XiaoMi-AI文件搜索系统
World File Search SystemBased
基于损伤的电力电子设备寿命建模
电力电子器件和模块的寿命建模有着悠久的研究历史。两大主要研究方向是数据驱动方法和基于模型的方法。数据驱动方法使用机器学习从经验数据中训练寿命模型。它是一种纯数据挖掘技术，不考虑故障机制。相比之下，基于模型的方法旨在研究故障机制，以便在考虑故障机制的情况下建立寿命模型。虽然数据驱动方法如今由于新一波人工智能的兴起而变得越来越流行，但基于模型的方法一直是经典方法并不断发展。我们的工作属于基于模型的方法。下面，我们将简要回顾主要的基于模型的方法。
韧性生计：太阳能安全网的作用
A. Terzopoulou，X。Wang，X.-Z.博士 Chen，B。J. Nelson教授，S。Pané机器人与智能系统研究所教授，Eth Zurich Tannenstrasse 3，CH-8092，CH-8092，瑞士Zurich，瑞士电子邮件：Chenxian@ethz.ch C. Pujante Bioengineering, Eth Zurich Tannenstrasse 3, CH-8092 Zurich, Switzerland e-mail: josep.puigmarti@chem.ethz.ch M. palacios-corella institute de ciencia molecular, universidad de Valencia, cadedradic Jose Beltran 2, paternal, 46980, Spain Dr. J. J. Herrero-Martin Alba Synchrotron Light源，E-08290，Cerdanyola delVallès，巴塞罗那，西班牙X.-H. QIN生物力学研究所，Eth Zurich Leopold-Ruzick-Weg 4，8093Zürich，瑞士教授Jordi Sort DepartomentDeFísica，University defísica，University de Barcelona，E-08193 Cerdanyola del valles，西班牙语A. Terzopoulou，X。Wang，X.-Z.博士Chen，B。J. Nelson教授，S。Pané机器人与智能系统研究所教授，Eth Zurich Tannenstrasse 3，CH-8092，CH-8092，瑞士Zurich，瑞士电子邮件：Chenxian@ethz.ch C. Pujante Bioengineering, Eth Zurich Tannenstrasse 3, CH-8092 Zurich, Switzerland e-mail: josep.puigmarti@chem.ethz.ch M. palacios-corella institute de ciencia molecular, universidad de Valencia, cadedradic Jose Beltran 2, paternal, 46980, Spain Dr. J. J. Herrero-Martin Alba Synchrotron Light源，E-08290，Cerdanyola delVallès，巴塞罗那，西班牙X.-H. QIN生物力学研究所，Eth Zurich Leopold-Ruzick-Weg 4，8093Zürich，瑞士教授Jordi Sort DepartomentDeFísica，University defísica，University de Barcelona，E-08193 Cerdanyola del valles，西班牙语Chen，B。J. Nelson教授，S。Pané机器人与智能系统研究所教授，Eth Zurich Tannenstrasse 3，CH-8092，CH-8092，瑞士Zurich，瑞士电子邮件：Chenxian@ethz.ch C. Pujante Bioengineering, Eth Zurich Tannenstrasse 3, CH-8092 Zurich, Switzerland e-mail: josep.puigmarti@chem.ethz.ch M. palacios-corella institute de ciencia molecular, universidad de Valencia, cadedradic Jose Beltran 2, paternal, 46980, Spain Dr. J. J. Herrero-Martin Alba Synchrotron Light源，E-08290，Cerdanyola delVallès，巴塞罗那，西班牙X.-H. QIN生物力学研究所，Eth Zurich Leopold-Ruzick-Weg 4，8093Zürich，瑞士教授Jordi Sort DepartomentDeFísica，University defísica，University de Barcelona，E-08193 Cerdanyola del valles，西班牙语
优化地面防空以支持国土防御巡航导弹威胁
估计此次信息收集的公共报告负担平均每份回应需要 1 小时，其中包括审查说明、搜索现有数据源、收集和维护所需数据以及完成和审查信息收集的时间。请将关于此负担估计或此信息收集的任何其他方面的评论（包括减少此负担的建议）发送至华盛顿总部服务部、信息运营和报告理事会，地址：1215 Jefferson Davis Highway, Suite 1204, Arlington, VA 22202-4302，以及管理和预算办公室、文书工作减少项目 (0704-0188) Washington DC 20503。1.仅供机构使用（留空） 2.报告日期 2006 年 12 月 3.报告类型和涵盖日期 硕士论文
基于机器学习的跟踪算法和粒子...
