XiaoMi-AI文件搜索系统
World File Search SystemDiVA
行业4.0 一项实证研究以确定... - DiVA 门户
图 1 问题表述 ................................................................................................................................................ 11 图 2 工业 4.0 技术的优势与挑战 .............................................................................................................. 25 图 3 在线调查的优势与潜在劣势 ................................................................................................................ 27 图 4 研究流程与设计 ...................................................................................................................................... 29 图 5 我们论文中实施的分析方法 ...................................................................................................................... 33 图 6 北欧的行业 ...................................................................................................................................... 37 图 7 德国的行业 ...................................................................................................................................... 37 图 8 海湾地区的行业 ...................................................................................................................................... 38 图 9 北欧的成本运行检验 ............................................................................................................................. 39 图 10 北欧大数据的运行检验 .............................................................................................................................
是时候进行社交媒体排毒了吗？ - DiVA 门户
图 图 1：第一阶段：排毒前的动机 ...................................................................................... 14 图 2：第二阶段：排毒期间的经历 ...................................................................................... 20 图 3：第三阶段：排毒后的行为后 ...................................................................................... 22 图 4：概念框架：Instagram 排毒之旅 ...................................................................... 23 图 5：4 周学习计划 ...................................................................................................... 29 图 6：Instagram 屏幕时间比较 ...................................................................................... 41 图 7：排毒前动机的编码 ............................................................................................. 42 图 8：排毒期间经历的编码 ............................................................................................. 46 图 9：排毒后的行为后编码 ............................................................................................. 