XiaoMi-AI文件搜索系统
World File Search Systemderivation
用于军事模拟的地理特定地形建模
特定地理地形模型是用于创建现有现实世界环境的军事模拟的地理空间信息来源。这些模拟用于在不踏上地面的情况下获得态势感知并用于任务演练。特定地理地形模型由仅表示裸地高程的数字地形模型 (DTM)、正射影像层和基本要素层（如建筑物足迹、森林、水和基础设施）组成。鉴于任务和行动的时间性质，重要的是通过开发半自动特定地理地形建模流程尽可能缩短特定地理地形模型的生产周期。考虑到不同数据精度、货币和比例之间的相关性，从各种来源的现有数据创建特定地理地形模型具有挑战性。此外，从更常见的数字表面模型 (DSM) 中推导出 DTM 仍然是一个反复研究的课题，该模型仍然包括所有地面物体，例如建筑物和森林，并且没有灵丹妙药。在创建外国领土上的地理特定地形模型时，卫星图像是唯一保证准确和最新信息的来源，因为它是商业上可用且几乎覆盖全球的。因此，研究使用 WorldView-2 卫星提供的最先进的立体卫星图像作为推导所有必需的地理特定地形模型层的单一输入源。
评估用于提取数字地形的选定方法...
除了从立体数据生成数字表面模型 (DSM) 之外，从卫星立体影像生成 3D 城市模型的下一个关键步骤是将城市 3D 对象与地面分离。为此，最常用的方法是从 DSM 派生所谓的数字地形模型 (DTM)。理想情况下，DTM 应仅包含城市对象所在的地面。由于从太空只能看到对象的表面，因此必须开发复杂的方法来获取裸露地面的信息。本文介绍并评估了从 DSM 中提取 DTM 的选定方法。通过将这些方法应用于合成生成的 DSM 来进行评估。这些合成 DSM 是地面和置于其上的典型城市对象的组合。DTM 提取方法的应用反过来应该尽可能好地恢复原始地面模型。此外，获得的 DTM 和城市物体轮廓的总和应该重建原始 DSM。城市物体的轮廓通常被称为归一化数字高程模型 (nDEM)。但一般来说，DSM = DTM + nDEM 方程并不总是有效的——尤其是对于位于山坡上的建筑物。如果 nDEM 只是 DSM – DTM 的差值，那么 DTM 中包含的山坡将反映在建筑物的屋顶上。因此，还提出并测试了一种从 DSM 和 DTM 推导 nDEM 的高级方法。
IBM Maximo Asset Configuration Manager
Maximo Asset Configuration Manager 确保资产的实际物理构建满足允许配置的要求。其构建数据解释器 (BDI) 为飞机和其他配置管理资产提供全面的状态推导。例如，构建数据解释器逐个位置检查实际飞机，以确保其配置规则符合其指定配置。构建数据解释器报告 Assets (CM) 应用程序中不合规资产的状态。它还通过各种应用程序中的颜色编码数据向您发出问题资产的警报。
客户成功故事，使PLM，ERP和MES Systems之间无缝集成
Technossus还开发了ERP系统和MES系统之间的双向数据集成，从而可以维护产品零件项目Masters和Manufacting Boms，并最新制造BOMS，以及每个工程更改的更新配置更改。集成提供了在商店地板运营与材料需求计划之间的协作渠道，并支持生产订单和库存交易集成。基于MES活动到ERP系统的Shoploor资源使用信息的提要允许对资源进行更准确的计划和财务成本的推导。
电子产品
