XiaoMi-AI文件搜索系统
World File Search SystemTransformers
研究委员会 A2——电力变压器和电抗器。......
用于配电、输电和可再生能源应用的变压器，• 电抗器，包括并联、串联、饱和和平滑电抗器，• 变压器组件，包括套管、分接开关和配件。• 在此框架内，其他具体关注领域包括：
大型语言模型是人工智能，工业，教育和社会中的变压器
作者和审稿人：博士教授。StefanBrüggenwirth，Fraunhofer FHR，Wachtberg Dr.菲尔。Aljoscha Burchard，DFKI柏林教授博士。Tim Fingscheidt，Tu Braunschweig教授博士rer。nat。Holger Hoos，Rwth Aachen Dr.-ing。Klaus Illgner，K |镜头GmbH，SaarbrückenDr. rer。 nat。 Henrik Junklewitz，VDE电气工程协会Elektronik InformationStechnik E.V. 博士教授。 AndréKaup，Friedrich Alexander University Erlangen-Nuremberg博士菲尔。 Katharina Von Knop，VDE电子信息技术协会E.V. 博士。 JoachimKöhler，Fraunhofer IAIS，圣奥古斯丁教授博士rer。 nat。 Gitta Kutyniok，路德维希·马克西米利人大学慕尼黑教授博士。 Rainer Martin，Ruhr University Bochum博士教授。 Dorothea Kolossa，Tu柏林教授。 塞巴斯蒂安·莫勒（SebastianMöller） rer。 nat。 RalfSchlüter和David Thulke，M.Sc.，Rwth Aachen Dr. rer。 nat。 Vera Schmitt，Tu柏林教授博士。 Ingo Siegert，Otto von Guericke University，Magdeburg博士。 Volker Ziegler，诺基亚，慕尼黑Klaus Illgner，K |镜头GmbH，SaarbrückenDr. rer。nat。Henrik Junklewitz，VDE电气工程协会Elektronik InformationStechnik E.V. 博士教授。 AndréKaup，Friedrich Alexander University Erlangen-Nuremberg博士菲尔。 Katharina Von Knop，VDE电子信息技术协会E.V. 博士。 JoachimKöhler，Fraunhofer IAIS，圣奥古斯丁教授博士rer。 nat。 Gitta Kutyniok，路德维希·马克西米利人大学慕尼黑教授博士。 Rainer Martin，Ruhr University Bochum博士教授。 Dorothea Kolossa，Tu柏林教授。 塞巴斯蒂安·莫勒（SebastianMöller） rer。 nat。 RalfSchlüter和David Thulke，M.Sc.，Rwth Aachen Dr. rer。 nat。 Vera Schmitt，Tu柏林教授博士。 Ingo Siegert，Otto von Guericke University，Magdeburg博士。 Volker Ziegler，诺基亚，慕尼黑Henrik Junklewitz，VDE电气工程协会Elektronik InformationStechnik E.V.博士教授。AndréKaup，Friedrich Alexander University Erlangen-Nuremberg博士菲尔。 Katharina Von Knop，VDE电子信息技术协会E.V. 博士。 JoachimKöhler，Fraunhofer IAIS，圣奥古斯丁教授博士rer。 nat。 Gitta Kutyniok，路德维希·马克西米利人大学慕尼黑教授博士。 Rainer Martin，Ruhr University Bochum博士教授。 Dorothea Kolossa，Tu柏林教授。 塞巴斯蒂安·莫勒（SebastianMöller） rer。 nat。 RalfSchlüter和David Thulke，M.Sc.，Rwth Aachen Dr. rer。 nat。 Vera Schmitt，Tu柏林教授博士。 Ingo Siegert，Otto von Guericke University，Magdeburg博士。 Volker Ziegler，诺基亚，慕尼黑AndréKaup，Friedrich Alexander University Erlangen-Nuremberg博士菲尔。Katharina Von Knop，VDE电子信息技术协会E.V.博士。JoachimKöhler，Fraunhofer IAIS，圣奥古斯丁教授博士rer。 nat。 Gitta Kutyniok，路德维希·马克西米利人大学慕尼黑教授博士。 Rainer Martin，Ruhr University Bochum博士教授。 Dorothea Kolossa，Tu柏林教授。 塞巴斯蒂安·莫勒（SebastianMöller） rer。 nat。 RalfSchlüter和David Thulke，M.Sc.