55 图 10：修订的概念框架：Instagram 排毒之旅 ............................................................. 70 表格 表 1：焦点小组矩阵 ................................................................................................ 31 表2：参与者概况 ................................................................................................ 36 表 3：排毒前激励的代表性语录 .............................................................................. 42 表 4：排毒经验的代表性语录
惯性传感器阵列 - DiVA 门户
如今，惯性传感器的运动估计已广泛应用于从飞机导航到可充气自行车头盔等各种应用领域。惯性传感器运动估计的精度取决于测量误差的大小。减少惯性传感器测量误差的一种方法是使用比运动估计所需更多的传感器。通过对冗余传感器的测量结果进行平均，可以减少独立误差的影响。但是，通过在刚体上放置多个惯性传感器，可以获得比简单平均更多的运动信息。例如，刚体的逐点加速度包含有关刚体旋转的信息。本论文研究并提出了如何融合惯性传感器阵列测量结果的方法，以及如何估计和校准传感器中存在的系统测量误差。惯性传感器阵列包含多个加速度计和多个陀螺仪。在运动估计应用中，通常从陀螺仪测量中估计角速度，然后将角速度积分为方向。角速度也可以从多个加速度计中估计。本论文提出了融合加速度计和陀螺仪测量的不同模型，以实现更准确的方向估计。通过提高方向的准确性
需求质量可能产生的影响... - DiVA 门户
摘要需求是需求工程的关键工件，是任何软件开发的基本组成部分，不同的软件开发角色在其活动中使用它，例如设计功能的界面、开发功能以及测试人员创建测试用例。本研究旨在调查创建需求的需求工程师与在其工作活动中使用它们的其他软件角色之间以及开发人员和测试人员在其软件开发和测试活动中对需求的使用、理解和意图不一致的影响。本研究关注的影响领域是开发过程中涉及需求的不同角色的工作活动、他们的工作量以及他们的福祉和士气。两个研究目标是：i）软件开发从业者如何定义需求的质量？ii）感知到的需求质量如何影响软件开发过程中涉及的不同角色的工作？本研究为描述性访谈研究，遵循 Runeson 和 Höst [14] 编写的案例研究指南，在一家北欧银行的子公司开展，该子公司开发了自己的网络和应用程序。数据收集包括采访 20 名从业人员：需求工程师、开发人员、测试人员和新聘用的开发人员，每组采访五名受访者。本研究的结果表明，事实上，不同角色对于什么是好需求有不同的看法。从业人员描述的他们认为使需求变好的一般特征与 ISO [21] 和 IREB [26] 标准中描述的特征也有一些相似之处。从业人员表示，一般来说，当他们处理他们认为不好的需求时，他们会感到消极，工作量增加，沟通压力增加。从业者还描述了当他们处理他们认为好的需求时，他们的工作和感受通常会产生积极的影响。从研究中可以得出一个结论，需求的质量和需求工程过程对软件开发很重要，并且会对处理需求的不同角色的士气、有效性和效率产生重大影响。关键词：需求分析、编程团队、敏捷软件开发、实证、金融科技
使用...设计基于模拟的飞行员训练系统 - DiVA
摘要 飞机的高运营成本、有限的空域可用性和严格的安全法规使得战斗机飞行员的训练越来越具有挑战性。通过整合实时、虚拟和建设性模拟资源，可以提高效率和效果。特别是，如果在更高程度上使用建设性模拟（提供操作合成车辆的合成代理），则可以低成本实现复杂的训练场景，减少对支持人员的需求，并提高训练可用性。在这项工作中，受到人工智能技术最新改进的启发，我们从用户的角度出发，研究智能学习代理如何帮助构建未来的训练系统。通过领域分析、用户研究和实践实验，我们确定了重要的代理能力和特征，然后讨论了训练系统的设计方法和解决方案概念，以利用学习代理来提高训练价值。
商业智能中的人工智能 - DiVA 门户
AI - 人工智能：机器的概念，它可以独立思考，根据输入做出决策。ML - 机器学习：人工智能学习和适应人类问题的一种方法，例如图像识别、语音分析和音乐创作。BI - 商业智能：是公司可以用来分析和预测市场变化的方法。BIS - 商业智能系统：处理商业智能的系统的定义。BD - 大数据：指公司开展业务、使用公司产品等时生成的数据的流行词。ETL - 提取、转换和加载：从源中提取数据、将其转换为符合数据标准，然后通过程序让管理人员可以访问数据的过程。DIC - 数据检查委员会：瑞典的机构，现称为完整性保护局，旨在保护瑞典个人数据。在瑞典以前称为 Datainspektionen，现在称为 Integritetsskyddsmyndigheten。DM – 数据挖掘：出于商业目的生成和分析数据 FRA – Försvarets radioanstalt：瑞典专注于信息安全的权威机构
疲劳、压力和表现... - DiVA 门户
