驾驶，电子卫生，行业4.0和许多其他应用程序。
电荷平衡的垂直力量MOSFET具有记录的High Balliga功绩数字：设计与调查
摘要：在这项工作中，我们设计和模拟了具有电荷平衡漂移层的高性能垂直功率MOSFET，这调节了从超级二次到线性的RON-BV关系。所提出的设备是使用超级接线漂移层设计的，该层调节了从超级二次到线性的RON -BV关系。所提出的设备具有从超级接线漂移层隔离的源和通道区域。与Balliga的功绩相比，与其他常规设备相比，该设备的性能显着改善。一项2D TCAD仿真研究表明，外延层厚度为50μm的拟议装置显示，电阻为3.84MΩ.cm2，分解电压为833V，这是以前文献中在此故障电压下在先前文献中报告的电阻最低的电压。此外，还完成了电荷不平衡和电容分析的研究，包括计算门电荷。Balliga为所提出的结构的所有漂移厚度计算的Balliga值（FOM）的值显着超过了迄今为止报道的常规超级连接结构。