XiaoMi-AI文件搜索系统
World File Search SystemOptimized
效率网络B7卷积神经网络基于基于社会物联网环境的安全和隐私方法
收到：2024年6月26日修订：2024年8月6日接受：2024年8月29日发布：2024年9月30日摘要 - 太阳能构成宇宙中的主要能源。可以采用各种方法来有效利用这种能量。太阳能电池板的部署被区别为一种广泛采用的创新方法，用于积累这种能量。与固定面板相比，旋转面板已经证明了在某些情况下（例如部分阴影条件）产生更大能量输出的能力。太阳能跟踪系统（STS）是跟踪太阳运动的主要方法之一。STS的目的是通过将载荷（通常是太阳能电池板）定向到太阳来优化能源产生。这是通过最大程度地减少传入的阳光与光伏（PV）面板之间的发射角来实现的，从而增强了产生的能量的量。现有的系统，具有最大功率点跟踪（MPPT）方法的灰狼优化（GWO），会产生大量的能量，从而导致重大跟踪误差。为了减少跟踪误差并提高能源效率，已经实施了使用粒子群优化（PSO）的最初提出的方法，该方法已实施。该神经网络（NN）主要由自适应神经模糊推理系统（ANFIS）组成，其中包括从数据收集到部署的工作流程。由于适当的培训，测试和数据实施，此方法比现有的结果更好。关键字 - ANN，PSO，太阳能系统，太阳能，部分阴影条件，光伏，优化。
基于变压器的强化学习模型用于优化定量交易
摘要 - 由于投资者和政策制定者的巨大潜力，储存市场的预测长期以来一直是财务研究的重点。这是一项具有挑战性的任务，因为它涉及根据历史数据来预测资产的未来价格。传统的定量交易策略通常在适应动态市场条件并捕获财务数据中的复杂模式方面面临挑战。回应，这项工作探讨了一种新颖的股票预测方法，将变压器架构的力量与强化学习的决策能力相结合。我们提出了一个定量交易框架，该框架集成了一个基于变压器的编码器 - 编码网络，以预测未来的股票价格，并根据这些预测来预测股票价格和强化学习代理商，以对投资策略进行计算。变压器网络利用其自我注意力的机制在历史价格数据中捕获复杂的关系，而强化学习代理在模拟环境中通过反复试验学习最佳行动。实验结果证明了与现有方法相比，我们方法在提高库存预测准确性方面的有效性。这项工作突出了将变压器和增强学习结合起来的潜力，以实现股票和库存市场导航。索引条款 - 托克预测，强化学习，变压器，量化交易，算法交易，金融市场
通过超分辨率和最大集团生成优化实例分割
摘要。监视系统的兴起导致收集的数据呈指数增长，从而在深度学习方面有了一些进步来利用它们并自动化自治系统的任务。车辆检测是智能车辆系统和智能运输系统领域的关键任务，使得控制交通密度或检测事故和潜在风险是可能的。本文提出了一个最佳的元方法，可以应用于任何即时分割模型，例如蒙版R- CNN或yolact ++。使用这些模型和超分辨率获得的初始检测，进行了优化的重新指导，允许检测未鉴定的元素并提高其余检测的质量。超分辨率的直接应用是有限的，因为实例分割模型根据固定维度处理图像。因此，如果超过超过该固定尺寸的尺寸，该模型将再次重新汇总，从而失去所需效果。这种元方法的优点主要在于不需要修改模型体系结构或重新培训它。无论给出的输入的图像的大小如何，都将生成符合对象分割模型定义维度的超级分辨区域。应用我们的建议后，实验显示了CityScapes数据集Jena序列中使用的Yolact ++模型的提高高达8.1％。
使用GPU和多线程的优化视觉变压器训练
摘要 - 传统的卷积神经网络（CNN）通常在捕获各种数据集中的复杂空间关系和细微的模式方面遇到困难。为了克服这些限制，这项工作先驱，使视觉变压器（VIT）模型的应用在计算机视觉领域引起了显着关注，因为它们能够通过自我意见机制在图像中捕获图像中的长期依赖性的能力。然而，培训大量参数的大规模VIT模型会带来计算挑战。在本文中，我们提出了一种优化的方法，用于培训VIT模型，该模型利用图形处理单元（GPU）的并行处理功能，并使用多线程优化了计算工作负载分布。在CIFAR-10数据集上对所提出的模型进行了训练和测试，并在100个时期后达到了99.92％的出色精度。与现有方法相比，实验结果揭示了我们方法在优化训练效率方面的有效性。这强调了VIT模型的出色性能及其革新图像分类任务的潜力。索引术语 - CIFAR-10数据集，卷积神经网络（CNN），GPU，图像分类，多线程，视觉变压器（VIT），注意机制
定义优化弹性基础 - 空军协会
