XiaoMi-AI文件搜索系统
World File Search SystemPropagation
![2022 年第 16 届欧洲天线与传播会议 (EuCAP) 计划 [EuCAP 2022]](/simg/b/b3e56c99db4d720523f91de55fcacac4a50554ec.webp)
2022 年第 16 届欧洲天线与传播会议 (EuCAP) 计划 [EuCAP 2022]
辐射场的自由度 (DoF) 与 MIMO 天线设计相关，因为 DoF 代表 MIMO 信道有效自由度数的上限，也代表多用户 MIMO 通信中用户数的限制。DoF 通常定义为距包围源的最小表面一定距离，因此无功场可以忽略不计。本文建议扩展 DoF 概念，使其包含对频率带宽的依赖性，并提出计算过程。这是通过引入存储在辐射表面附近的无功能量与辐射功率之间的比率作为源频率带宽的度量来实现的。问题就在这里
2022 年第 16 届欧洲天线与传播会议 (EuCAP) 计划 [EuCAP 2022]
辐射场的自由度 (DoF) 与 MIMO 天线设计相关，因为 DoF 代表 MIMO 信道有效自由度数的上限，也代表多用户 MIMO 通信中用户数的限制。DoF 通常定义为距包围源的最小表面一定距离，因此无功场可以忽略不计。本文建议扩展 DoF 概念，使其包含对频率带宽的依赖性，并提出计算过程。这是通过引入存储在辐射表面附近的无功能量与辐射功率之间的比率作为源频率带宽的度量来实现的。问题就在这里
![2022 年第 16 届欧洲天线和传播会议 (EuCAP) [EuCAP 2022] 计划](/simg/c/c5f583d2c4872b4be36153361e313e7fb6a12e6e.webp)
2022 年第 16 届欧洲天线和传播会议 (EuCAP) [EuCAP 2022] 计划
本文介绍了用于 5G 端射应用的 SICL 馈电宽带 MIMO 天线阵列。阵列中的辐射元件是一种改进的偶极天线，倾斜 ±45 度，以避免阵列配置中连续元件之间的重叠。一个臂放在顶部，而另一个臂放在底部基板上，分别由 SICL 线的顶部和中间板（使用馈电通孔）馈电。偶极天线臂的上下排列使阵列尺寸更加紧凑。SICL 技术的另一个优势是，当一个端口被激励时，可以减少另一个端口的耦合，从而使用 SICL 实现高隔离度。建议采用四元件 MIMO 天线阵列实现 360 度方位覆盖，增益为 6 dBi，阻抗带宽为 5.6 GHz，28 GHz 时交叉极化水平低于 13.6 dB。
研究文章遥远的屏幕幕后作用（长距离传播，X射线产生，LENR刺激）
构成了一代的物理机制，传播的特征和可能使用未阻尼的温度波的使用。这些波的产生过程与局部松弛热力转移过程的可逆性有关。在实验过程中，结果表明，这种波只能在某些频率下存在，而在放松时间上延长。已经研究了使用这些波在很长远处使用这些波的能量传递的可能性。可以证明，使用这些波X射线产生是可能的，并且在较厚的金属屏幕后面的TID目标中有效刺激了远离波源的核融合。也被认为是实现与这些温度波作用下相互作用颗粒相一相关状态相关的LENR反应的可能物理机制。
光子传播代码（PPC）：概述
Wham（2011）42％Spice 1（2009）29％Spice 2，2+，2x，2y（2010）增加了冰层倾斜倾斜Spice Mie（2011）适合散射功能29％Spice Lea（2012）适合散射各向异性20％Spice 20％Spice（Munich）（Munich）（Munich）（2013年）7-string Forling 17％Spice 3（cobe）fif forpition 1 fort fiveling 1 forles fiveling 1 forles lifes 3（cobe）（2014）（2014年）（2014年）（2014年）（2014年）（2014年）（2014年）（2014年） 11％Spice 3.0（2015）改进了RDE，Ang。sens。拟合10％Spice 3.1，3.2（2016）85弦，相关模型拟合<10％Spice HD，3.2.2（2017）直接HI和DOM Sens。，电缆，DOM TILT SPICE EMRM（2018）基于吸收的基于吸收的基于吸收的单Spice BFR（2020）基于双重双歧杆（2020）基于双重的Anisotropy Bfr+Spice+2022222222222222（202各向异性，2D倾斜
