XiaoMi-AI文件搜索系统
World File Search SystemTOL
使用 X-Plane 进行 VTOL-UAV 飞行员训练的 HIL 飞行模拟器
摘要：随着垂直起降无人机 (VTOL UAV) 的日益普及，出现了一个新问题：飞行员培训。大多数传统的飞行员训练模拟器都是为全尺寸飞机设计的，而大多数无人机模拟器仅专注于概念测试和设计验证。X-Plane 飞行模拟器进行了扩展，包括复杂的风动力学、地面效应和准确的实时天气等新功能。商用 HIL 飞行控制器与 VTOL 垂直起降飞机无人机模型相结合，以提供逼真的飞行控制。在模拟中测试了一个真实的飞行案例场景，以显示包含精确的风模型的重要性。结果是一个完整的模拟环境，已成功部署用于 FuVeX 制造的 Marvin 飞机的飞行员训练。
anatolian质子泵抑制剂对...
目的：在这项研究中，我们旨在研究静脉内（IV）F-18前不久给药的质子泵抑制剂（PPI）（PPIS）的影响，该脂肪脱氧葡萄糖（FDG）对生理FDG注射对胃肠道（GIS）的生理FDG摄取（GIS）的生理FDG的影响（GIS），用于f-18 fdg Positron copsection（GIS）。目的。材料和方法：我们回顾性评估了350例在2020年11月至2021年6月之间在我们的诊所中接受18f-fdg PET/CT的患者。其中，在扫描之前给出了178名患者IV PPI，其余172名具有相似特征的患者没有。在视觉和定量上分析了胃肠道中的 FDG摄取。 结果：患者的平均年龄为51.7±15岁。 两组在年龄和性别方面没有显着差异。 定量评估表明，在接受IV PPI的组中，胃，十二指肠，回肠和横向结肠中的FDG摄取量明显较低（P <0.05）。 在视觉评估中，静脉内PPI组的胃和回肠摄取显着降低（p <0.05）。 结论：我们的发现表明，在FDG PET/CT成像之前，静脉内给药可以减少胃肠道中的FDG摄取。 我们认为，这种做法可以减少胃肠道系统中的假阳性发现，并通过减少背景活动来帮助识别胃癌和肠癌。FDG摄取。结果：患者的平均年龄为51.7±15岁。两组在年龄和性别方面没有显着差异。定量评估表明，在接受IV PPI的组中，胃，十二指肠，回肠和横向结肠中的FDG摄取量明显较低（P <0.05）。在视觉评估中，静脉内PPI组的胃和回肠摄取显着降低（p <0.05）。结论：我们的发现表明，在FDG PET/CT成像之前，静脉内给药可以减少胃肠道中的FDG摄取。我们认为，这种做法可以减少胃肠道系统中的假阳性发现，并通过减少背景活动来帮助识别胃癌和肠癌。
eVTOL 飞机的噪音测量：可用数据审查
2.21 在麦克风上方 150 英尺的高度（交替从北向南和从南向北飞行）以两种不同的飞行速度（“慢速”和“快速”）进行飞越测量，旨在代表麦克风上方的最小和最大功率操作。此外，多旋翼飞行器测试包括一系列模拟起飞和降落，高度为 150 英尺 14 英尺，以及在 4 英尺处进行悬停机动，其中包括四个基本罗盘方向（测量期间每个方向保持 30 秒）。作者还提供了俄克拉荷马州研究中收集的多旋翼飞行器噪音测量值与迄今为止进行的其他已知 UAS 噪音测试（包括 Cabell, R 等人报告的 NASA 飞越噪音水平研究）的“粗略比较”。
P2012 椅子 |东方航空
P2012 STOL 是一款全金属结构飞机，配备双涡轮增压活塞发动机、上单翼、非增压，并配备固定三轮起落架，是唯一一款符合最新认证修正案的双活塞短距起降飞机。它提供 1284 公斤（2831 磅）的有效载荷，最大起飞重量为 3680 公斤（8113 磅），同时保证了现代设计、舒适的客舱和九个单人乘客座位。
海报：AUTOLYCUS：利用可解释人工智能 (XAI) 对决策树模型进行模型提取攻击
模型反转 [1] 和模型提取（窃取）攻击 [2] 是先进的对抗技术，可危及机器学习 (ML) 模型的安全和隐私。这些攻击从模型中提取敏感信息，例如训练数据和超参数。出于对日益增长的安全和隐私问题的担忧，文献中研究了越来越多的 ML-as-a-service 系统，这些系统提供使用机密数据训练的 ML 模型以及这些模型的可公开访问的查询界面。对黑盒 AI 模型可解释性的研究引发了一个新的研究课题可解释人工智能 (XAI) [3]。XAI 旨在描述难以被人类理解的 AI 模型的内部工作原理，以便可以描述模型的准确性、公平性、透明度和结果 [4]。其中一种方法是局部可解释模型不可知解释 (LIME) [5]，它通过围绕该样本生成局部替代数据集来识别给定样本的最重要特征（影响 AI 的决策）。通过结合 XAI 产生的额外漏洞，可以增强对抗性 ML 攻击的能力。因此，我们提出了一种名为 AUTOLYCUS 的新型模型提取攻击，它使用来自 LIME 的模型解释来生成比最先进的攻击更少的查询，以揭示决策树模型的决策边界，并将这些边界提取到本地训练的代理模型。AUTOLYCUS 还可以从其他资源获得的样本中获取信息。这些资源可能包括先前采样的查询和其他数据集。我们演示
海报：AUTOLYCUS：利用可解释人工智能 (XAI) 对决策树模型进行模型提取攻击
模型反转 [1] 和模型提取（窃取）攻击 [2] 是先进的对抗技术，可危及机器学习 (ML) 模型的安全和隐私。这些攻击从模型中提取敏感信息，例如训练数据和超参数。出于对日益增长的安全和隐私问题的担忧，文献中研究了越来越多的 ML-as-a-service 系统，这些系统提供使用机密数据训练的 ML 模型以及这些模型的可公开访问的查询界面。对黑盒 AI 模型可解释性的研究引发了一个新的研究课题可解释人工智能 (XAI) [3]。XAI 旨在描述难以被人类理解的 AI 模型的内部工作原理，以便可以描述模型的准确性、公平性、透明度和结果 [4]。其中一种方法是局部可解释模型不可知解释 (LIME) [5]，它通过围绕该样本生成局部替代数据集来识别给定样本的最重要特征（影响 AI 的决策）。通过结合 XAI 产生的额外漏洞，可以增强对抗性 ML 攻击的能力。因此，我们提出了一种名为 AUTOLYCUS 的新型模型提取攻击，它使用来自 LIME 的模型解释来生成比最先进的攻击更少的查询，以揭示决策树模型的决策边界，并将这些边界提取到本地训练的代理模型。AUTOLYCUS 还可以从其他资源获得的样本中获取信息。这些资源可能包括先前采样的查询和其他数据集。我们演示
AI 皮肤病学 - AI 驱动的 Vetscan Imagyst
除非另有说明，所有商标均为 Zoetis Services LLC 或相关公司或许可方的财产。© 2023 Zoetis Services LLC。保留所有权利。VTS-00947
基于 LPV 模型的 eVTOL 飞机自适应 MPC 运行过程中...