单元 1：放大器 16 小时 多级放大器：多级放大器的需求和使用、总增益、级联与共源共栅。RC 耦合放大器。达林顿放大器 - 电路、电流增益、Zi、Zo、优点。功率放大器：电压与功率放大器、功率放大器的需求、分类 A 类、C 类（仅提及）B 类：推挽放大器、工作、效率（推导）、交叉失真、谐波失真、互补对称（无变压器）。比较。调谐放大器：需要单调谐和双调谐、工作、频率响应曲线、优点和缺点、耦合说明。JFET - 类型 - p 沟道和 n 沟道、工作和 IV 特性 - n 沟道 JFET、参数及其关系、BJT 和 JFET 的比较。共源放大器、MOSFET：E&D、MOSFET – n 沟道和 p 沟道、构造、工作、符号、偏置、漏极和传输特性、CMOS 逻辑、CMOS 反相器 - 电路、工作和特性。单元 2：反馈放大器和振荡器 10 小时反馈：反馈类型正反馈和负反馈、框图、反馈对 Av、BW、Zi 和 Zo 的影响（仅适用于电压串联反馈放大器电路）。振荡器的需求；正反馈、储能电路 – 振荡、谐振频率。巴克豪森振荡准则、LC 调谐振荡器 - Colpitts 和 Hartley 振荡器、振荡频率（无推导）、最小增益、优点和缺点、RC 振荡器 - 相移和 Wein 桥振荡器（无推导）、频率和最小增益、晶体振荡器、压电效应、等效电路、串联和并联谐振电路、Q 因子。非正弦振荡器：非稳态多谐振荡器，工作波形，频率公式（仅提及），单稳态多谐振荡器，双稳态多谐振荡器（触发器概念）。 单元 3：集成电路 04 小时 IC555 框图和引脚图。 IC555 应用 - 非稳态（推导）和单稳态多谐振荡器，压控振荡器。 施密特触发器。 IC 稳压器：LM317，IC78XX，79XX 系列（框图） 单元 4：运算放大器（Op-Amp） - 理论与应用 11 小时 Op-Amp 框图，引脚图 IC741，规格，理想和实际运算放大器参数的特性 - 输入偏置电流，输入失调电压，输出失调电压，CMRR，斜率 SVRR，失调零，开环运算放大器限制，闭环运算放大器。负串联反馈放大器的框图，反相和非反相反馈电路，增益，R if ，R of 。虚拟接地，单位增益带宽积。应用：加法器 - 反相和非反相，减法器，比例变换器，缓冲器，积分器，微分器（理想和实用）。比较器，过零检测器，有源滤波器 - 巴特沃斯一阶低通、高通、带通、带阻、全通滤波器。二阶滤波器（仅提及）。自学：04 小时 IC 制造技术。推荐教科书 1、运算放大器和线性电路，Ramakanth Gayakwad PHI，第 5 版，2015 年。2. 应用电子学教科书，RS Sedha
俄罗斯代表形容词构造的二元组的定量方法
natalia bobkova - Clle，CNRS和ToulouseUniversitéde toulouseJaurèsFabioMonterni - Clle，CNRS和ToulouseJeanJaurès大学摘要本文致力于罗素（Russian）派生形容词中的后缀之间的竞争。，它提出了基于俄罗斯国家语料库的大规模定量分析。它的主要目标是为确定确定这些衍生物中后缀选择的属性做出贡献。俄罗斯的代名词形容词派生使用了各种各样的指数。其中大多数是三个主要后缀的语音变体（扩展）-n-， - SK-和-OV-。后者可以被认为是基本的，构成了我们分析的重点。为这项研究构建了两个数据集，其中一个包含上面的后缀之一，一个更具体的包含Doublet的数据集，即形容词在同一基础上具有不同后缀。通过各种统计模型分析了两组的数据。我们的结果在全球范围内提供了对先前文献中先前进行的观测值的定量确认。特别是，我们表明-n-在俄罗斯的衍生系统中占有特定的位置，因为它的生产力较低，其衍生物倾向于较不透明，并且更容易显示词汇化的含义，这些含义指向朝向定性 - 相关语义谱的定性极点。- SK-和 - OV-更可能形成双重峰（附着在相同的基础上），这是一个进一步的论点，支持它们之间更大的同质性，而不是-n-。关键字：俄语，衍生形态，代表形容词，定量语言学，语料语言学，统计方法的统计方法1.引入俄罗斯名词中形容词的推导是观察和分析词缀竞争的有趣基础。代名词形容词（我们可能在全球范围内将其表征为具有关系价值）实际上可能是通过这种语言来得出的，主要是通过三种不同的后缀 - n-， - sk-和 - ov-或多个变体，基本上扩展了后者的变体。文献中已经进行了几次尝试，以隔离确定选择一个或其他后缀 /变体的因素，以绝对或倾向（参见< / div>）Townsend 1975; Švedova1980; Zemskaja 2015; Hénault＆Sakhno 2016等）。 