，Rwth Aachen Dr. rer。 nat。 Vera Schmitt，Tu柏林教授博士。 Ingo Siegert，Otto von Guericke University，Magdeburg博士。 Volker Ziegler，诺基亚，慕尼黑JoachimKöhler，Fraunhofer IAIS，圣奥古斯丁教授博士rer。nat。Gitta Kutyniok，路德维希·马克西米利人大学慕尼黑教授博士。Rainer Martin，Ruhr University Bochum博士教授。 Dorothea Kolossa，Tu柏林教授。 塞巴斯蒂安·莫勒（SebastianMöller） rer。 nat。 RalfSchlüter和David Thulke，M.Sc.，Rwth Aachen Dr. rer。 nat。 Vera Schmitt，Tu柏林教授博士。 Ingo Siegert，Otto von Guericke University，Magdeburg博士。 Volker Ziegler，诺基亚，慕尼黑Rainer Martin，Ruhr University Bochum博士教授。Dorothea Kolossa，Tu柏林教授。塞巴斯蒂安·莫勒（SebastianMöller） rer。nat。RalfSchlüter和David Thulke，M.Sc.，Rwth Aachen Dr. rer。 nat。 Vera Schmitt，Tu柏林教授博士。 Ingo Siegert，Otto von Guericke University，Magdeburg博士。 Volker Ziegler，诺基亚，慕尼黑RalfSchlüter和David Thulke，M.Sc.，Rwth Aachen Dr. rer。nat。Vera Schmitt，Tu柏林教授博士。Ingo Siegert，Otto von Guericke University，Magdeburg博士。Volker Ziegler，诺基亚，慕尼黑Volker Ziegler，诺基亚，慕尼黑
可再生能源收集器变压器
PTI Transformers LP，加拿大马尼托巴省温尼伯 ORCID：1. 0000-0002-1216-6513 doi:10.15199/48.2024.11.39 可再生能源收集器变压器摘要。太阳能发电站或风电场中的可再生能源集电变压器 (RCT) 将集电系统的电压转换为传输级电压。由于主要目标是提高电压，RCT 在此功能上与发电机升压 (GSU) 变压器相似，但有一些设计特点和操作特性使这些装置独一无二，例如典型的绕组配置星形-星形-埋置三角形，低压绕组通常通过中性点接地电抗器接地。设计必须考虑低压电流和电压中的谐波。抽象的。光伏站或风电场中的可再生能源站（RES站）的主变压器将来自主系统的电压转换为输电级电压。由于主要目的是提高电压，RCT 在这方面的功能与 GSU 变压器相似，但有一些设计特点和操作特性使这些装置独一无二，例如典型的三角形-星形绕组配置，低压绕组通常通过中性接地电感器接地。设计必须考虑低压电流和电压中谐波的存在。 (可再生能源发电站主变压器) 关键词：电力变压器、可再生能源发电站、过电压、谐波。可再生能源集电变压器 (RCT) 是一种专用电力变压器，它在太阳能发电站或风力发电场中，将电站集电系统的电压（通常为 34.5 kV）转换为传输电压水平，通常范围从 138 到 345 kV 或 500 kV。可再生能源站中 RCT 的位置如图 1 所示。虽然直接连接到逆变器的小功率变压器在论文和标准 [1, 2] 中有很好的描述，但集电变压器在已发表的参考文献或标准中并没有很好的描述。因此，本文的目标就是填补这一空白。图 1。集电变压器放置在集电母线和传输线之间；来自参考文献。 [1] 大多数可再生能源可能会出于不同的原因使用多个集电变压器，例如为了限制其物理尺寸（特别是为了运输或由于场地限制），或者利用电站设计理念的特点，例如分配负载或在故障期间在电站各部分之间转移负载，或紧急加载。由于 RCT 的主要目的是提高电压，因此该变压器的功能与发电机升压 (GSU) 变压器类似。然而，RCT 与 GSU 有许多区别，包括：（i）典型的绕组配置为星形-星形-埋地三角形，而 GSU 绕组采用星形-三角形连接，（ii）RCT 的低压绕组通常通过中性点接地电抗器 (NGR) 接地，而高压绕组
使用循环变压器的图形算法
由于有希望的经验进步，使用神经网络的图算法最近引起了极大的兴趣。这激发了对神经网络如何通过关系数据复制推理步骤的进一步理解。在这项工作中，我们研究了变压器网络从理论角度模拟算法的能力。我们使用的体系结构是一个循环变压器，其额外的注意力头与图形相互作用。我们通过构造证明，该架构可以模拟单个算法，例如Dijkstra的最短路径，广度和深度搜索，以及Kosaraju的强烈连接组件以及同时的多种算法。网络中的参数数不会随输入图大小而增加，这意味着网络可以模拟任何图的上述算法。尽管有有限的精确度，但我们在解决方案中的模拟显示了一个限制。最后，当利用额外的注意力头时，我们显示出具有恒定宽度的图灵完整性结果。
机器人扩散变压器的成分
