XiaoMi-AI文件搜索系统
World File Search SystemTransformer
树脂浇注变压器 - 士林电机
• 导体材料 ：采用优质高导电率铜（或铝）线。 • 绕线 ：采用法国FRANCE TRANSFO独特绕线技术，线圈内电压梯度及局部放电（10pc以下）增加线圈寿命及耐压能力。 • 树脂 ：在世界顶级F级树脂中添加SiO 2 ，增加树脂导热性，降低热应力。 • 树脂增强 ：线圈最外层及最内层采用玻璃纤维网，不但可保持树脂厚度，更可增加线圈机构短路吸收能力。 • 浇铸 ：采用意大利全自动树脂浇铸系统，全程严密监控，确保每一次真空浇铸的品质。
Navformer：用于机器人目标的变压器体系结构 -
摘要 - 在未知的混乱和动态环境（例如灾难场景）中，移动机器人需要执行目标驱动导航才能找到感兴趣的人或对象，其中提供的有关这些目标的唯一信息是单个目标的图像。在本文中，我们介绍了Navformer，这是一种新颖的端到端变压器体系结构，为在未知和动态环境中为机器人目标驱动导航而开发。Navformer利用两者的优势1）变压器进行顺序数据处理和2）自我监督学习（SSL），以进行视觉表示，以推理空间布局并在动态设置中执行避免碰撞。该体系结构唯一地结合了由静态编码器组成的双视觉编码器，用于提取空间推理的不变环境特征，以及用于避免动态障碍物的一般编码器。主要的机器人导航任务分解为两个子任务以进行训练：单个机器人勘探和多机器人碰撞避免。我们执行交叉任务培训，以使学习技能转移到复杂的主要导航任务中。模拟实验表明，Navformer可以在不同的未知环境中有效浏览移动机器人，从而优于现有的最新方法。进行了全面的消融研究，以评估Navformer的主要设计选择的影响。此外，现实世界实验验证了Navformer的普遍性。索引术语 - 动态和未知环境，图像引导搜索，目标驱动机器人导航。
Swift：Swin 4D FMRI变压器
从高维数据（例如功能磁共振成像（fMRI））中对时空脑动力学进行建模是神经科学中的一项艰巨任务。现有的fMRI分析方法采用了手工制作的功能，但是功能提取风险在fMRI扫描中失去基本信息的过程。为了应对这一挑战，我们提出了Swift（Swi N 4d F Mri T Ransformer），这是一种Swin Transformer架构，可以直接从fMRI卷中以记忆和计算有效的方式学习大脑动力学。Swift通过实施4D窗口多头自我发项机制和绝对位置嵌入来实现这一目标。我们使用多个大型静止状态FMRI数据集评估SWIFT，包括人类连接群落项目（HCP），青少年脑认知发展（ABCD）和UK Biobank（UKB）数据集，以预测性别，年龄和认知智能。我们的实验结果表明，Swift的表现优于最新的最新模型。此外，通过利用其端到端的学习能力，我们表明，基于对比的基于损失的自我监管的SWIFT预训练可以提高下游任务的性能。补充 - 我们采用可解释的AI方法来识别与性别分类相关的大脑区域。据我们所知，Swift是第一个以端到端方式处理维数时空脑功能数据的Swin Transformer架构。我们的工作在神经科学研究中促进功能性脑成像的可扩展学习方面具有巨大的潜力，通过减少与将变压器模型应用于高维fMRI相关的障碍。项目页面：https：//github.com/transconnectome/swift
利用变压器用于心电图心律失常...
摘要 - 心律不齐，也称为心律失常，是指不规则的心跳。有多种类型的心律失常可以源自心脏的不同区域，导致快速，缓慢或不规则的心跳。心电图（ECG）是用于检测心脏不规则和异常的重要诊断工具，使专家可以分析心脏的电信号，以识别复杂的模式和偏离标准的偏差。在过去的几十年中，已经进行了许多研究，以开发基于ECG数据对心跳进行分类的自动化方法。近年来，深度学习在应对各种医学挑战方面表现出了出色的功能，尤其是在变形金刚作为序列处理的模型架构中。通过利用变压器，我们开发了心电图数据中存在的各种心律不齐的分类的束缚模型。我们使用MIT-BIH和PTB数据集评估了建议的方法。ECG心跳心律失常分类结果表明，所提出的方法非常有效。ECG心跳心律失常分类结果表明，所提出的方法非常有效。
配电变压器自动负荷分配（IOT）
VN Chatse 1、GD Shingade 2 电气工程系，MGM'S 大学 MGM 大学，Cidco，Chh. Sambhajinagar，马哈拉施特拉邦 印度 摘要：随着我们进入人工智能、自动化和创新基础设施的新时代，在过去一个世纪中，对电力的需求呈指数级增长。人口增加也是需求增长的主要原因。使用物联网实现配电变压器的自动负载共享 当今能源危机（如电力需求和变压器保护，最终可以解决配电系统保护）的方法之一。负载分配的主要目标是防止变压器过载。由于过载，变压器的效率会降低，结果经常发生电源故障，绕组过热并可能烧毁。结果变压器故障率增加。更换新变压器是一项主要任务，需要大量资金和人力。保护配电免受过载、维持对工业和家庭的可靠电力供应是配电公司要处理的重点任务。自动负载共享是最好的解决方案之一，这将通过使用微控制器来实现。两个配电变压器通过并联连接，包括微控制器的主动作用。微控制器将第一个变压器上的负载与参考值进行比较。当负载超过参考值时，第二个变压器将分担额外的负载。关键词：DHT11-数字湿度温度传感器，ESP8266微控制器
vit-ae ++：改进自我视觉变压器自动编码器...
