XiaoMi-AI文件搜索系统
World File Search Systemestimator
眼控制鼠标光标
瑜伽近年来已成为世界各地许多人生活的常规部分。这对必要的瑜伽姿势进行了科学研究。瑜伽姿势估计是一种计算机视觉技术，可以预测人体的位置或姿势。姿势检测算法已被证明可用于姿势识别和提高瑜伽姿势的准确性。在当今的现代时代，ML和DL技术已被证明对于对象发现任务很重要。我们可以有效地使用该模型来识别不同重要的身体部位并实时估算用户姿势。为实现这一目标，我们用不同的瑜伽姿势图像训练模型。当图像被送入姿势估计模型时，它通过执行特征提取来分析图像并识别身体部位，表明其在屏幕上的位置。此外，该模型为每个检测提供了一个置信值，表明给定图像正确识别为输入的可能性。我们使用了不同的瑜伽姿势，例如骆驼姿势，下dog姿势，女神姿势，木板姿势，树姿势，Warrior2姿势来训练该模型，这使其在识别各种姿势方面非常准确。这项研究的主要目标是使用此检测技术来帮助人们确定他们正在执行的瑜伽姿势。此外，我们还解决了当前系统的缺点，例如它们的准确性差，高处理成本以及对各种身体形状和瑜伽样式的适用性限制。在本文中，我们提出了一种基于卷积神经网络（CNN）的方法来创建瑜伽立场检测系统。建议的技术旨在通过提供更精确，有效和广泛适用的解决方案来识别瑜伽姿势和产生反馈的方法，以改善当前系统的缺点。总体而言，基于技术的工具在我们的研究中的应用可能有助于设计更多定制和成功的瑜伽实践。我们的发现可以帮助构建虚拟助手和智能瑜伽垫等应用程序，从而改善瑜伽实践的可访问性和个性化。
2024-2025 医学院费用估算表
KAPLAN 董事会预科费用（第 1 年） $ 1 8 7 / 学期听诊器 $ 6 0 6 / 年健康保险 $ 2 , 6 7 7 / 学期可豁免（有可比承保范围）膳食计划选项SMEA LPLANS 是医学院学生的可选计划所有访问 $ 3 , 4 2 0 / 学期
材料碳排放估计器（MCE2）
MCE 2的重点是材料碳排放（通常称为“前期体现的碳”），该碳排放量直接由收获和生产建筑材料引起的排放量。在2021年，加拿大自然资源发布了一份报告，得出结论，低层住宅建筑物可能导致平均150公斤（kg）的二氧化碳等效含量（CO 2 E）每平方米的地板面积（28吨28吨）（28吨的2,000平方英尺房屋）。1将这一估算值乘以加拿大每年建造的所有低层住宅建筑，总计8到900万吨排放量，相当于大约三个燃煤电厂。该报告还表明，根据材料的选择，对于相同设计和能源性能的房屋，材料碳排放（MCE）可能高达513，或低至2，kg Co 2 E/m 2。这种差异强调了MCE对实现排放降低目标的重要性。
一种新的数据收集指数型比率估计器...
系统抽样是有限总体调查中常用的概率设计，参见 WG Madow 和 LH Madow”[1]。除了简单之外，系统抽样提供的估计量对于某些类型的总体来说比简单随机抽样或分层随机抽样更有效。Hajeck [2]、Cochran [3] 和 Gautschi [4]。后来，利用辅助变量信息估计总体均值的问题也得到了许多作者的讨论，其中包括 Quenouille [5]、Hansen 等人[6]、Swain [7]、Banarasi 等人[8]、Kadilar 等人[9]、Robson [10]、Singh 等人[11]、Singh 等人[12]、Singh 等人[13]、Singh 等人[14]、Kushwaha 等人[15]和 Khan 等人。 [16]、Khan 等人 [17]、Singh [18]、Shukla [19]、Koyuncu 等人 [20]、R. Singh 等人 [21]、R. Singh 等人 [22]、Bahl 等人 [23]、Srivastava 等人 [24]、Tailor 等人 [25] 和 Ozel Kadilar 等人 [26]。考虑一个大小为 N 个单位的有限总体。从第一个单位和每个后续单位中随机抽取大小为 n 的样本，则 N = 其中和为正整数，因此，将有大小为的样本，并观察样本中选定的每个单位的研究变量和辅助变量。令表示第个样本中第个单位的值。然后，系统样本均值定义如下：和总体均值的无偏估计量，为了获得一阶近似的估计量，使用以下误差项：
使用机器学习在仓库机器人中优化自动采摘系统
许多领域的科学家，包括基因组学，材料科学和遥感，需要分析越来越多的数据[1、4、8、9]。科学工作流程系统促进了此类分析的自动化，使科学家能够从黑框任务中构成管道，并具有数据依赖性。由于这些工作流程通常用于处理大量数据，因此它们往往是资源密集型和长期运行的，从而导致大量的能源消耗，因此会导致碳排放。此外，大数据应用程序的日益普及已被确定为ICT行业排放量不断增加的驱动力[5]。因此，量化和理解科学工作流的碳足迹至关重要。诸如NextFlow [2]之类的科学工作流系统，允许在异质群中进行工作流程，执行和监视。尽管这些系统通常为执行的工作流程生成详细的性能跟踪和日志，但它们不会产生消耗或碳发射的能量记录。因此，用户必须用硬件/软件电表手动监视功耗，否则使用诸如Cloud Car-Bon Footprint（CCF）1或绿色算法（GA）[7]之类的方法，该方法采用线性功率模型将资源利用转化为能量消耗。在任何一种情况下，要将消耗的能量转化为发射的碳，用户需要一定量的碳强度（CI），例如年平均值或更细粒度的度量。