XiaoMi-AI文件搜索系统
World File Search Systembootstrap
drv3233-q1汽车24/12-V电池3相门驱动器单元具有准确的电流感应和增强的诊断数据表（Rev. a）
•AEC-Q100有资格用于汽车申请 - 温度选项： - drv323333php：–40°C至 +150°C，T A - DRV3233QPHP（预览）：–40°C：–40°C至 +125°C， +125°C，t•功能安全系统 - 可实现的系统范围262 26226262226262222222. up to ASIL D targeted • Three phase half-bridge gate driver – Drives six N-channel MOSFETs (NMOS) – 4.5 to 60-V wide operating voltage range – Bootstrap architecture for high-side gate driver – Charge pump for 50mA average gate current – 100% PWM duty cycle support – Overdrive supply of external switches • Smart Gate Drive architecture – 45-level configurable peak gate drive current up to 1000 / 2000-mA (source / sink) – Three-step dynamic drive current control – Soft shutdown for power stage protection • Low-side Current Sense Amplifier – Sub-1 mV low input offset across temperature – 9-level adjustable gain • SPI-based detailed configuration and diagnostics • DRVOFF pin to disable driver independently • High voltage wake up pin (nSLEEP) • Multiple PWM interface options available – 6x, 3x, 1x PWM Modes – PWM over SPI • Supports 3.3-V, and 5-V Logic Inputs • Optional programmable OTP for reset settings • Advanced and configurable protection features – Battery and power supply voltage monitors – Phase feedback comparator – MOSFET V DS and R sense over current monitors – Analog Built-In-Self-Test, Clock monitors – Fault condition indicator pin
机器学习辅助识别具有不确定性的精确电池寿命型
降低的电池寿命模型由各种老化模式的代数表达式组成，被广泛用于外推降解趋势，从加速老化测试到现实世界中的老化场景。识别高准确性和低不确定性的模型对于确保模型外推可以可信至关重要，但是，很难构成准确预测多元数据趋势的表达式。对文献的循环退化模型的回顾揭示了各种功能关系。在这里，一种机器学习辅助模型识别方法用于在一个出色的LFP-gr衰老数据集中降级，并通过Bootstrap重新采样量化了不确定性。这项工作中确定的模型导致了人类专家模型的平均绝对误差的一半。模型通过转换为状态方程式并比较在不同负载下对细胞衰老的预测进行验证。参数不确定性被带入一个储能系统模拟中，以估计衰老模型不确定性对系统寿命的影响。此处使用的新模型识别方法可将人寿预测的不确定性降低3倍以上（人类杂货模型10年时的相对容量为86％±5％，机器学习辅助模型为88.5％±1.5％），赋予能力储存系统生命周期的更耐心估计的能力。©2022作者。由IOP Publishing Limited代表电化学学会出版。[doi：10.1149/1945-7111/ac86a8]这是根据Creative Commons Attribution 4.0许可（CC by，http://creativecommons.org/licenses/ by/4.0/）分发的开放式访问文章，如果原始工作适当地引用了原始作品，则可以在任何媒介中不受限制地重复使用工作。