摘要：本文将新颖的 LPV（线性参数变化）模型和 MPC（模型预测控制）方法应用于电动垂直起降飞机的倾斜过渡过程，该飞机具有六个分布式电动旋翼和固定翼，用于平飞，其中两个旋翼可倾斜以在从悬停到稳态平飞的倾斜过渡期间产生可变推力矢量，其余四个旋翼不能倾斜。在平飞过程中，固定翼引起的气动升力保持飞行高度。基于由倾转旋翼角位置和故障旋翼速度预定的标称倾斜轨迹，通过沿倾斜轨迹线性化非线性 eVTOL 飞机模型，基于显著减少的线性时不变模型数量构建了离散时间 LPV 模型，其中倾转旋翼角度和故障旋翼速度可以实时测量。提出了一种基于σ移位H 2 范数的LPV建模误差评估方法，并设计了具有动态参考补偿的自适应模型预测控制器。仿真研究表明，基于转子故障倾斜过渡LPV模型的自适应MPC策略是成功的。
EVTOL储能系统的动态测试
在过去的十年中，电动汽车的改编已从利基市场发展为广泛接受，2021年售出了60万台电动或插电式电动汽车，在2020年中占138％[1]。截至2022年3月，电动汽车市场仅占市场份额的4.6％[2]；但是，汽车高管认为，在未来十年中，全部新销售中的一半将是电动汽车[3]。在过去十年中，航空航天行业也发生了变化。随着电动汽车的流行和电推进技术的发展，这导致了电动垂直起飞和着陆（EVTOL）飞机的创造和开发。这些车辆利用全电动或混合电力推进系统，并主要迎合城市环境中个人运输的任务。这些车辆的成熟将导致城市运输的范式转变。这些车辆有望像商业出租车一样操作，能够通过空中在城市环境中在城市环境中运输人员，从而绕开道路交通并创造更快，更有效的旅行。实际上有数百辆正在开发的车辆[4]，到2040年，市场有可能扩大到1万亿美元。当前在设计或原型阶段中的绝大多数EVTOL飞机都利用电动或混合电动推进系统。这种类型的系统是使用气体发动机的常规液体推进系统的新替代品。这些由储能系统（ESS）组成，它们通常是连接到各种电动机和螺旋桨的大型锂离子电池模块以及相关的电池管理系统（BMS）。这些系统的创建是为了解决在城市环境中运营重要的因素，通过静静，经济运行，同时产生零或接近零排放作为环境因素。一个障碍阻碍这些新飞机的潜在增长和接受是ESS系统的认证方面。虽然ESS系统的认证必须基于多种要求，但本文档将仅讨论一个特定的要求差距，该差距与与ESS在动态不良事件或崩溃中相关的未知数涉及的涉及。在发生广泛适应之前，将需要克服此障碍。尽管存在ESS存在的现有飞机监管指南和标准（在本文档中可以识别），但它们主要涵盖不当，安装或将电池分类为次要电源。在确定证明撞车性ESS的程序时存在一个主要差距，主要是锂离子电池作为推进的主要手段。本文档讨论了NASA进行的研究，以确定可以用作认证基础的测试方法的有效性，以便提供数据并深入了解车辆ESS测试。此见解对于车辆原始设备制造商（OEM）以及其他研究人员，监管机构，标准组织和感兴趣的各方都很有价值。在锂离子电池化学，机械测试和与相关危害的影响测试的领域进行了文献综述，以了解有关当前可用的测试方法，并可能推断出解决ESS崩溃的可能性。使用了各种来源，包括相关标准文件，研究文章，与主题专家的讨论以及其他相关文献和新闻文章。本文档总结了NASA提供和收集的信息。
100V 1.3mΩ TOLL N 通道功率 MOSFET
注：1. 尺寸和公差符合 ASME Y14.5M, 1994 标准。2. 所有尺寸以毫米为单位。3. 尺寸不包括毛刺或模具毛边。模具毛边或毛刺不超过 0.150 毫米。