XiaoMi-AI文件搜索系统
World File Search Systemadaptive
智能车辆定位的自适应多传感器融合
I。i ntelligent i ntelligent载体（IV）是行业和学术界的热门话题[1]，而本地化是IV的关键组成部分，可提供对其状态的强大和准确估计[2] - [4]。IV配备了许多传感器，例如GPS，惯性测量单元（IMU），光检测和范围（LIDAR）和相机。IMU给出了IV状态的连续性解决方案，其陀螺仪遭受了时间变化的偏见和不确定的声音，以及IMU的位置和方向估计的准确性随着时间的推移而恶化。在[5]中，提出了一个结合深神经网络的Kalman滤波器（KF），以估算死亡折线的噪声参数。在[6]中，使用仅具有IMU数据的神经网络获得了位移分布的先验。然后，将先验信息与扩展的KF（EKF）集成以估算状态。此外，传感器融合用于在文献中提供更准确的结果[7]，[8]。许多GPS/IMU系统已开发用于IV定位。全球位置和速度由GPS提供，同时，从IMU估算了局部位置，方向和速度。GPS/IMU系统可以在许多情况下提供强大的本地化解决方案。但是，GPS在
适用于自适应学习环境的人工智能辅助知识评估技术
在线学习的增长得益于互联网上各种形式的教学材料，如 MOOC 和智能辅导系统 (ITS)，反过来又增加了在自适应学习环境中为学生提供个性化指导的相关性。在教育环境中应用人工智能 (AI) 技术为学习者提供自适应学习内容的兴趣日益浓厚，但挑战也不少。知识评估对于提供自适应学习环境是必不可少的。学生模型是自适应学习环境中知识评估的基本构建块。本文旨在回顾早期教育研究中心理测量理论主导的学生模型家族的发展、最近的调整以及机器学习和深度学习技术的进步。我们的评论不仅涵盖了重要的学生模型家族，还从人工智能和教育的理论和实践角度介绍了它们被发明的原因。我们相信，本评论中涵盖的讨论将成为教育研究人员对人工智能入门见解的宝贵参考，并努力向人工智能专家介绍学习科学领域知识评估的基本心理测量观点。最后，我们提供了最近面临的挑战以及在未来自适应学习生态系统中开发有效知识评估技术的一些潜在方向。
轻量级显着对象检测的比例自适应网络
显着对象检测（SOD）广泛用于运输中，例如道路损坏检测，辅助驾驶等。但是，由于其大量计算和参数，重量级草皮方法很难在计算能力低的情况下应用。大多数轻型SOD方法的检测准确性很难满足应用程序要求。我们提出了一个新颖的轻质尺度自适应网络，以实现轻质限制和检测性能之间的权衡。我们首先提出了比例自适应特征提取（安全）模块，该模块主要由两个部分组成：多尺度特征交互，可以提取不同尺度的特征并增强网络的表示能力；和动态选择，可以根据输入图像根据其贡献自适应地分配不同的权重。然后，基于安全模块，设计了一个轻巧和自适应的骨干网络，并结合了多尺度特征聚合（MFA）模块，将规模自适应网络与比例自适应网络相结合。我们在六个公共数据集上对模型进行定量和定性评估，并将其与典型的重量级和轻量级方法进行比较。只有2.29 M参数，它可以在GTX 3090 GPU上实现62 fps的预测速度，远远超过其他型号，并且可以保证实时性能。模型性能达到了一般重量级方法的性能，并超过了最先进的轻量级方法。
通过适应性实验室进化实现常温下微生物葡萄糖-果糖高效转化及 D-阿洛酮糖生产应用
（未经同行评审认证）是作者/资助者。保留所有权利。未经许可不得重复使用。此预印本的版权所有者此版本于 2024 年 12 月 19 日发布。；https://doi.org/10.1101/2024.12.16.628640 doi：bioRxiv preprint
MEGA12：分子进化遗传分析第 12 版
选择最合适的替换模型通常是分子系统发育学的初始步骤。模型选择的 ML 方法最初在 MEGA5（Tamura 等人，2011）中引入，并经常使用（补充图 S1）。MEGA 评估了六种主要核苷酸替换模型以确定最佳模型：通用时间可逆 (GTR)、Hasegawa-Kishino-Yano (HKY)、Tamura-Nei (TN93)、Tamura 3 参数 (T92)、Kimura 2 参数 (K2P) 和 Jukes-Cantor (JC)；有关综述，请参阅（Nei and Kumar，2000）。这些主要替换模型描述了单个位点处核苷酸替换的瞬时概率。它们可以与位点间速率变化的（离散化）Gamma 分布（用 +G 表示）和不变位点的存在/不存在（用 +I 表示）相结合，这些模型在 Nei 和 Kumar（2000）中进行了综述。
