XiaoMi-AI文件搜索系统
World File Search SystemIncremental
关于 Alectra 增量资本模块的决定和命令
ICM 政策的制定是为了解决分销商在价格上限 IR 利率制定计划期间产生的资本投资需求，这些需求是计算出的重要性阈值的增量。ICM 是分销商从客户那里收取额外收入以资助服务成本申请之间的几年内资本支出的一种手段。ICM 适用于可自由支配或不可自由支配的项目，不限于非常或意外的投资。但是，ICM 资金不适用于对分销商运营没有重大影响的项目。与 ICM 类似，ACM 的制定是为了解决分销商在价格上限 IR 年度内的资本需求。根据 ACM 报告，ACM 计划在重新定基年度作为服务成本申请的一部分。ACM 的目的是协助提高监管效率。4
渐进式人工智能实现更公平、更高效的司法
Carrillo, Paloma, Daniel Chen,* Manuel Ramos- Maqueda,* 和 Bernardo Silveira。2022.“信息提供和法庭表现：来自智利的实验证据。”工作论文，美国国家经济研究局。http://users.nber。org/ ∼ dlchen/papers/Information_Provision_and_ Court_Performance.pdf。Chen, Daniel L.* 2020。“增量式人工智能。”工作论文，美国国家经济研究局。http:// users.nber.org/ ∼ dlchen/papers/Incremental_AI.pdf。Chen, Daniel L.,* 和 Jess Eagel。2017.“机器学习能否帮助预测庇护裁决的结果？” ACM ICAIL 会议论文集，英国伦敦。https://users.nber.org/ ∼ dlchen/ papers/Can_Machine_Learning_Help_Predict_the_ Outcome_of_Asylum_Adjudications.pdf。Chen, Daniel L.、* Tobias J. Moskowitz 和 Kelly Shue。2016.“赌徒谬误下的决策：来自庇护法官、贷款官员和棒球裁判的证据。”《季刊经济学》131 (3)：1181–1242。https://doi.org/ 10.1093/qje/qjw017。Dunn, Matt, Levent Sagun, Hale S¸irin 和 Daniel Chen。* 2017。“庇护法院判决的早期可预测性。”第 16 届国际人工智能与法律会议论文集：233–236。https://users.nber.org/ ∼ dlchen/papers/Early_Predictability_of_Asylum_ Court_Decisions.pdf。Kondylis, Florence,* 和 Mattea Stein。2018。“正义的速度。”政策研究工作文件 8372，世界银行，华盛顿特区。http://documents.worldbank.org/curated/en/455021521720861143/ The-speed-of-justice。Ramos-Maqueda，Manuel，* 和 Daniel Chen。* 2021。“司法在发展中的作用：数据革命。”政策研究工作文件 9720，世界银行，华盛顿特区。http://hdl.handle.net/ 10986/35891。West，Tessa V.、Katherine Thorson、Heidi Grant 和 David Rock。“要求反馈与未要求反馈：一项实验研究。”神经领导力研究所。https:// membership.neuroleadership.com/material/asked- for-vs-unasked-for-feedback-an-experimental-study/。
simppo：无服务器资源管理的可扩展和增量在线学习框架
无服务器功能-AS-A-Service（FAAS）为客户提供了改进的性能性，但它并不是服务器“少”，并且以更复杂的基础架构管理（例如，资源提供和调度）的成本为云提供者。为了维持服务级别的目标（SLO）并提高资源利用效率，最近的研究集中在应用在线学习算法（例如加固学习（RL））来管理资源上。尽管最初的应用RL取得了成功，但我们首先在本文中表明，最先进的单代理RL算法（S-RL）在多租户无服务器FAAS平台上遭受高达4.8×较高的P99功能延迟降低，与在培训过程中无法融合。然后，我们基于近端策略选择（SIMPPO）设计并实施一个可扩展和增量的多代理RL框架。我们的实验表明，在多租户环境中，SIMPPO使每种RL代理在训练过程中有效收敛，并提供在线功能延迟性能，可与S-RL的S-RL隔离培训相当（少量降解（<9.2％））。在多租户情况下，与S-RL相比，SIMPPO将P99功能延迟降低了4.5×。
使用混合增量非线性的稳健飞行控制...
