XiaoMi-AI文件搜索系统
World File Search Systembased
通过使用基于深度学习的域适应声发射
使用机器学习（ML）算法在制造过程中嵌入的传感器内部嵌入的信息的进步和识别，以更好地决策成为构建数据驱动的监视系统的关键推动因素。在激光粉床融合（LPBF）过程中，基于数据驱动的过程监视正在广受欢迎，因为它允许实时组件质量验证。加上制造零件的实时资格具有重要的优势，因为可以降低传统的生产后检查方法的成本。此外，可以采取纠正措施或构建终止以节省机器时间和资源。然而，尽管在满足LPBF流程中的监视需求方面取得了成功的发展，但由于不同的过程空间，在处理来自激光材料互动的数据分布的变化时，对ML模型在决策方面的鲁棒性进行了更少的研究。受到ML中域适应性的想法的启发，在这项工作中，我们提出了一种基于深度学习的无监督域适应技术，以解决由于不同的过程参数空间的数据分布的转移。在两个不同的316 L不锈钢粉末分布（> 45 µm和<45 µm）上获得了从LPBF过程区域到三个机制到三个方案的声学发射区到三个方案的声波形式。对应于用不同激光参数处理的粉末分布的声波形的时间和光谱分析显示，数据分布中存在偏移，随后用建议的无监督域适应技术对其进行处理，以具有可以普遍化的ML模型。进一步，两个分布之间提议的方法的预测准确性表明，不受欢迎地适应新环境的可行性并改善了ML模型的推广性。
基于此编写代码，该代码可以使用按钮进行LED眨眼
您说：基于此：void setup（）{serial.begin（115200）; Pinmode（D2，输出）; Pinmode（D3，输出）; Pinmode（D4，输出）; serial.println（“”）; serial.println（“你好，xiao esp32-c3！"); Serial.println("Welcome to Wokwi :-)"); } void loop() { Serial.println("Red"); digitalWrite(D2, HIGH); delay(500); digitalWrite(D2, LOW); Serial.println("Green"); digitalWrite(D3, HIGH); delay(500); digitalWrite(D3, LOW); serial.println（“蓝色”）；
海报：GSIT：用于车辆网络中层次证书管理的几何空间信息树
摘要 - 这项工作介绍了几何空间信息树（GSIT），这是一个新颖的框架，通过将超平面分配给实体并降低下属节点的维度来构建层次关系。框架中的成员通过内部产品计算进行验证，简化执行步骤，同时跨越不同深度的层次结构进行身份验证。GSIT利用超平面的几何特性有效地编码和管理分层信息。它适用于车辆网络公共密钥基础架构（PKI），增强隐私保护，化名证书管理和多级可追溯性。此方法为管理安全的通信系统中的复杂层次结构提供了可扩展且灵活的解决方案。
基于a-lyapunov的诉讼 - 诉讼 - > ...
Abstract In many real-world reinforcement learning (RL) problems, besides optimizing the main objective function, an agent must concurrently avoid violating a number of constraints.In particular, besides optimizing performance, it is crucial to guar- antee the safety of an agent during training as well as deployment (e.g., a robot should avoid taking actions - exploratory or not - which irrevocably harm its hard- ware).To incorporate safety in RL, we derive algorithms under the framework of constrained Markov decision processes (CMDPs), an extension of the standard Markov decision processes (MDPs) augmented with constraints on expected cu- mulative costs.Our approach hinges on a novel Lyapunov method.We define and present a method for constructing Lyapunov functions, which provide an ef- fective way to guarantee the global safety of a behavior policy during training via a set of local linear constraints.Leveraging these theoretical underpinnings, we show how to use the Lyapunov approach to systematically transform dynamic programming (DP) and RL algorithms into their safe counterparts.To illustrate their effectiveness, we evaluate these algorithms in several CMDP planning and decision-making tasks on a safety benchmark domain.Our results show that our proposed method significantly outperforms existing baselines in balancing con- straint satisfaction and performance.
异常得分：根据复杂性和脆弱性评估生成模型和个体生成的图像
随着生成模型的发展，生成图像的评估变得越来越重要。先前的方法测量参考文献和从训练有素的VI-SION模型产生的图像之间的距离。在本文中，我们对表示图像周围的表示空间与输入空间之间的关系进行了广泛的影响。我们首先提出了与图像中不自然元素存在有关的两项措施：复杂性，这表明表示空间的非线性和脆弱性是与对抗性输入变化的轻易变化相关的脆弱性。基于这些，我们为评估称为异常评分的图像生成模式（AS）进行了新的指标。此外，我们提出了可以有效地评估生成的图像的AS-I（单个图像的异常得分）。实验性依据证明了所提出的方法的有效性。
解释基于深度学习的静息状态功能连接数据表示：重点解释自闭症中的非线性模式
背景：静息态功能性磁共振成像 fMRI (rs- fMRI) 已广泛用于研究精神疾病的大脑功能，从而深入了解大脑组织。然而，rs-fMRI 数据的高维性给数据分析带来了重大挑战。变分自动编码器 (VAE) 是一种神经网络，在提取静息态功能连接 (rsFC) 模式的低维潜在表示方面发挥了重要作用，从而解决了 rs-fMRI 数据的复杂非线性结构。尽管取得了这些进展，但解释这些潜在表示仍然是一个挑战。本文旨在通过开发可解释的 VAE 模型并使用 rs-fMRI 数据在自闭症谱系障碍 (ASD) 中测试其效用来解决这一差距。
基于 AI/ML 的气候服务 S2S 预测工具
有很多 Python 包可用，但没有一个可以处理气候数据集的多维。它安装起来非常容易（一行命令），不需要任何特殊的计算机，并且适用于 Window、Mac 和 Linux/Unix 系统。Xcast 并行化代码，因此速度更快。它包括所有传统方法（MLR、PCR、CCA）和最先进的 AI/ML 方法（如 ANN、随机森林等）。它读取 NetCDF/Grib2/Zar 数据，而传统工具需要“ASCII 格式”。它还可以读取任何模型输出（NMME、C3S、S2S 和 SubX 或您自己的）。它不仅仅是一个“Jupyter 笔记本”，而是一个 Python 包。
基于EEG的审判BCI试验遇险与非...