摘要 - 近年来，机器人主义者通过利用高容量变压器网络体系结构和生成扩散模型来解决灵巧机器人硬件的越来越一般任务取得了良好的进步。毫无意义地结合了这两个正交改进已被证明是非常困难的，因为没有明确且鲜明的理解过程来做出重要的设计选择。在本文中，我们确定，研究和改进了高容量扩散变压器策略的关键架构设计决策。所得模型可以在多个机器人实施方案上有效地解决各种任务，而不会导致主参数调整的痛苦。通过将调查的结果与改进的模型组件结合起来，我们能够提出一种新颖的体系结构，称为DIT-Block策略，该策略极大地超过了解决长期马（1500多个时间步长）与人类的Aloha Aloha Aloha Robot上的Dexteros Dists。此外，我们发现在10小时的高度多模式，语言注释的Aloha演示数据中接受培训时，我们的政策显示出改善的缩放性能。我们希望这项工作将为未来的机器人学习技术打开大门，以利用大型变压器体系结构的可扩展性来利用生成扩散建模的效率。代码，机器人数据集和视频可在以下网址找到：https：//dit-policy.github.io
使用 Transformer 进行情绪分析
本研究探讨了如何使用基于 Transformer 的模型（例如 BERT 和 DistilBERT）对 IMDb 电影评论进行情感分析。实验的目的是找到准确率和计算效率之间的平衡，评估两种模型在不同训练参数下的表现。BERT 在三个时期内达到了 91.39% 的峰值准确率，总共需要 54 分钟进行训练。另一方面，DistilBERT 仅用 38 分 25 秒就达到了 91.80% 的类似准确率。尽管准确率略有差异，但 DistilBERT 被证明是一种更高效的训练选择，因此成为资源有限环境的可行替代品。该研究结果与 R. Talibzade (2023) 的研究形成了对比，后者使用 BERT 获得了 98% 的准确率，但需要 12 小时的训练，说明了准确率和训练时间之间的平衡。未来可能的任务包括进一步完善、使用更大的数据集进行测试、研究替代的 Transformer 模型，以及利用更高效的训练方法来提高性能而不牺牲效率。这是一篇 CC BY-NC 许可下的开放获取文章
深度学习和变形金刚中的硕士论文
组合优化在多样化的物流，制造，基因组学和合成生物学等多样化的领域中的许多现实应用中都起着至关重要的作用。这些问题及其复杂的变化的NP坚硬性质使它们难以解决。传统方法通常依赖于数十年研究的确切算法和启发式方法。但是，他们在可伸缩性和对其他问题的适应性方面挣扎。为了克服这些局限性，深度学习的成功导致了神经组合优化（NCO）的出现，后者从传统方法偏离了传统方法，以利用神经网络的概括能力。在这里，通过从数据中学习无需手动制定算法规则的数据，对神经网络进行了培训，从而生成了近乎最佳的解决方案。
从零到英雄：在零和几射击上下文中利用生物医学命名实体识别的变压器
在生物医学领域中监督的命名实体识别（NER）取决于带有命名实体的大量带注释的文本。创建此类数据集可能是耗时且昂贵的，而新实体的提取需要其他注释任务并重新训练模型。本文提出了一种在生物医学领域中零和少量NER解决这些挑战的方法。该方法基于将多类令牌分类的任务转换为二进制令牌分类，并在大量数据集和生物医学实体上进行预训练，这使该模型可以学习给定和潜在的新颖命名实体标签之间的语义关系。，我们的零拍摄NER的平均F1得分为35.44％，单发NER为50.10％，10-Shot NER的平均F1得分为69.94％，在9种不同的具有基于微调PubMedbert模型的生物医学实体上，100-SHOT NER的平均F1得分为79.51％。结果证明了所提出的方法在识别没有或有限示例的新生物医学实体，优于先前的变压器方法，并且使用少于1000倍的参数的模型与基于GPT3的模型相媲美。我们公开制作模型并开发了代码。
使用平行视觉变压器
摘要 - 采用人工智力来创建高度逼真的合成媒体，对隐私，安全性和错误信息传播构成了重大威胁。传统的深层检测方法，主要基于电流神经网络（CNN），通常在有效地识别这些复杂的伪造方面掉落。本项目探讨了平行视觉变压器（PVIT）用于深泡探测器的使用，利用其高级功能在建模复杂模式和视觉数据中的长距离依赖性中进行建模。我们使用NVIDIA A100 GPU的Google Colab培训了由140K真实和假面的数据集培训了PVIT模型。我们的结果表明，PVIT可显着提高检测准确性，精度，召回和鲁棒性，提供有希望的解决方案，以打击达到91.92精度的DeepFake技术所带来的挑战。索引术语 - 深层检测，平行视觉变形，以前，AI生成的，伪造的内容识别，变换，网络安全，数字取证，机器学习，深度学习。
CNN，RNN和变形金刚
人类行动识别（HAR）涵盖了监视各个领域的人类活动的任务，包括但不限于医学，教育，娱乐，视觉监视，视频检索以及对异常活动的识别。在过去十年中，HAR领域通过利用卷积神经网络（CNN）和经常性的神经网络（RNN）来有效提取和理解复杂的信息，从而增强了HAR系统的整体性能，从而取得了实质性的进展。最近，计算机视觉的领域见证了视觉变压器（VIT）的启示作为有效的解决方案。超出图像分析的范围，已验证了变压器体系结构的功效，从而将其适用性扩展到了不同的视频相关任务上。值得注意的是，在这一景观中，研究界表现出对HAR的浓厚兴趣，承认其多种效用并在各个领域中广泛采用。本文旨在提出一项涵盖CNN的涵盖调查，鉴于它们在HAR领域的重要性，RNNS对VIT的发展。通过对现有文献进行彻底研究并探索新兴趋势，本研究对该领域的累积知识进行了批判性分析和综合。此外，它还研究了正在进行的开发混合方法的努力。遵循此方向，本文提出了一种新型的混合模型，该模型旨在整合CNN和VIT的固有优势。