○ Introduction to Particle Flow ○ Insights into the Neural Network Design ○ Metrics Overview: Building Blocks for Evaluation ○ Dataset - Jet-like Particle Gun ○ Results - Energy and Angular Resolution ○ Results - Reconstructed Mass ○ Results - Efficiency and Fake Rates ○ Results - Particle Identification 3.摘要和下一步
![文章标题：基于机器学习算法的情感分析：全面的研究作者：Song Jiang [1]，Ela Kumar [2]隶属关系：Unive](/simg/a/a18931ee1afd48d7d579d30bde6e7c6026fd7595.webp)
文章标题：基于机器学习算法的情感分析：全面的研究作者：Song Jiang [1]，Ela Kumar [2]隶属关系：Unive
Article title: Sentiment Analysis Based on Machine Learning Algorithms: A Comprehensive Study Authors: song jiang[1], Ela Kumar[2] Affiliations: university of houston[1], k l deemed to be university[2] Orcid ids: 0009-0007-8363-7304[1] Contact e-mail: sjiang24@central.uh.edu License information: This work has been在Creative Commons Attribution许可下发布的开放访问http://creativecommons.org/licenses/4.0/，只要适当地引用了原始工作，就可以在任何媒介中不受限制地使用，分发和复制。可以在https://www.scienceopen.com/上找到条件，使用条款和发布政策。预印度语句：本文是预印本，未经同行评审，正在考虑，并提交给ScienceOpen的预印本进行开放的同行评审。doi：10.14293/pr2199.000601.V2预印本在线发布：2024年2月19日
海报：基于加强学习的自主行动的鲁棒性驱动到对抗性输入
在这项研究中，我们评估了自主驾驶（AD）系统中增强学习的鲁棒性（RL），特别是反对对抗攻击的稳健性。我们采用了Karavolos等人提出的基于Q学习的AD模型。[1]的简单性，是我们分析的基础。此选择使我们能够在简单的Q学习方法和更复杂的RL系统之间进行明显的比较。我们设计了两个威胁模型，以模拟对基于RL的广告系统的对抗性攻击。第一个模型涉及在RL模型的细调中注入未发现的恶意代码，使其容易受到对抗性扰动的影响，这可能会导致在特定的触发条件下碰撞。第二个威胁模型旨在通过直接改变RL模型在特定触发条件下的行动决策来引起碰撞，这代表了一种更隐秘的方法。基于这些威胁模型，我们对两种主要情况的实证研究提出：操纵传感器输入和直接对动作的扰动。研究结果表明，尽管基于RL的AD系统表现出针对传感器输入操纵的弹性，但在受到直接动作扰动时它们会表现出脆弱性。主要的和宽容的场景涉及更改传感器读数，例如在偏心转弯期间，这可能会误导系统并可能导致事故。这对于小误差很大的操作至关重要。第二种情况直接扰动动作，更多地是对基于RL的AD系统脆弱性的理论研究，而不是实用的现实世界威胁。
评估对象对象的基于视觉模型的弹性...
摘要。鉴于对最近的基于视觉模型的大规模多模式培训及其概括能力，因此了解其鲁棒性的程度对于他们的现实世界部署至关重要。在这项工作中，我们的目标是评估当前基于视觉模型的弹性，以应对不同的对象到后环上下文变化。大多数鲁棒性评估方法都引入了合成数据集，以引起对物体特征（观点，比例，颜色）的变化或实际图像上使用的图像转换技术（对抗性变化，常见的损坏），以模拟分离中的变化。最近的作品探索了利用大型语言模式和di！使用模型来产生背景变化。但是，这些方法要么缺乏对要进行的更改或扭曲对象语义的控制，从而使它们不适合任务。另一方面，我们的方法可以诱导各种对象兼容地面变化，同时保留对象的原始语义和对象的真实性。为了实现这一目标，我们利用文本对图像，图像到文本和图像对段的生成能力自动生成广泛的对象到背景的变化。我们通过修改文本提示或优化文本模型的潜伏期和Textual嵌入来引起自然和对抗背景的变化。这使我们能够量化背景上下文在理解深神经网络的鲁棒性和一般性中的作用。我们生产了各种版本的标准视觉数据集（Imagenet，Coco），将多样的和相同的背景纳入图像中，或在背景中引入颜色，纹理和对抗性变化。我们进行了彻底的实验，并对基于视觉模型的鲁棒性与对象之间的背景环境之间的鲁棒性进行了深入的分析。我们的代码和评估基准将在https://github.com/muhammad-huzaifaa/ObjectCompose上找到。
基于电力电子的微电网回顾
koreascience.or.kr › article › JAKO2012... PDF 作者：X Wang · 2012 · 被引用次数：203 — 作者：X Wang · 2012 被引用次数：203 Microgrid paradigm, featuring higher flexibility and reliability, becomes an attractive ... power stage, and Digital Signal Processors (DSP) being able.
基于NARX复发神经网络和移动窗口方法的锂离子电池的充电状态估计
摘要准确的充电状态（SOC）估计取决于精确的电池模型。非线性和不稳定干扰因素的影响使准确的SOC估计变得困难。为了获得准确的电池模型，提出了基于NARX（具有外源输入的非线性自回归网络）的方法，提出了复发性神经网络和移动窗口方法。本文从以下三个方面提高了SOC估计的准确性，建模速度和鲁棒性。首先，为了克服对模型训练过程中数据量的过度依赖，使用NARX复发性神经网络来建立电池模型。narx（具有外部输入的非线性自回旋）具有延迟和反馈功能的复发性神经网络可以保留上一刻的输入和输出，并将其添加到下一个时刻的计算中。因此，使用少量数据实现了更好的估计结果；其次，移动窗口方法用于梯度爆炸和NARX模型训练过程中可能发生的梯度消失。第三，通过将其与不同的工作条件和不同温度下的其他方法进行比较，可以验证该模型的有效性。结果表明，所提出的模型具有更高的SOC估计准确性和速度。提出的模型的RMSE性能减少了约65％，并且执行时间缩短了约50％。