v2.3 发布说明 - 水文工程中心
有效记录长度 (ERL) 可定义为“产生与给定的历史数据和系统数据组合相同的均方误差 [或分位数方差] 的系统数据的年数”（Cohn and Stedinger，1986 5）。当所有输入数据都是系统的（即精确的）时，ERL 就等于记录长度。当某些输入数据包含流量间隔、删失或区域偏差信息时，ERL 是未知的，必须进行估算。存在各种基于随机（蒙特卡罗）的方法，用于对分析流量频率曲线中的不确定性进行建模。这些模型通常用于支持各种风险知情决策。一些示例包括流域分析工具 (HEC-WAT 6 )、洪灾减少分析 (HEC-FDA 7 ) 和水库频率分析 (RMC-RFA 8 )。 ERL 通常用作输入参数，使用诸如引导法（Efron，1979 9 ）或参数抽样分布（USACE，2016 ）等技术对流量频率曲线中的不确定性进行建模。版本 2.3 中添加了一种新的 ERL 计算方法，当包含流量间隔、审查和/或区域偏差信息时，该方法可以计算出更准确的 ERL 估计值，如下图所示。有关此更改以及示例应用程序的更多信息，请参见此处 10 。
SGM4890
SGM4890一般说明SGM4890是1.1-W，完全集成的音频功率放大器。它旨在最大程度地提高便携式应用程序（例如手机）中的音频性能。便携式应用程序需要音频功率放大器具有最少的外部组件，并且可以从单个2.5V到5.5V电源运行。sgm4890能够在5.0V电源中驱动8Ω扬声器时，能够以少于1％的失真为1％的连续输出功率。SGM4890具有低功率消耗的关闭模式，这是通过以逻辑低的方式驱动关闭引脚来实现的。此外，SGM4890具有内部热关闭保护机制。SGM4890不需要输出耦合电容器或引导电容器，因此非常适合手机和其他低压应用，在这些应用中，最小功耗是主要要求。为了最大程度的灵活性，SGM4890提供了外部控制的增益（带有电阻器）以及外部控制的转交时间（带有旁路电容器）。使用1µF旁路电容器时，当V +等于5.0V时，它提供110ms的唤醒时间。SGM4890在CSP-9和MSOP-8软件包中可用。它在–4 0℃至+85℃的环境温度范围内运行。应用程序便携式系统mp3播放器手机PDAS GPS
火星上产氢殖民地的可行性研究。
一个技术成熟的火星殖民地每年可以生产并运送至少 100 万吨液态氢到一个或多个低地球轨道 (LEO) 的推进剂库。在火星殖民地生产 1 公斤氢气并将其运送到 LEO 需要在火星上消耗 1.4 GJ 的能量。LEO 推进剂库包含在火星上生产的氢气以及在月球或近地小行星上生产的氧气。这种推进剂用于将有效载荷从 LEO 运送到太阳系的许多目的地，包括火星。将 1 公斤有效载荷从 LEO 运送到火星需要在火星、月球和近地小行星上消耗 3.5 GJ 的能量。使用在火星上生产的液态氢将宇航员和有效载荷运送到火星可确保火星殖民地的指数级引导增长。火星殖民地和向 LEO 运送数百万吨液态氢是太阳系殖民的关键。火星殖民地只有发展到相当规模后才会开始向低地球轨道输送液态氢。它的结构和材料中应包含约 2000 万吨钢铁和 300 万吨塑料，以及数千名宇航员。在此之前，低地球轨道氢沉积物将由月球两极的氢气供应。
系统建模在人工智能中的作用
近年来，人工智能 (AI) 取得了长足的进步，改变了医疗保健、金融、能源管理和交通运输等众多行业和应用 [1]。随着人工智能系统变得越来越复杂并融入各个领域，人们越来越需要全面了解其底层流程、机制和交互。系统建模提供了一种强大的方法来表示、分析和优化复杂的人工智能系统 [2]，[3]。系统建模是工程、经济学和社会科学等各个领域的一项重要实践，有助于更好地理解复杂系统的行为并做出预测。人工智能 (AI) 的进步极大地增强了系统建模的实践，为数据分析、模型构建、模型验证、模型细化和模型可视化提供了新技术和工具。人工智能可以帮助分析系统建模中经常涉及的大规模异构数据集，从而提供更准确的模型和预测 [4]。人工智能还可以使用神经网络 [5]、遗传算法 [6] 或贝叶斯网络 [7] 等技术自动构建系统模型，与手动构建模型相比，可以节省时间和精力。此外，人工智能还可以使用交叉验证 [8]、引导 [9] 或对抗性示例 [10] 等技术帮助验证系统模型，确保
注释引导：一种自我增强方法的视觉预训练