自闭症谱系障碍（ASD）是一种神经发育障碍，通常伴随着情绪调节受损（ER）。越来越强调开发基于证据的方法来改善ASD的ER。脑电图（EEG）在基于神经反馈的干预措施中使用时已经在减少ASD症状方面取得了成功。另外，某些EEG组件与ER相关。我们的总体目标是开发一种技术，该技术将使用脑电图来监控ER的实时更改并根据这些更改执行干预。作为第一步，开发了基于情感Posner任务的基于EEG的大脑计算机接口，以在单个试验的基础上识别与ER相关的模式，而EEG数据从21个ASD的人收集。因此，我们在这项研究中的目的是研究可能区分困境和非配合条件的脑电图特征。具体来说，我们调查了脑电图锁定到视觉反馈演示文稿中是否可以用来在欺骗的游戏中对胜利（非配件）和丢失（遇险）条件进行分类。结果表明，提取的脑电图特征可以区分胜利和损失条件（平均准确性为81％），损失和静止EEG条件（平均准确度为94.8％）以及WIN和REST-EEG条件（平均精度为94.9％）。
k-nearest-neymen-nighbor学习基于糖果 - 糖 -
如今，EHealth Service已成为一个蓬勃发展的领域，该领域是指基于计算机的医疗保健和信息提供，以在本地，区域和全球改善卫生服务。 通过分析电子健康数据不仅可以照顾患者，而且还通过相应的数据驱动的eHealth Systems提供服务，有效的疾病风险预测模型。 在本文中，我们特别关注预测和分析糖尿病，这是一种日益普遍的慢性疾病，是指在长时间内以高血糖水平为特征的一组代谢性疾病。 k-nearest邻居（KNN）是利用相关健康数据建立这种疾病风险预测模型的最流行和最简单的机器学习技术之一。 为了实现我们的目标，我们提出了基于患者在各个维度中的习惯属性的基于基于学习的预测模型的最佳K-最近的邻居（OPT-KNN）。 此方法确定了误差率较低的最佳邻居数，以在结果模型中提供更好的预测结果。 该机器学习eHealth模型的效果通过对医疗医院收集的现实世界糖尿病数据进行实验来检查。如今，EHealth Service已成为一个蓬勃发展的领域，该领域是指基于计算机的医疗保健和信息提供，以在本地，区域和全球改善卫生服务。通过分析电子健康数据不仅可以照顾患者，而且还通过相应的数据驱动的eHealth Systems提供服务，有效的疾病风险预测模型。 在本文中，我们特别关注预测和分析糖尿病，这是一种日益普遍的慢性疾病，是指在长时间内以高血糖水平为特征的一组代谢性疾病。 k-nearest邻居（KNN）是利用相关健康数据建立这种疾病风险预测模型的最流行和最简单的机器学习技术之一。 为了实现我们的目标，我们提出了基于患者在各个维度中的习惯属性的基于基于学习的预测模型的最佳K-最近的邻居（OPT-KNN）。 此方法确定了误差率较低的最佳邻居数，以在结果模型中提供更好的预测结果。 该机器学习eHealth模型的效果通过对医疗医院收集的现实世界糖尿病数据进行实验来检查。有效的疾病风险预测模型。在本文中，我们特别关注预测和分析糖尿病，这是一种日益普遍的慢性疾病，是指在长时间内以高血糖水平为特征的一组代谢性疾病。k-nearest邻居（KNN）是利用相关健康数据建立这种疾病风险预测模型的最流行和最简单的机器学习技术之一。为了实现我们的目标，我们提出了基于患者在各个维度中的习惯属性的基于基于学习的预测模型的最佳K-最近的邻居（OPT-KNN）。此方法确定了误差率较低的最佳邻居数，以在结果模型中提供更好的预测结果。该机器学习eHealth模型的效果通过对医疗医院收集的现实世界糖尿病数据进行实验来检查。
基于机器学习的直接金属沉积中复杂刀具路径的轨道高度预测
模具行业不断要求先进的技术来提高模具在其生命周期内的性能。直接金属沉积 (DMD) 为模具翻新提供了关键机会。然而，通过 DMD 的典型刀具路径由交替的平滑段和尖角组成。在这里，能量密度和粉末数量的波动通常会导致工具恢复部分出现严重的几何偏差。这项工作提出了一种基于机器学习的新型预测方法，该方法使用与工艺参数和执行的几何形状相关的特征来表征路径。该方法的优势已在刀具路径上得到验证，刀具路径通常表征工具翻新过程。© 2022 作者。由 Elsevier Ltd 代表 CIRP 出版。这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons.org/licenses/by/4.0/）