XiaoMi-AI文件搜索系统
World File Search SystemKulkarni
Meghana Kulkarni博士
Meghana Kulkarni博士主席部电子和通信工程。“ Jnana Sangama”，Visvesvaraya Technological University，Belagavi-590018，Karnataka教职员工ID：4012加入日期：02.01.2014任命类型：常规
agquilia敏捷性裂缝|公司
•收集并组织了驾驶员报告的初始诊断数据和条件，以确保数据质量进行分析。•分析诊断数据中的模式，以确定常见的维修和维护需求。•使用机器学习开发了预测模型，以预测初始诊断的未来维护要求。•带有维修记录的交叉引用的驾驶员报告，以验证和提高预测模型的准确性。•提供了可行的见解，以通过预测即将进行维修所需的专业知识来优化人工计划。•创建了维护时间表，以优先维修，减少不必要的维护和相关成本。•开发了一种跟踪系统，以监视预测模型在降低总体维护成本方面的有效性。•与环境团队紧密合作，以了解预测性维护如何延长
自动驾驶汽车在减轻城市交通拥堵和减少排放的作用Shweta Kulkarni 1， *，Raju Kulkarni 2
摘要随着城市地区的不断扩大，交通拥堵和车辆排放的双重挑战对城市生活，公共卫生和环境可持续性的质量构成了重大威胁。在这种情况下，自动驾驶汽车（AVS）代表了运输技术的革命性转变，有可能改变城市流动系统。这项研究探讨了AV在减轻城市交通拥堵和减少排放中的多方面作用，采用了模拟模型和现实世界案例研究的组合来分析其在各种乌班环境中的影响。该研究的重点是关键指标，例如缩短旅行时间，燃油消耗效率和排放量，在不同水平的AV采用下。通过模拟不同的交通情况，我们观察到AV可以通过最大程度地减少人类驾驶错误和优化车辆相互作用来使交通流动。的结果表明，AVS可以导致旅行时间大幅下降，并且大拥堵的城市走廊的潜在降低高达30％。此外，向AVS的转变与温室气体排放的显着减少有关，这主要是由于提高驱动效率和闲置时间的减少。但是，AV技术的有效性并不统一；它取决于因素，例如城市密度，现有基础设施以及整体车队中AV的比例。高密度的城市地区显示出更大的重大好处，而郊区地区则经历了适度的改善。关键字：自动驾驶汽车，城市交通拥堵，减少排放，城市流动性，这些发现强调了战略方法在AV集成中的重要性，强调需要补充基础设施投资，政策框架和公众参与以最大程度地提高利益。该研究要求在包括城市规划人员，决策者和技术开发人员在内的利益相关者之间进行协作，以创建一个强大的框架，以支持在城市环境中无缝过渡到AVS的框架。这项研究为未来的城市流动策略提供了重要的见解，强调了对利用自动驾驶技术的全部潜力在实现可持续城市运输目标方面的全部潜力的必要性。
Jaydeep P. Kulkarni研究兴趣：教育
T1。 研讨会，“有效机器学习硬件的模拟计算技术和电路”，《技术与电路》的VLSI研讨会，2020年6月T2。 “使用双向记忆延迟线进行节能边缘计算的全数字时域CNN发动机”硅实验室，奥斯汀，德克萨斯州，2019年11月，T3。 邀请了Talk，“使用RRAM和Selector作为技术辅助的高密度非挥发性SRAM”，IEEE非挥发记忆技术研讨会（NVMTS），北卡罗来纳州达勒姆，2019年10月，T4。 “使用双向内存延迟线进行节能边缘计算，北卡罗来纳州罗利市高通公司，2019年10月，T5。 主题演讲“高级CMO中的能源有效嵌入式记忆：趋势和前景”，VLSI设计与测试会议，印度技术研究院（IIT），印度印度印度印度印度，2019年7月，T6。 邀请谈话“高级CMO中的嵌入式记忆：ML/AI加速器的趋势和机遇”，印度理工学院（IIT）孟买，印度，2019年7月，T7。 “高级CMO中的嵌入式记忆：ML/AI加速器的趋势和机会”，印度班加罗尔的三星研发研究所，2019年7月，T8。 “高级CMO中的嵌入式记忆：趋势和前景”，印度高通班加罗尔，2019年7月T9。 “高级CMO中的嵌入式记忆：ML/AI加速器中的趋势和机遇”，印度班加罗尔，2019年7月，T10。 邀请演讲“高级CMO中的嵌入式记忆：ML/AI 中的趋势和机会T1。研讨会，“有效机器学习硬件的模拟计算技术和电路”，《技术与电路》的VLSI研讨会，2020年6月T2。“使用双向记忆延迟线进行节能边缘计算的全数字时域CNN发动机”硅实验室，奥斯汀，德克萨斯州，2019年11月，T3。邀请了Talk，“使用RRAM和Selector作为技术辅助的高密度非挥发性SRAM”，IEEE非挥发记忆技术研讨会（NVMTS），北卡罗来纳州达勒姆，2019年10月，T4。“使用双向内存延迟线进行节能边缘计算，北卡罗来纳州罗利市高通公司，2019年10月，T5。主题演讲“高级CMO中的能源有效嵌入式记忆：趋势和前景”，VLSI设计与测试会议，印度技术研究院（IIT），印度印度印度印度印度，2019年7月，T6。邀请谈话“高级CMO中的嵌入式记忆：ML/AI加速器的趋势和机遇”，印度理工学院（IIT）孟买，印度，2019年7月，T7。“高级CMO中的嵌入式记忆：ML/AI加速器的趋势和机会”，印度班加罗尔的三星研发研究所，2019年7月，T8。“高级CMO中的嵌入式记忆：趋势和前景”，印度高通班加罗尔，2019年7月T9。“高级CMO中的嵌入式记忆：ML/AI加速器中的趋势和机遇”，印度班加罗尔，2019年7月，T10。邀请演讲“高级CMO中的嵌入式记忆：ML/AI
岩土工程的进步：可持续地面改进和风险缓解风险的创新技术Raju R. Kulkarni 1，*，Shweta Kulk
摘要本文深入研究了岩土工程的最新进展，主要关注用于地面改进，土壤稳定和降低风险的创新技术，所有这些都是在可持续的基础设施发展的背景下。岩土工程是土木工程的关键分支，涉及土壤结构相互作用的复杂性以及各种地面条件带来的挑战。随着对韧性和环保基础设施的需求，岩土工程正在发生重大的转变，这受到技术创新的刺激，并越来越强调可持续性。传统的地面改进技术（例如压实和化学稳定）已通过更新，更环保的方法来增强，包括生物工程学方法，例如微生物诱导的方解石降水（MICP）和基于聚合物的土壤稳定剂。此外，深层混合方法的进步和地质合成剂的使用（例如土工织物，土工格林德和地理核石）正在彻底改变土壤增强和稳定性，从而增强了民间结构的耐用性，同时最大程度地降低了环境影响。本文还强调了监测技术和数值建模在岩土工程中的日益增长的作用。工具，例如遥感，地面雷达和无线传感器网络，可以实时监测地球岩，例如横向滑坡，土壤液化和地震诱导的故障，而高级数值模型则可以在各种负载条件下对土壤行为进行更精确的预测。通过对这些尖端技术的全面审查，本文演示了现代岩土工程如何良好地定位，以应对气候变化和城市化带来的关键挑战。在岩土技术实践中创新，可持续解决方案的整合为更安全，更具弹性和环境友好的基础设施铺平了道路，这极大地促进了全球努力，以减轻与自然灾害和环境退化相关的风险。
人类脑皮质的遗传异常神经元的围产期减少
抽象的长读测序技术（例如牛津纳米孔（ONT））可直接检测DNA碱基修饰。虽然已经开发了几种工具和模型来鉴定纳米孔数据中的DNA甲基化，但它们通常仅限于5-甲基胞嘧啶（5MC）和较老的流循环（FC）化学。新模型的性能和准确性，包括由ONT开发的模型，尤其是对于他们的新FC化学（R10.4.1）和采样率（5KHz）而言。在这里，使用多种细菌和人类数据集，我们系统地评估了5MC（CPG和非CPG环境），6-甲基二氨酸和4-甲基环霉素的现有甲基化模型的性能。我们还展示了其他参数的效果，例如测序深度，读取质量，基本模式，更重要的是，相邻DNA修饰的存在。因此，我们的工作为利用纳米孔测序研究DNA修饰的研究人员提供了重要信息，并在当前一代甲基化检测模型中突出显示了空隙。