近年来，无人驾驶飞行器 (UAV) 已广泛应用于民用和军事用途，例如交通监控、配送任务和地理测量。它们可以替代暴露于重复任务或危险环境中的载人飞机，从而降低运营成本 [1, 2]。根据任务环境，无人机可能需要通过干扰进行鲁棒控制。此外，根据无人机的形式，它可能被设计为非线性、高度耦合、不确定、时变的系统。典型的控制方法已经变得难以满足系统的良好性能。因此，提出了一种通过微分陀螺仪中测量的角速度来利用角加速度进行飞行控制的控制方法 [3]。战斗机VAAC采用角加速度控制概念提出后，通过反馈角加速度可以提高系统的鲁棒性，如增量非线性动态逆（INDI）[4, 5]、带噪声的角加速度滤波器[6]。将角加速度反馈应用于控制系统有三个主要优点。
使用混合增量非线性的稳健飞行控制...
近年来，无人驾驶飞行器 (UAV) 已广泛应用于民用和军事用途，例如交通监控、配送任务和地理测量。它们可以替代暴露于重复任务或危险环境中的载人飞机，从而降低运营成本 [1, 2]。根据任务环境，无人机可能需要通过干扰进行鲁棒控制。此外，根据无人机的形式，它可能被设计为非线性、高度耦合、不确定、时变的系统。典型的控制方法已经变得难以满足系统的良好性能。因此，提出了一种通过微分陀螺仪中测量的角速度来利用角加速度进行飞行控制的控制方法 [3]。战斗机VAAC采用角加速度控制概念提出后，通过反馈角加速度可以提高系统的鲁棒性，如增量非线性动态逆（INDI）[4, 5]、带噪声的角加速度滤波器[6]。将角加速度反馈应用于控制系统有三个主要优点。
研究论文 单点渐进成形过程中成形参数对摩擦的影响
单点渐进成形（SPIF）过程中的摩擦是影响工件表面质量和成形性能的主要因素。为了研究工艺参数对SPIF中摩擦的影响，根据SPIF成形原理和成形过程中摩擦的特点，以成形工具与金属板料的接触面积为分析对象，解析表达考虑摩擦条件下的受力状态，给出成形力与摩擦系数之间的关联表达式。在此基础上，通过实验测力计算得到不同工艺参数下的摩擦系数值，并通过有限元模拟验证所获摩擦系数的准确性和有效性。最后，采用表面响应法分析了成形参数对摩擦系数的影响及摩擦系数的预测模型。研究结果表明:刀具直径或主轴转速的增加有助于减小接触面间的摩擦系数,而分层进给量、进给速度或成形角的增加均使摩擦系数有不同程度的增大。研究结果可为提高零件表面质量和成形性能提供理论和技术参考。
ngia：一种新型的基于基因序列聚类的基于贪婪的增量对准算法✩
基因序列聚类在计算生物学和生物信息学中非常重要且重要，用于研究系统发育关系和基因功能预测等。随着生物学数据量的快速生长（基因/蛋白质序列），基因序列聚类算法在低精度和效率方面面临着更多挑战。 基因序列数据库中增长的冗余序列通常有助于大多数聚类方法的记忆和计算需求的增加。 例如，原始的基于贪婪的增量比对（GIA）聚类算法获得了很高的精度聚类结果，但效率非常低。 已经开发了有效的贪婪增量聚类算法，其精确成本降低了，通常可以关闭速度的贸易聚类精确度以提高速度。 需要在精度和速度之间取得更好平衡的算法。 本文提出了一种新型的基于贪婪的增量比对算法，称为NGIA，用于具有高效率和精度的基因聚类。 ngia由一个预滤波器，修改后的短词过滤器，一种新的数据包装策略，一种修改的贪婪增量方法组成，并通过GPU并行化。 四个独立数据集上的实验评估表明，所提出的工具可以以99.99％的高精度聚类。 与CD-HIT，VSEARCH和UCLUST的结果相比，NGIA平均快13.6倍，6.2倍和1.7倍。 此外，我们开发了一个多节点版本来处理大型数据集。 该软件可从https://github.com/siat-hpcc/gene-sequence-clustering获得。随着生物学数据量的快速生长（基因/蛋白质序列），基因序列聚类算法在低精度和效率方面面临着更多挑战。基因序列数据库中增长的冗余序列通常有助于大多数聚类方法的记忆和计算需求的增加。例如，原始的基于贪婪的增量比对（GIA）聚类算法获得了很高的精度聚类结果，但效率非常低。