尽管在野外有大量未标记的图像，但在原始图像数据上进行了可扩展的视觉预训练仍然是一个挑战。像素重建之类的通用配方努力为有效捕获详细的语义而努力，而在增强图像视图之间保持一致性的方法优化依赖于未经保育数据（如Web Crawls或视频框架）中不存在的归纳偏见。我们如何从广泛的未标记的IMEAL数据集中更有效地学习？我们研究注释引导程序，这种方法学会了将图像关联到示意注释，并使用未标记的数据来引导模型的理解，通过对图像附近农作物的语义进行预测。关键的优势在于它具有规格（哪些语义概念很有趣？）从预测中（这些概念发生在自然图像数据中？）。我们表明，注释引导使我们能够通过策划的未标记数据集或弱监督的数据集指导预训练，同时通过自举损失从所有未经切割的图像数据中学习。我们的实验证明了对野外未标记图像的预先培训的改进，包括视频数据，例如epickitchens，Coco等场景数据以及CC12M（例如CC12M）。
识别基于统计分布的加速老化测试期间LFP/C电池的机理一致性
这项研究建立了一种新的方法，可以研究加速的衰老测试是否可以在短时间内准确地对现实的细胞衰老进行建模，同时还可以维持所涉及的衰老机制的一致性。作为效率和一致机制之间的权衡，加速衰老的应用需要仔细选择应力因素，以确定操作范围和与衰老相关的应激因素的重要性。基于为43个月的日历老化测试和10个月循环老化测试设计的三个级别的主要应力因素，这项工作旨在应力排名，并指示用于商业LFP/C电池的合适的操作间隔，并采用了两种最受欢迎的电池寿命分布，即电池，即logormormal and weibull。锂离子电池的统计分布是通过非线性混合效应（NLME）模型的排放能力损失来实现的。结果证明，对数正态是首选模型，并且随着更深的衰老，尤其是在日历老化中，右链的Weibull变得更加明显。得出了由一致加速因子引导的分布参数的进化定律。基于寿命样本的NLME模型的似然比参数bootstrap方法始终产生，以高于47.5℃的温度来测试条件，而循环衰老的平均收费（SOC）高于72.5％的平均电荷（SOC）会导致不同的生活行为。相比之下，SOC水平和较高温度的组合不会导致日历老化机制的变化。温度是最显着的应力，其次是温度耦合的循环深度和SOC水平。此方法可以提供参考，以制定合理的测试计划，以检测电池的性能以更准确地预测其生活。
使用2015年CHARLS数据建立并验证中国中老年人高脂血症风险预测模型
结果：6 629名中老年人高脂血症患病率为26.32%（1 745/6 629）。LASSO回归和多因素Logistic回归分析均显示，体质指数（BMI）、空腹血糖、血尿酸、C反应蛋白、白细胞计数是该人群高脂血症的独立危险因素（比值比（OR）大于1，p值小于0.05）。据此构建列线图预测模型，用于估计中老年人高脂血症的风险。列线图的受试者工作特征（ROC）曲线下面积（AUC）为0.717（95%可信区间（CI）：0.703～0.731），判别能力良好。决策曲线分析 (DCA) 表明当中老年人群患高脂血症的概率在 0.11 至 0.61 之间时，应用列线图可获得最高净收益，表明列线图模型具有良好的临床适用性。Spiegelhalter 的 z 统计量检验证实，列线图模型的预测概率与观察到的高脂血症频率具有很好的一致性（p = 0.560）。列线图模型的 Brier 评分为 17.1%，低于 25% 的阈值，表明校准性良好。为了内部验证列线图模型，我们进行了 500 次引导重采样。来自
脑转移分割网络，训练有鲁棒性，对带有多个假阴性的注释
深度学习已被证明是医学图像分析的重要工具。但是，需要准确标记的输入数据，通常需要专家的时间和劳动密集型注释，这是对深度学习使用的主要限制。解决这一挑战的一种解决方案是允许使用粗或嘈杂的标签，这可以允许图像的更有效，可扩展的标签。在这项工作中，我们根据熵正则化开发了偏斜的损失函数，该熵正规化假定目标注释中存在非平凡的假阴性率。从经过精心注释的脑转移病变数据集开始，我们通过（1）随机审查带注释的病变，并系统地审查最小的病变，从而用假阴性模拟数据。后者更好的模型真正的医师错误，因为较小的病变比较大的病变更难注意到。即使模拟的假阴性率高达50％，将我们的损失函数应用于随机审查数据的最大敏感性在基线的97％（未经审查的培训数据）下保留，而标准损失函数仅为10％。对于基于尺寸的审查制度，绩效从当前标准的17％恢复为88％，而我们的自举损失损失。我们的工作将与图像标记过程的更有效的缩放相同，并与其他方法并行，以创建更多效果的用户界面和注释工具。关键字：脑转移，细分，深度学习，假阴性，嘈杂标签