你必须能够上网，将关键信息传回云端，返回美国本土，对其进行处理，更新 MDF，然后重新投入战斗。因此，在 CDOL 环境中，这些事情变得非常具有挑战性。因此，我们研究如何解决该问题的方法实际上是实现连接方法的弹性和冗余。这是你的步调计划的一部分。同样，当你在那个主要作战基地时，你可能已经拥有了光纤基础设施，拥有了 nipper、sipper，以及你今天享受的所有方式。你可能已经上线了 5G 功能，可以帮助解决部分问题。但同样，当你转移到其他一些有争议的地区时，你会开始将这个步调计划稍微放慢一点，转向一些替代方法。
PETG 材料 3D 打印及后处理优化
在过去的 30 年里，增材制造 (AM) 或 3D 打印已成为许多工业和实践相关材料的著名制造技术。1–9 与传统的减材制造 (SM) 不同，AM 迅速普及，因为它能够从许多不同的起始材料创建更复杂的几何形状。10 立体光刻 (SLA)、选择性激光烧结 (SLS)、数字光处理 (DLP) 和熔融沉积成型 (FDM) 是一些广泛使用的 AM 技术。在这些方法中，FDM 可能是材料工程师和业余爱好者最常用的方法。FDM 涉及将熔融的长丝通过加热的喷嘴挤出到构建板上以形成部件，然后逐层构建直到完成最终的打印产品。虽然 FDM 是一种易于理解和采用的技术，但其主要缺陷在于成品打印件具有明显的各向异性。尽管这种特性的不均匀性通常会导致部件之间和部件之间的巨大差异，11 但仍然有许多商品聚合物长丝，包括丙烯腈丁二烯苯乙烯 (ABS)、聚乳酸 (PLA)、聚酰胺（例如尼龙）、聚碳酸酯 (PC)、热塑性聚氨酯 (TPU) 和聚对苯二甲酸乙二醇酯 (PET) 及其共聚物，都可以通过 FDM 以良好的尺寸保真度进行打印。
研究文章优化了IEEE的功率损失预测...
抽象准确的功率损失估计对于有效的电力系统操作和计划至关重要。传统方法依赖于假设，导致不准确。这项研究采用了多层馈送神经网络（MFNN）来开发一个模型，该模型估计电力线中的真实和反应性损失。负载流技术用于获得训练多种模型的变量。调整神经元数并比较其他模型的性能指标后，选择了所需的模型。使用MATPOPTOR对118个BUS IEEE测试网络进行建模。Levenberg-Marquardt反向传播算法对生成数据训练了该模型。结果表明，25-神经元模型表现最好，在1000个时期达到了最小平方误差（0.00047543）。相关系数显示20个神经元和25个神经元模型的值为0.9999。分析确定了25个基于训练的模型是预测功率损耗的最准确的模型。据观察，25-神经元模型以1000个时期的最高相关系数（0.99999）达到了最佳性能（0.99999）和最小平方误差（0.00047543）。这项研究证明了ANN在估计传输线中功率损失方面的有效性。推荐的25个基于基于Neuron的训练有素的模型提供了研究模型的最佳预测，从而提高了电力系统效率和计划。关键字：神经网络，神经元，负载流，Levenberg-Marquardt，Newton Raphson
具有特征选择算法的优化计算糖尿病预测
糖尿病是一种威胁生命的疾病，应尽早诊断和治疗。在本文中，递归特征消除率（RFE）和遗传算法（GA）已被用于两种不同患者遗产的两个不同糖尿病数据集的特征选择（FS），并与K-Nearest邻居（KNN）和最佳的糖尿病预测相结合。在我们的论文中，与KNN相比，RF表现出更好的性能。准确度级别也很大程度上取决于所使用的数据集。伊拉克社会糖尿病（ISD）数据集的准确性明显高于使用相同的FS和分类方法的PIMA印度糖尿病（PID）数据集。通过将KNN与RFE或GA结合在FS中可以提高，而与RF结合使用时，RF与COMEN -COMEN -CONDING一起使用。GA在计算上的效率低于RFE，并且表现出较低的精度。
可扩展量子资源上 ISD 的优化量子实现
摘要。基于代码的构造的安全性通常由信息集解码 (ISD) 算法评估。在量子环境中，振幅放大比经典模拟产生渐近平方根增益。然而，目前尚不清楚真正的量子电路是否能产生实际的改进或因其实现而承受巨大的开销。这导致在基于代码的提案的安全性分析中对这些量子攻击有不同的考虑。在这项工作中，我们通过给出成熟的 ISD 程序的第一个量子电路设计、量子模拟库 Qibo 中的实现以及其复杂性的精确估计来澄清这一疑问。我们表明，与普遍看法相反，Prange 的 ISD 算法可以在量子计算机上相当有效地实现，即与经典实现相比，电路深度的开销仅为对数。作为另一项重大贡献，我们利用经典协处理器的理念来设计混合经典量子权衡，从而可以根据任何可用数量定制必要的量子比特，同时仍提供量子加速。有趣的是，当限制电路的宽度而不是深度时，我们能够克服先前在约束量子搜索中得出的最优结果。