已经开发了有效的贪婪增量聚类算法，其精确成本降低了，通常可以关闭速度的贸易聚类精确度以提高速度。需要在精度和速度之间取得更好平衡的算法。 本文提出了一种新型的基于贪婪的增量比对算法，称为NGIA，用于具有高效率和精度的基因聚类。 ngia由一个预滤波器，修改后的短词过滤器，一种新的数据包装策略，一种修改的贪婪增量方法组成，并通过GPU并行化。 四个独立数据集上的实验评估表明，所提出的工具可以以99.99％的高精度聚类。 与CD-HIT，VSEARCH和UCLUST的结果相比，NGIA平均快13.6倍，6.2倍和1.7倍。 此外，我们开发了一个多节点版本来处理大型数据集。 该软件可从https://github.com/siat-hpcc/gene-sequence-clustering获得。算法。本文提出了一种新型的基于贪婪的增量比对算法，称为NGIA，用于具有高效率和精度的基因聚类。ngia由一个预滤波器，修改后的短词过滤器，一种新的数据包装策略，一种修改的贪婪增量方法组成，并通过GPU并行化。四个独立数据集上的实验评估表明，所提出的工具可以以99.99％的高精度聚类。与CD-HIT，VSEARCH和UCLUST的结果相比，NGIA平均快13.6倍，6.2倍和1.7倍。此外，我们开发了一个多节点版本来处理大型数据集。该软件可从https://github.com/siat-hpcc/gene-sequence-clustering获得。强可伸缩性测试表明，NGIA的多节点版本可以以31％的并行效率扩展32个线程。©2022 Elsevier B.V.保留所有权利。
文章 带稳定性增强器的无尾飞机增量反步滑模轨迹控制
摘要：本文提出了一种增量反步滑模 (IBS) 控制器，用于无尾飞机的轨迹控制，该飞机具有未知的干扰和模型不确定性。所提出的控制器基于无尾飞机的非线性动力学模型。提出了一种稳定性增强器 (SE)，它限制了虚拟控制输入的速率和幅度。稳定性增强器由两层组成。当虚拟控制输入接近边缘时，第一层 SE 将被激活以修改轨迹跟踪误差；当虚拟控制输入超过边缘时，第二层 SE 将降低控制增益以确保虚拟控制输入尽快落在边缘内。借助 SE，增量控制方法可以扩展到外环控制，而无需考虑内环系统的动态特性。此外，提出了一种状态导数的自适应估计器，与 IBS 一起，使控制器表现出出色的鲁棒性。最后，给出了两个仿真结果。第一次仿真表明系统对外界干扰和模型不确定性不敏感，第二次仿真证明了SE的有效性。
带稳定性增强器的无尾飞行器增量反步滑模轨迹控制
摘要：本文提出了一种增量反步滑模（IBS）控制器，用于无尾飞机的轨迹控制，该控制器具有未知干扰和模型不确定性。所提出的控制器基于无尾飞机的非线性动力学模型。提出了一种限制虚拟控制输入速率和幅度的稳定性增强器（SE）。稳定性增强器由两层组成。当虚拟控制输入接近边缘时，将激活第一层 SE 来修改轨迹跟踪误差；当虚拟控制输入超出边缘时，第二层 SE 将降低控制增益以确保虚拟控制输入尽快落在边缘内。在 SE 的帮助下，增量控制方法可以扩展到外环控制，而无需考虑内环系统的动态特性。此外，提出了一种状态导数自适应估计器，与 IBS 相结合，使控制器表现出良好的鲁棒性。最后，给出了两个仿真。第一次仿真表明系统对外部干扰和模型不确定性不敏感，第二次仿真证明了 SE 的有效性。
通过增量脉冲重复实现时间高效的 Qudit 门......
摘要 — 当前构建量子计算机的努力主要集中在双态量子比特上，这通常涉及抑制随时可用的更高状态。在这项工作中，我们打破了这种抽象，并为广义 d 状态量子比特上的门合成了短持续时间控制脉冲。我们提出了增量脉冲重新播种，这是一种实用的方案，它通过使用以前的结果迭代播种优化器来引导最优控制软件获得最短持续时间的脉冲。我们通过对 transmons 上的一和两量子比特门进行显式脉冲优化，发现希尔伯特空间维数和门持续时间之间存在近线性关系。我们的结果表明，在实际感兴趣的领域中，量子比特操作比以前预期的要高效得多，并且有可能显着提高当前硬件的计算能力。索引术语 — 量子计算、量子比特、量子最优控制、脉冲合成