神经肌肉骨骼建模揭示了感觉运动皮层自适应学习的肌肉水平神经动力学
大脑的神经活动与身体的动力学密切相关。然而，我们的分层传感器系统如何动态地编排身体运动的产生，同时适应传入的感觉信息尚不清楚（1-4）。在小鼠中，整个电动机（M1）和一级感觉前肢（S1）皮质的编码程度以及在学习过程中如何形状的肌肉水平特征是未知的。为了解决这个问题，我们建立了一种新型的50肌肉模型，用于在物理模拟环境中研究运动控制和学习。我们表明，我们可以通过求解逆动力学并得出驱动相同动作的感觉运动控制模型来模仿在操纵杆任务中收集的3D四肢运动学。使用来自我们模型的内部计算，我们发现第2/3 M1和S1神经元的种群编码高级位置，以及下层的肌肉空间和前视性动力学。在自适应学习过程中，这些功能上不同的神经元映射到特定的计算基序。引人注目的是，S1神经元更突出地编码感觉运动预测错误。此外，我们发现在本课内学习期间，神经潜在动态在S1和M1中有所改变。一起，我们的结果提供了一个新的模型，讲述了皮质中神经动力学如何实现自适应学习。
太阳能，上下文 - 自适应和...
摘要本研究提出了一个概念和工作流程，用于太阳能，上下文自适应和可重复使用的立面。使用参数立面设计的整数太阳能控制，工作流程使用太阳辐射来告知具有可变开放度或属性的立面模块（例如封面），使信封在促进循环的同时适应城市环境的变化。该方法通过模拟测试，评估不断变化的城市场景中的日光，眩光，能量和循环。引入了太阳圆形指示器（SCI），以跟踪立面的改变和重复使用。在100m新的阻塞Sce-Nario中，维持了79％的立面模块，而29％的改变模块被重复使用，得出的SCI为85％。阳光自治指标与SCI很好地对齐。随着能量最小的增加（<1％），重新设计的空间日光自治提高了4％。我们的解决方案提供的日光有用2％（100–3000lux）比玻璃外墙多，而眩光少11％。工作流程提供了一个基于循环，基于性能的设计的框架，以保留美学和适应性。
通过定向自适应动力学和不完全信息揭示测量引起的纠缠
引言：纠缠是量子系统独有的特征，研究其在复杂系统中的动态特性既有基础性动机，也有实际意义。也就是说，人们对理解在哈密顿量和测量诱导动力学相互竞争的系统中纠缠产生的不同阶段有着浓厚的兴趣（例如，参见参考文献 [ 1 – 16 ]）。这里的共同特点是，纠缠的产生取决于对测量结果的了解，即它只存在于单个测量轨迹的层面上[见图 1(a) ]。相反，平均状态（所有测量结果的平均值）通常是高度混合且无纠缠的。因此，直接检测新的纠缠动力学和转变似乎需要对测量记录进行后期选择，这对可扩展的实验实施提出了巨大的挑战 [ 17 ]。为解决这一后选择问题，人们提出了各种想法 [18-29]，并进行了一些相应的实验 [30,31]。其中许多方法侧重于测量替代量（即不直接测量系统纠缠），或研究使用反馈辅助动力学来稳定预选目标状态的效率转变 [该转变可作为实际测量诱导纠缠相变 (MIPT) 的替代 [23-26]]。虽然这些方法不需要后选择，但人们可能会担心反馈辅助动力学中的转变可能截然不同，并且与原始纠缠相变仅存在松散的关系 [25-27,32-35]。
用于云中的自适应VCPU超额标准
贝特提取的安全优化运营成本是成功产生收入的云系统和容量/资源效率的圣杯之一，是实现这一现实的关键因素。在主要云提供商的其他资源效率策略外，超额订购是一种极为普遍的实践，在该实践中，提供的虚拟资源比实际的物理能力更多，可以最大程度地减少对冗余能力的收入损失。虽然资源可以是任何类型的，包括计算，内存，电源或网络带宽，但我们重点介绍了虚拟CPU（VCPU）过度订阅的场景，因为VCPU内核主要是云服务的可计费单位，并且对业务以及用户以及用户以及用户也具有重大影响。对于无缝的云体验，虽然对提供商的成本效益，但要控制超额检查边缘的合适政策至关重要。狭窄的利润率导致利用不足的资源能力支出冗余，并且更广泛的利润率导致客户工作负载可能遭受资源争议的情况下的不足。