XiaoMi-AI文件搜索系统
World File Search SystemDragonfly
蜻蜓骨分析
本报告介绍了卵子股骨（大腿骨）的结构特征（明显和秘密）。绵羊模型通常在骨骼研究中使用，因为它与人类相似1。成熟的母羊的体重在50-80千克之间变化，后腿关节的大小约为人类同源关节的2/3。股骨是后肢骨骼的近端部分；它与骨盆近端表达，并与胫骨和the骨远端表达。静止绵羊中股骨的取向是屈曲（倾向于腹部），因此与通常在人类中通常观察到的股骨方向不同。卵股骨通常也比成年人类股骨短两倍。本报告中分析的右股骨是从当地的屠夫那里获得的，它起源于完全生长的动物，但品种和性别未知。样品的尺寸约为200毫米，轴区域（隔膜）的直径为20 mm，在近端和远端末端的最大尺寸（phickyses）的最大尺寸中约为40 mm。大多数动物的同源骨骼元素通常共享相同的“设计计划”，并且可以轻松地识别其解剖学特征。下面说明了该股骨的主要解剖标志。请注意，可以在人类或其他哺乳动物的股骨上识别相同的地标。
悬垂距离的电池检查-Dragonfly
通过计算机断层扫描（CT）进行的X射线检查允许对电池进行质量评估，对于锂离子电池特别有用。ct可以轻松检查空隙，裂缝，分配和阳极分量之间的距离距离。在此应用程序注释中，我们使用Dragonfly 3D World软件展示了CT的电池检查功能。特别是，对深度学习模型进行了训练，可以自动分割悬垂 - 该模型可以应用于任何类似的扫描 - 例如，如果您扫描了100个电池，则可以使用相同的模型在所有扫描中分割悬垂。
使用 Dragonfly 3D World 进行阴极悬垂分析
在本应用说明中，我们演示了 Dragonfly 3D World 中可用于分析电池高分辨率 X 射线 CT 扫描的工具。可以检查图像，并对任何感兴趣的特征进行手动测量和注释，例如阴极和阳极之间的悬垂距离。可以通过深度学习实现单个阳极和阴极组件的分割，并演示了对所得分割区域的测量。
使用机器学习应用于
NASA的第4个新边界任务是Titan Dragonfly可重新定位的Lander。 这款同轴性四极管车将于2028年在泰坦的火箭上发射。 在重力辅助地球飞行和大约6年的运输速度之后，蜻蜓将在2034年左右进入泰坦大气层，目的是探索泰坦的益生元化学和可居住性。 自2016年以来，这种独特应用程序的多旋动设计一直在不断发展，例如泰坦（Titan）在95开尔文（-288 F）的低温气氛，重力为14％的地球大气密度为440％的标准海平面空气的440％，以及在所有这些条件下都无法在所有这些条件下测试整个系统。 本文重点介绍了蜻蜓着陆器的转子设计方面，并为多种飞行条件介绍了多运动设计优化的新颖框架。 该方法论利用机器学习方法，并在蜻蜓的背景下进行了证明。 首先提出了一种新的溢出机学习机翼性能（PALMO）数据库。 然后将Palmo包裹在贝叶斯优化框架内，并应用于四连杆系统（蜻蜓兰德勒的一侧）。 使用CAMRAD-II综合分析软件对优化的每次迭代生成培训数据，以评估多个相关飞行条件下连续的转子设计。 在CAMRAD-II中分析了大约900个转子设计，发现了4旋转系统的最佳设计，该设计需要对Palmo替代模型进行900万个查询。NASA的第4个新边界任务是Titan Dragonfly可重新定位的Lander。这款同轴性四极管车将于2028年在泰坦的火箭上发射。在重力辅助地球飞行和大约6年的运输速度之后，蜻蜓将在2034年左右进入泰坦大气层，目的是探索泰坦的益生元化学和可居住性。自2016年以来，这种独特应用程序的多旋动设计一直在不断发展，例如泰坦（Titan）在95开尔文（-288 F）的低温气氛，重力为14％的地球大气密度为440％的标准海平面空气的440％，以及在所有这些条件下都无法在所有这些条件下测试整个系统。本文重点介绍了蜻蜓着陆器的转子设计方面，并为多种飞行条件介绍了多运动设计优化的新颖框架。该方法论利用机器学习方法，并在蜻蜓的背景下进行了证明。首先提出了一种新的溢出机学习机翼性能（PALMO）数据库。然后将Palmo包裹在贝叶斯优化框架内，并应用于四连杆系统（蜻蜓兰德勒的一侧）。使用CAMRAD-II综合分析软件对优化的每次迭代生成培训数据，以评估多个相关飞行条件下连续的转子设计。在CAMRAD-II中分析了大约900个转子设计，发现了4旋转系统的最佳设计，该设计需要对Palmo替代模型进行900万个查询。此演示案例使用统一的流入，在114个CPU内核中评估了10,000,000个潜在的候选转子设计，并在27.8小时内使用规定的唤醒模型在27.8小时内评估了10,000个潜在的转子设计。因此，这项工作可以实现中心转子设计优化，而无需访问高性能计算。