如何引用本文：Abdul Razzak Khan Qureshi，Shivani Patnaha，Prerita Kulkarni，Priyanka Singh，Manish Joshi，Indra Vaidya（2024）机器Lear
摘要尽管云计算已经广泛使用，但除了大大改善资源经济和可访问性外，它还引发了许多安全问题。这项研究的目的是找出基于机器学习的入侵检测系统（ID）如何改善云安全性。为了实时检测和中和攻击，提出的IDS使用了各种算法，例如支持向量机（SVM），随机森林，决策树，最近的邻居（KNN）和深度学习技术，例如卷积神经网络（CNN）。在适应新攻击向量时，它可以最大程度地减少误报。为了提高响应时间和检测准确性，该研究将性能优化策略与特征选择方法相结合。它还强调了使用最新数据集进行现实攻击方案和强大的模型验证（例如CSE-CICIDS2018）。结果表明，基于机器学习的入侵检测系统（IDS）比基于传统的签名系统更有效地发现新颖和复杂的威胁。最终，本研究提供了深刻的信息，以为云网络创建更聪明，更灵活的网络安全解决方案，并强调机器学习在保护敏感数据和保证跨各种应用程序中云服务的完整性时所起的关键功能。关键字 - 云计算，卷积神经网络，网络安全，决策树，特征选择，入侵检测系统，k-neareast邻居，机器学习，绩效优化，随机森林，安全漏洞，基于签名
引用出版版本（APA）：Christian，M.，Curse，A.，Jensen，P.G.，Theodorescu，R。，＆Larsen，K。（2023）。 SOC/SOT双重平衡
摘要 - 电动汽车中的电池包由电池管理系统管理，这些电池管理系统会影响包装中的电池状态，在这些系统中，此类系统在研究中受到了很多关注。最近，平衡细胞之间的脾气已成为研究主题。在我们的工作中，我们考虑了一个双平衡问题，我们旨在平衡充电状态和温度的两个参数。我们考虑一个智能电池组，可以绕过单个单元格，这意味着没有电流往返或从单元格，这使得单元在电池不充电或放电时冷却。此外，智能电池组可以估计每个单元的特性，进而可以用来定义单元格和电池组行为的模型。我们使用电池组的模型进行实验，其中每个细胞的配置都作为衰老的效果。对于具有异质细胞的这样的包装，我们在Uppaal Stratego中使用Q学习来合成一个控制器，该控制器最大化在平衡状态下所花费的时间，这意味着所有单元格的状态彼此之间都在特定的范围内。与两个基于阈值的控制器相比，我们在两个方面都有显着改善，这些控制器平衡了充电状态或温度状态。合成的控制器仅在1-4％的时间之间，温度在15-20％的时间之间是不平衡的。基于阈值的控制器的充电状态不平衡，多达37％的时间，或者在温度的时间内是44％的时间。最后，电荷状态和温度的最大变化减少。索引术语 - 启动电池组，数字双胞胎，SOC和SOT，双平衡，增强学习
引用发布版本（APA）：Curse，A.，Souri，H.，Zheng，Y.，Sui，X.，Oshnoi，A.，Weinreich，N。，＆Theodorescu，R。（2023）。 li-ion ba
摘要 - 电池数字双胞胎（BDT）是一种现代工具，将用于未来的智能电池管理系统（BMS），用于锂离子电池（LIB），这是由于当前技术向智能电池（SB）过渡，并具有细胞水平的信息和电源处理能力。BDT可以根据给定温度和衰老状况的阻抗模型预测电压输出，并且该信息可用于高级状态估计，包括无传感器温度状态（SOT），健康状况（SOH）和健康管理。本文提出了一种适用于智能电池系统的在线阻抗估计方法，其中包括一个旁路设备，可以切换以用不同的频率激发电池阻抗，并对负载的最小影响。根据对动态电流曲线的电压响应的准确性，比较了BDT中使用的阻抗模型的性能。
