XiaoMi-AI文件搜索系统
World File Search SystemSets
中智集合与系统
关键词：七分集，七分中智集，中智正弦距离测度，七分中智集和 MADM 策略。 ________________________________________________________________________________________ 1. 简介 中智集合已经成为处理各个研究领域中的不确定性、不确定性和不一致性的一种有力工具 [5]。近年来，经典集合论已经不足以对复杂的不确定系统进行建模 [5]。Florentin Smarandache 于 1998 年引入了中智集合论或中性知识的概念 [1, 4]，为处理不确定性和不一致性提供了一个强大的框架 [6]。最近的研究探索了距离测度的中智扩展，包括正弦距离测度 (SDM) 和七分假设距离测度 (HHDM) [2]。我们主要通过投票即选举来选择领导者。每次选举，选民都会选择支持候选人 A、支持对手 B 或完全弃权。选择不投票的选民可以通过选择 A 到 B 选项来决定选举结果；这被称为“中立或不确定”[3]。
指定权威数据集的指南
就本备忘录而言，权威数据集 (ADS) 是一种数据产品，它包含一个或多个数据元素，数据生产者与其数据管理员合作，将这些数据元素确定为具有特定范围和目的的权威数据，并定义和衡量数据质量。可以使用多个来源“构建”ADS，并通过聚合、编译或组装“创建”ADS。ADS 的范围通常仅限于一个或多个特定任务（或社区），ADS 的目的是隐含的（例如，缺乏证据）或明确的（例如，证明数据质量方面的元数据指标）。ADS 的特定范围和目的用于为消费者提供有关每个数据元素及其适当用途的见解。数据质量也是 ADS 指定的基础。数据生产者信任其数据，并具有固有的质量，因为他们了解数据是如何为特定范围和目的生成或收集的。国防部数据战略在目标 4.5“使数据值得信赖”的目标 3 中认识到了信任和数据质量的重要性：“国防部执行数据质量管理技术来评估和提高数据质量。” ADS 指定和支持文档与其他 VAULTIS 目标一起扩展了数据生产者的信任，以实现数据消费者的使命。例如，衡量数据质量、确定范围和目的可支持使用“在预期用途范围内易于发现和理解的高质量数据”，如国防部数据战略、指导原则 2.2.7 适合用途的数据所述。因此，ADS 指定和支持文档应为数据消费者提供与数据生产者类似的对数据集质量、范围和目的的信心。ADS 指定。本文档提供了有关指定权威数据集 (ADS) 的初步指导，包括应为每个 ADS 指定指定的关键要素：数据集 (1) 质量、(2) 范围和 (3) 目的。数据管理员将根据 ADS 指定执行数据质量、范围和目的评估，使用以下问卷作为初步指导。数据管理指南将更新以纳入此标准。数据管理员将在对 ADS 进行实质性更改时或至少每年一次审查和更新数据质量评估，直到数据质量测量自动化为止。在 ADS 发生更改时，还应在合理的时间内捕获对 ADS 最初记录的范围或目的的更改。ADS 指定应记录在部门的联合数据目录中。1. 数据集：ADS 数据质量维度。如果不先了解生成或使用数据的原因，数据质量 (DQ) 可能很难衡量。因此，记录 ADS 的具体范围和目的是这对于测量与 VAULTIS 相关的 DQ 维度至关重要。本节提供了 DQ 维度的初始列表。任务领导应考虑这些建议的维度
重新塑造铁路车轮组 - INCDMTM
摘要：本文介绍了开发铁路车轮组轮廓成形/再成形和测量技术系统的一些想法，以提高铁路运输的维护和安全性。根据铁路运输的要求，用于重塑铁路车辆车轮和车轮组的车床正在多样化和现代化。本文介绍了通过采用 CNC 设备对具有两个工作单元的传统车床进行现代化改造的一些想法，用于同时驱动和测量轴上的两个车轮。在每个工作单元的径向滑架上，在其紧邻的位置安装有成形工具，测量系统用于确定车轮侧面内表面的轴向位置、车轮直径和滚动轮廓的主要几何参数。在重新成型之前进行测量，以确定轮廓的磨损情况，并选择重新成型和加工后的车轮直径和轮廓，以确定是否符合规格。关键词：铁路车轮组、车轮车削、铁路车轮轮廓、车轮磨损
关于保形预测集的预期大小
虽然共形预测因子在其频率上获得了严格的统计保证的好处，但其相应的预测集的大小对其实际利用而言至关重要。不幸的是，目前缺乏有限样本分析，并保证了其预测设置尺寸。为了解决这一短缺，我们从理论上量化了在分裂的共形预测框架下的预测集的预期大小。由于通常无法直接计算此精确的形式，我们进一步得出了可以在经验上计算的点估计和高概率间隔边界，从而提供了一种表征预期设置大小的实用方法。我们通过在现实世界数据集上实验回归和分类问题来证实结果的功效。
将模式集与Jaccard索引
从数据挖掘以来，从数据挖掘和统计建模的能力也一直是数据挖掘的驱动力。可操作的知识通常采用模式的形式，其中一组先例可用于推断结果。在本文中，我们为比较不同模式集的问题提供了解决方案。我们的解决方案允许在不同技术（例如不同的分类算法）中获得的一组模式或从不同的数据样本（例如时间数据或出于隐私原因扰动的数据）进行比较。我们建议使用Jaccard索引通过将每个模式转换为集合中的单个元素来测量模式之间的相似性。我们的措施着重于提供概念简单，计算简单性，可解释性和广泛的适用性。在现实世界数据挖掘方案的背景下，将此度量的结果与预测准确性进行了比较。
关于人机协作中预测集的效用
对人机团队的研究通常为专家提供单一标签，这忽略了模型推荐中的不确定性。共形预测 (CP) 是一个成熟的研究方向，专注于构建一个理论上有依据的、经过校准的预测集，该预测集可能包含多个标签。我们探索此类预测集如何影响人机团队中的专家决策。我们对人类受试者的评估发现，集值预测对专家有积极影响。然而，我们注意到 CP 提供的预测集可能非常大，这导致 AI 助手无用。为了缓解这种情况，我们引入了 D-CP，一种对某些示例执行 CP 并听从专家的方法。我们证明 D-CP 可以减少非延迟示例的预测集大小。我们展示了 D-CP 在定量和人类受试者实验 (n=120) 中的表现。我们的结果表明，CP 预测集比单独显示 top-1 预测更能提高人类-AI 团队的表现，并且专家发现 D-CP 预测集比 CP 预测集更有用。
空气数据测试集 - DMA-AERO
测试装置全部采用数字控制。本地显示器和键盘为操作员提供直观的用户界面。对于驾驶舱等远程控制位置，有各种选项可供选择，包括前面板界面的手持复制和综合触摸屏单元。Wi-Fi、蓝牙和其他面向计算机的选项可用于连接到 PC、平板电脑或 MPSRW。