将开源Urbanopt和Dragonfly Energy建模功能集成到从业人员的工作流程中，用于地区规模的计划和设计
1个建筑技术与科学中心，美国国家可再生能源实验室，美国公司80401，美国； ben.polly@nrel.gov（B.P.）; katherine）; rawad.elkontar@nrel.gov（R.E.K.）; nathan.moore@nrel.gov（N.M.）; tarek.elgindy@nrel.gov（T.E.）; dylan@camus.energy（D.C。）; David.goldwasser@nrel.gov（D.G.）2瓢虫工具LLC，Fairfax，VA 22031-0000，美国； chris@ladybug.tools（C.M.）; mospapha@ladybug.tools（M.S.R.）3 Skidmore，Owings＆Merrill，芝加哥，伊利诺伊州60604，美国； airani@mit.edu（a.i.）; stephen.ray@som.com（s.r。）*通信：tanushree.charan@nrel.gov†作者在Skidmore，Owings＆Merrill完成了研究，但在出版时在马萨诸塞州技术学院任职。‡作者在国家可再生能源实验室完成了研究，但在出版时在Camus Energy中进行了研究。
您一直想了解的关于蜻蜓深度学习的一切，但太害怕问
图像分割：在此示例中，使用深度学习模型来分割铸造孔隙率，尽管灰色值变化（明亮和深色区域）和小特征大小。正常的阈值方法在这种情况下不起作用，因为伪影和部分体积效应，使小毛孔的黑色不如大毛孔。
在基于MLP的DDOS攻击检测中，Harris Hawks和Dragonfly优化方法合并的方法J. Ghasemi *A，R。Salah-Hassan
在本文中，提出了一个新的入侵检测系统（IDS）来处理分布式拒绝服务（DDOS）攻击。提出了一种基于Harris Hawks优化（HHO）和蜻蜓算法（DA）的组合算法，以选择相关功能，并消除NSL-KDD数据集中的无关和冗余特征。提取的特征呈现给多层感知器（MLP）神经网络。该网络（作为分类器）将网络流量分为两个类别，即正常和攻击类别。在入侵检测领域中使用两个标准和广泛使用的数据集评估所提出的模型的性能：NSL-KDD和UNSW-NB15。模拟的结果清楚地表明了在关键评估标准（例如准确性，精度，回忆和F量）方面，与以前的方法相比，所提出的方法的优越性。具体而言，所提出的方法在这些指标中分别显示出96.9％，97.6％，96％和96.8％的改善（与基线方法相比）。这些改进的主要原因是合并算法智能选择最佳特征并降低数据尺寸的能力。这种仔细的功能选择使MLP神经网络可以专注于关键信息，提高分类准确性并最终提高入侵检测系统的性能。这项研究表明，将优化算法和机器学习结合起来效果很好。因此，它有效地应对DDOS攻击。它可以导致更好的入侵检测系统。这些系统将更有效，准确。
设备刷新 - 合作伙伴剧本
我们建立了专门克服这些障碍的HP Elite Dragonfly系列。HP Elite Dragonfly系列现在提供HP -2，其功能旨在在会议室和远程工作人员之间创造更好的会议体验。HP Elite Dragonfly系列提供的选项，例如具有低光适应性的内置5 MP摄像头，3 hp自动框架，4个AI驱动的噪声取消，4和动态的语音升级，以便可以看到并听到分布式的团队，就像它们都在同一房间中一样。HP Elite Dragonfly系列由IntelVPro®技术提供动力，Intel有史以来最高的核心，旨在处理最苛刻的工作负载。由IntelVPro®技术提供动力，Intel有史以来最高的核心，旨在处理最苛刻的工作负载。