在职业生活中，在令人疲劳的体力工作任务之间执行认知工作任务可能有助于恢复和减轻压力，而不会损失生产性工作时间。这种交替的时间模式可能是恢复效果的决定因素，影响压力和疲劳；认知任务 (CT) 的难度也可能是一个决定因素。本研究的目的是确定重复性体力任务和不同难度的 CT 之间交替的时间模式在多大程度上影响感知疲劳性、表现疲劳性、压力相关结果和表现。15 名女性进行了四次工作会议，包括 110 分钟的重复性体力任务（移液），与 CT（n-back）交替。会议在周期时间（短：7 + 3 分钟 vs. 长：14 + 6 分钟）和 CT 难度（CTdiff；容易 vs. 困难）方面有所不同。疲劳是通过记录工作前后肩部抬高和握力时的最大自主收缩力、工作期间右斜方肌和右前臂伸肌的肌电图 (EMG) 以及整个疗程中反复自我评估疲劳和疼痛来评估的。压力是通过心电图 (心率变异性)、唾液淀粉酶和自我报告来评估的。所有方案的感知疲劳都会随着时间的推移而显着增加，长周期比短周期条件下的感知疲劳增加更多。EMG 活动没有显着增加
COVID-19 对物流业的影响 - DiVA 门户
2019 年 12 月 31 日，大量关于中国肺炎病例的报道浮出水面。这些病例集中在湖北省武汉市，没有找到有效原因。后来，未知原因被确定为当今众所周知的全球大流行冠状病毒。2020 年 2 月 12 日，该病毒被世界卫生组织 (WHO) 全球认可，并被广泛标记为 COVID-19。到 2020 年 3 月 11 日，COVID-19 已引起全球大流行 (Tay et al., 2020)。这主要是由于病毒难以检测以及它对世界各地许多弱势群体的生命威胁倾向。同年 5 月左右，该病毒已蔓延至 213 个国家，全球病例近 600 万。目前，疫情已达到新高，病例总数超过 3300 万，死亡人数近 100 万（冠状病毒更新（2020 年 9 月 27 日）：COVID-19 病毒大流行导致 33,082,290 例病例和 999,079 例死亡 - Worldometer，2020 年）。
迈向 6G 无线通信网络 - DiVA 门户
Xiaohu YOU 1,2* , Cheng-Xiang WANG 1,2* , Jie HUANG 1,2 , Xiqi GAO 1,2 , Zaichen ZHANG 1,2 , Mao WANG 1,2 , Yongming HUANG 1,2 , Chuan ZHANG 1,2 , Yanxiang JIANG 1,2 , Jiaheng WANG 1,2 , Min ZHU 1,2 , Bin SHENG 1,2 , Dongming WANG 1,2 , Zhiwen PAN 1,2 , Pengcheng ZHU 1,2 , Yang YANG 3,4 , Zening LIU 2 , Ping ZHANG 5 , Xiaofeng TAO 6 , Shaoqian LI 7 , Zhi CHEN 7 , Xinying MA 7 , Chih-Lin I 8 , Shuangfeng HAN 8 , Ke LI 8 , Chengkang PAN 8 , Zhimin ZHENG 8 , Lajos HANZO 9 , Xuemin (Sherman) SHEN 10 , Yingjie Jay GUO 11 , Zhiguo DING 12 , Harald HAAS 13 , Wen TONG 14 , Peiying ZHU 14 , Ganghua YANG 15 , Jun WANG 16 , Erik G. LARSSON 17 , Hien Quoc NGO 18 , Wei HONG 19,2 , Haiming WANG 19,2 , Debin HOU 19,2 , Jixin CHEN 19,2 , Zhe CHEN 19,2 , Zhangcheng HAO 19,2 , Geoffrey Ye LI 20 , Rahim TAFAZOLLI 21 , Yue GAO 21 , H. Vincent POOR 22 , Gerhard P. FETTWEIS 23 & Ying-Chang LIANG 24
迈向 6G 无线通信网络 - DiVA 门户
Xiaohu YOU 1,2* , Cheng-Xiang WANG 1,2* , Jie HUANG 1,2 , Xiqi GAO 1,2 , Zaichen ZHANG 1,2 , Mao WANG 1,2 , Yongming HUANG 1,2 , Chuan ZHANG 1,2 , Yanxiang JIANG 1,2 , Jiaheng WANG 1,2 , Min ZHU 1,2 , Bin SHENG 1,2 , Dongming WANG 1,2 , Zhiwen PAN 1,2 , Pengcheng ZHU 1,2 , Yang YANG 3,4 , Zening LIU 2 , Ping ZHANG 5 , Xiaofeng TAO 6 , Shaoqian LI 7 , Zhi CHEN 7 , Xinying MA 7 , Chih-Lin I 8 , Shuangfeng HAN 8 , Ke LI 8 , Chengkang PAN 8 , Zhimin ZHENG 8 , Lajos HANZO 9 , Xuemin (Sherman) SHEN 10 , Yingjie Jay GUO 11 , Zhiguo DING 12 , Harald HAAS 13 , Wen TONG 14 , Peiying ZHU 14 , Ganghua YANG 15 , Jun WANG 16 , Erik G. LARSSON 17 , Hien Quoc NGO 18 , Wei HONG 19,2 , Haiming WANG 19,2 , Debin HOU 19,2 , Jixin CHEN 19,2 , Zhe CHEN 19,2 , Zhangcheng HAO 19,2 , Geoffrey Ye LI 20 , Rahim TAFAZOLLI 21 , Yue GAO 21 , H. Vincent POOR 22 , Gerhard P. FETTWEIS 23 & Ying-Chang LIANG 24