确定的因素包括基本名词和衍生物的语音，形态学，语义和词源特性，或与两者之间关系相关的特性。 然而，除了对小词汇集的一些研究外，仍然缺乏对这种现象的观察。 我们在本文中进行的研究是对俄罗斯代表形容词进行大规模分析的方向的第一步。 我们的主要目标是构建强大的统计模型，以预测相关派生中的后缀的选择。 特别是，我们从俄罗斯国家语料库中构建了两个不同的数据集：一般形容词的一般数据集，其中包含上面列出的主要后缀之一，以及在语料库中遇到的所有Doublet的数据集，即>Townsend 1975; Švedova1980; Zemskaja 2015; Hénault＆Sakhno 2016等）。确定的因素包括基本名词和衍生物的语音，形态学，语义和词源特性，或与两者之间关系相关的特性。然而，除了对小词汇集的一些研究外，仍然缺乏对这种现象的观察。我们在本文中进行的研究是对俄罗斯代表形容词进行大规模分析的方向的第一步。我们的主要目标是构建强大的统计模型，以预测相关派生中的后缀的选择。特别是，我们从俄罗斯国家语料库中构建了两个不同的数据集：一般形容词的一般数据集，其中包含上面列出的主要后缀之一，以及在语料库中遇到的所有Doublet的数据集，即形容词在同一底座上用不同的后缀构建。实际上我们将表明的是，对双重组的研究可能会阐明系统的全球动态，特别是当这样的
IBM Maximo Asset Configuration Manager
Maximo Asset Configuration Manager 确保资产的实际物理构建满足允许配置的要求。其构建数据解释器 (BDI) 为飞机和其他配置管理资产提供全面的状态推导。例如，构建数据解释器逐个位置检查实际飞机，以确保其配置规则符合其指定配置。构建数据解释器报告 Assets (CM) 应用程序中不合规资产的状态。它还通过各种应用程序中的颜色编码数据向您发出问题资产的警报。
基于机器学习的预测儿科心脏手术后急性肾脏损伤：模型开发和验证研究
背景：心脏手术相关的急性肾损伤（CSA-AKI）是儿科心脏手术后的主要并发症，这与发病率和死亡率的增加有关。手术前后对CSA-AKI的早期预测可以显着改善围手术期间的预防和治疗策略的实施。但是，关于如何识别CSA-AKI高风险的小儿患者的临床信息有限。目的：该研究旨在开发和验证机器学习模型，以预测儿科人群中CSA-AKI的发展。方法：这项回顾性队列研究招募了1个月至18岁的患者，他们在中国南部南大学的3个医学中心接受了心肺旁路手术。CSA-AKI是根据2012年肾脏疾病的定义：改善了全球结果标准。特征选择分别应用于2个数据集：术前数据集以及术前和术中数据集。测试了多个机器学习算法，包括K-Nearest邻居，天真的贝叶斯，支持向量机，随机森林，极端梯度增强（XGBoost）和神经网络。通过使用接收器操作特征曲线（AUROC）下的区域（AUROC），在交叉验证中确定了最佳性能模型。使用Shapley添加说明（SHAP）方法生成模型解释。结果：其中一个中心的3278名患者用于模型推导，而另外2个中心的585例患者用作外部验证队列。CSA-AKI发生在衍生队列中的564例（17.2％）中，外部验证队列中的51例（8.7％）患者发生。在考虑的机器学习模型中，XGBoost模型在交叉验证中实现了最佳的预测性能。仅使用术前变量的XGBoost模型的AUROC为0.890（95％CI 0.876-0.906），在外部验证队列中为0.857（95％CI 0.800-0.903）。包括术中变量时，AUROC分别增加到0.912（95％CI 0.899-0.924）和0.889（95％CI 0.844-0.920）。Shap方法表明，基线血清肌酐水平，灌注时间，身体长度，手术时间和术中失血是CSA-AKI的前5个预测因子。结论：可解释的XGBOOST模型为CSA-AKI的早期预测提供了实用的工具，CSA-AKI对于正在进行心脏手术的小儿患者的风险分层和围手术期管理非常有价值。