![通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。](/simg/d/dd5abf0752fcc9f891dc4a96743f916f96f28350.png)
通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。
通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。
统计策略来捕捉纳米 CMOS 逆变器中过冲效应和传播延迟时间之间的相关性
引言近年来，统计变异性 (SV) 对纳米 CMOS 电路时序的影响引起了广泛关注[1]–[8]。SV 使数字电路在关键路径延迟甚至功耗方面表现出非确定性性能，而不是确定性行为。SV 的主要来源包括随机掺杂波动 (RDF)、线边缘粗糙度 (LER) 和金属颗粒粒度 (MGG) [9]–[11]。这些来源影响器件电气性能指标，如阈值电压 (V th)、关态电流和亚阈值斜率 (SS)，进而对电路行为产生重大影响。特别是，文献 [12]–[20] 广泛研究了工艺和随机变异性对传播延迟时间的影响。在一项开创性的工作中，作者提出了一个半解析模型来预测由 V th 变化引起的逻辑电路延迟分布 [12]。不同技术节点下由 RDF 引起的传播延迟变化是综合的
注意力门控大脑传播：大脑如何实现基于奖励的错误反向传播
最近的许多研究都集中在生物学上可行的监督学习算法变体上。然而，运动皮层中没有老师来指导运动神经元，大脑中的学习取决于奖励和惩罚。我们展示了一种生物学上可行的强化学习方案，适用于具有任意层数的深度网络。网络通过选择输出层中的单元来选择动作，并使用反馈连接将信用分配给负责此动作的连续较低层中的单元。做出选择后，网络会得到强化，没有老师来纠正错误。我们展示了新的学习方案——注意力门控大脑传播 (BrainProp)——在数学上等同于错误反向传播，每次针对一个输出单元。我们展示了深度全连接、卷积和局部连接网络在经典和硬图像分类基准（MNIST、CIFAR10、CIFAR100 和 Tiny ImageNet）上的成功学习。 BrainProp 的准确度与标准误差反向传播相当，甚至优于最先进的生物启发式学习方案。此外，学习的反复试验性质与有限的额外训练时间有关，因此 BrainProp 的速度要慢 1-3.5 倍。因此，我们的研究结果为如何在大脑中实施深度学习提供了新的见解。
基于广义修正大气光谱的湍流对高斯光束传输影响的分析与仿真
多年来，大气湍流一直是物理学和工程学领域的研究热点。当激光束在大气中传播时，它会受到散射、吸收和湍流等不同光学现象的影响。大气湍流效应是由折射率的变化引起的。不同大小的涡流会影响光波在大气中的传播。折射率的这些变化会导致传播的激光束产生不同的变化，如光束漂移、光束扩散和图像抖动。所有这些影响都会严重降低光束质量 (M 平方) 并降低系统在某些应用中的性能效率，包括自由空间光通信、激光雷达-激光雷达应用和定向能武器系统 [1- 5]。传统上，湍流由 Kolmogorov 模型类型定义。Kolmogorov 谱的幂律值为 11/3，用于描述高斯分布 [6]。许多光谱具有特定的内尺度和外尺度，如 Tatarskii 光谱、von Karman 光谱、Kolmogorov 光谱和广义修正光谱 [7]。本研究采用广义修正大气光谱模型。我们通过数值和分析方法执行高斯激光光束在不同传播距离下的传播行为。此外，我们还研究了一些参数对光束传播的影响。讨论了所有模拟结果，并将其与文献中的结果进行了比较。
通过湍流大气传播引起的抖动
AAOL-BC被用来进行实验，该实验试图测量激光束上的大气诱导的抖动。波前的激光束，该激光束在两架飞机之间在不同的高度和分离处繁殖。提出了用于提取湍流诱导抖动的数据处理程序，并使用所得的抖动和高阶波浪畸变来提取湍流参数，例如c n 2和r 0。使用这些各种方法的湍流数量与文献进行了比较。表明，在较低高度和大型飞机分离处收集的数据导致高达5μrad的倾斜到激光束。使用测得的大气诱导的抖动，提取了C N 2值，与文献中普遍存在的模型（例如HV57）融合在一起。使用高阶波前统计近似C n 2的值高于由于飞机周围的空气光学和空气声环境污染而导致的湍流模型所预测的值。