自我监督的学习吸引了越来越多的关注，因为它在没有注释的情况下从数据中学习了数据驱动的代表。基于视觉变压器的自动编码器（VIT-AE）（He等人，2021）是一种最近的自我监督的学习技术，它采用补丁掩盖策略来学习有意义的潜在空间。在本文中，我们专注于改善VIT-AE（绰号为VIT-AE ++），以更有效地表示2D和3D医疗信息。我们提出了两个新的损失功能，以增强训练阶段的表示。第一个损失术语旨在通过考虑建立依赖性并间接改善表示形式来改善自我重建。第二损失项的利用对比损失，以直接从两个随机掩盖的视图中优化表示形式。作为独立的贡献，我们将Vit-ae ++扩展到3D fash-im，以进行体积医学图像。我们在自然图像和医学图像上广泛评估VIT-AE ++，这表明对香草Vit-Ae的持续改善及其优于其他对比学习方法。我们的代码可在https://github.com/chinmay5/vit_ae_plus_plus.git关键字：表示;自学学习；蒙版视觉变压器
变压器数字孪生——概念和未来前景
可持续发展目标 11：可持续城市和社区 更加关注利用当地（原）材料建造可持续和有韧性的建筑、为电动汽车提供动力、加强长线输配电系统以向城市输入必要的电力、开发微电网以加强城市的可持续性；保护和维护世界文化和自然遗产；减少城市对人均环境的不利影响，包括特别关注空气质量和废物管理
卷积神经网络与视觉变压器
©作者2025。Open Access本文在创意共享属性下获得许可 - 非商业 - 非洲毒素4.0国际许可证，该许可允许以任何中等或格式的任何非商业用途，共享，分发和复制，只要您与原始作者提供适当的信誉，并为您提供了符合创造性共识许可的链接，并提供了持有货物的启动材料。您没有根据本许可证的许可来共享本文或部分内容的适用材料。本文中的图像或其他第三方材料包含在文章的创意共享许可中，除非在信用额度中另有说明。如果本文的创意共享许可中未包含材料，并且您的预期用途不受法定法规的允许或超过允许的用途，则您需要直接从版权所有者那里获得许可。要查看此许可证的副本，请访问h t p：//c r e a t i v e c o m m o ns。or g/l i c e n s e s/b y-n c-n c-n c-n d/4。0/。
长期分配变压器需求的主要驱动因素
分配变压器用于降低中级电压到服务级电压的最终用途电量，目前正在供应和需求之间遇到前所未有的不平衡。公用事业的交货时间延长了2年的变压器（2022年前的交货时间增加了四倍），在过去3年中，报告价格上涨了4-9倍[1-3]。当前的短缺归因于被压抑的大流行需求；难以招募，培训和留住熟练的劳动力；组件供应链挑战；和材料短缺（面向谷物的电钢，铝和铜）。变压器的供应对于电力系统的可靠性和增长至关重要。此外，供应链问题（如果没有解决）也可能会影响气候目标的需求和可再生能源的增长。本报告总结了美国能源部（DOE）电力办公室和政策办公室支持的国家可再生能源实验室（NREL）进行的初步分析，以评估分配变压器的长期驱动因素。1的预期需求增加不仅是由于电气化和可再生能源增长的汇合，还归因于衰老的电力基础设施，
基于变压器的应力降低模型研究
摘要 人们无时无刻不在处于压力与焦虑的环境中，引发多种心理和生理健康问题，因此及时识别心理压力，寻找可行、普适的减压方法尤为重要。本研究基于脑电信号探究放松音乐、自然节奏音乐等不同音乐对缓解压力的影响。通过心算测试创设压力环境，23名被试分别在有音乐和无音乐条件下进行心算测试，同时记录被试的脑电信号。通过压力测试问卷（包括特质焦虑量表（STAI-6）和自我压力评估）验证音乐对缓解压力的作用。配对t检验显示，在有音乐和无音乐条件下，压力测试问卷值有显著变化（p<0.01）。此外，提出了一种基于Transformer的脑电信号压力水平分类模型。实验结果表明，通过聆听放松音乐和自然节奏音乐的方法可以达到减轻心理压力的效果，且所提模型对心理压力脑电信号的分类准确率较高。关键词：脑电信号，心理压力，音乐，自我注意，Transformer