没有此步骤，只能基于粗粒度资源利用度量来估算功耗。一般而言，CI测量每千瓦时消耗的电力（每千瓦时）产生的碳量（𝐶𝑂2）的量，并且根据产生电力的来源以及对电网的需求而在不同位置，季节和时间之间有所不同。实际上，监视功耗要求用户附加物理功率计或在执行工作流程之前启用基于软件的工具，例如英特尔的运行平均电源限制（RAPL）。这是可以使用CCF和GA工具的，但仅以降低的精度。两种方法都假定能源消耗线性缩放，这不一定在实践中存在[6]。更重要的是，为了构建线性功率模型，GA方法依赖于指定的计算资源的供应商指定的热设计功率（TDP），这是一个不反映关键处理器设置（例如处理器频率）的专有度量，并不表示IDLE功能消耗。此外，尽管两种方法都将功耗转移到碳排放中，但它们使用静态平均值来表示计算工作量消耗的电力CI，而忽略了CI通常是高度可变的。
通过 Samplizer 实现时间高效的量子熵估计器
一个用于 S α ( ρ ) 的量子估计器，当 0 < α < 1 时，时间复杂度为 e O ( N 4 /α − 2 )，当 α > 1 时，时间复杂度为 e O ( N 4 − 2 /α )，改进了之前由 Acharya、Issa、Shende 和 Wagner (2020) 提出的用于 0 < α < 1 时的最佳时间复杂度 e O ( N 6 /α ) 和用于 α > 1 时的最佳时间复杂度 e O ( N 6 )，尽管样本复杂度会略有增加。此外，这些估计器可以自然扩展到低秩情况。我们还提供了用于估计 S α ( ρ ) 的样本下限 Ω(max { N/ε, N 1 /α − 1 /ε 1 /α })。从技术上讲，我们的方法与以前基于弱 Schur 采样和杨氏图的方法有很大不同。我们构建的核心是一种名为 samplizer 的新工具，它可以仅使用量子态样本将量子查询算法“采样”为具有类似行为的量子算法；这表明了一个估计量子熵的统一框架。具体来说，当量子预言机 U 对混合量子态 ρ 进行块编码时，任何使用 Q 个 U 查询的量子查询算法都可以使用 e Θ ( Q 2 /δ ) 个 ρ 样本采样为 δ 接近（在钻石范数中）的量子算法。此外，这种采样被证明是最优的，最多可达多对数因子。
基于 非参数 感应 电机 转子 磁链 估计 器 的 研究 .
基于电流模型和电压模型的传统感应电机转子磁通观测器对参数不确定性很敏感。本文提出了一种基于前馈神经网络的非参数感应电机转子磁通估计器。该估计器无需电机参数即可运行，因此不受参数不确定性的影响。该模型采用 Levenberg-Marquardt 算法离线训练。所有数据收集、训练和测试过程均在 MATLAB/Simulink 环境中完成。训练过程中强制迭代 1,000 个时期。此建模过程总共使用了 603,968 个数据集。该四输入两输出神经网络模型能够为磁场定向控制系统提供转子磁通估计，其误差为 3.41e-9 mse，训练时间为 28 分 49 秒。该模型在参考速度阶跃响应和参数不确定性下进行了测试。结果表明，所提出的估计器改进了电压模型和电流模型转子磁通观测器的参数不确定性。
基于非参数感应电机转子磁链估计器...
基于电流模型和电压模型的传统感应电机转子磁通观测器对参数不确定性很敏感。本文提出了一种基于前馈神经网络的非参数感应电机转子磁通估计器。该估计器无需电机参数即可运行，因此不受参数不确定性的影响。该模型采用 Levenberg-Marquardt 算法离线训练。所有数据收集、训练和测试过程均在 MATLAB/Simulink 环境中完成。训练过程中强制迭代 1,000 个时期。此建模过程总共使用了 603,968 个数据集。该四输入两输出神经网络模型能够为磁场定向控制系统提供转子磁通估计，其误差为 3.41e-9 mse，训练时间为 28 分 49 秒。该模型在参考速度阶跃响应和参数不确定性下进行了测试。结果表明，所提出的估计器改进了电压模型和电流模型转子磁通观测器的参数不确定性。
实施数字碳足迹排放估计器和移动设备的预测指标
摘要 - 随着数字化的激增和技术的不断增加，数字碳足迹的大幅增加。普通人至少对行业，油耗产生的碳足迹有某种认识。，但许多人甚至没有考虑他们的手机如何促进一种称为数字碳足迹的特殊碳足迹。本文提出了一个旨在检测单个用户不同应用程序的屏幕时间的应用程序，从而计算和考虑用户的整体碳足迹。为了预测用户可以生成的未来碳足迹，设计了机器学习模型。这项研究的主要目的是探索各种来源，并收集有关不同移动应用程序产生的数字碳足迹的信息，测量单个应用程序的屏幕时间，从而计算数字碳足迹。应用程序生成了单个应用程序的数字碳足迹，并通过考虑所有应用程序的贡献并预测其未来价值来显示数字碳足迹的累积价值。
tiscc：陷阱离子处理器的表面代码编译器和资源估计器
我们介绍了Trapped-ION Surface Code Compiler（TISCC），这是一种软件工具，该软件工具可根据本机捕获 - 离子门集生成一组通用表面代码补丁操作的电路。为此，TISCC管理着被困的离子系统的内部表示，其中捕获区域和连接处的重复模式被安排在任意大的矩形网格中。表面代码操作是通过在网格上实例化表面代码贴片来编译的，并使用方法对数据量量的横向操作，对稳定器plaquettes进行误差校正和/或相邻贴片之间的晶格手术操作进行了横断面。除了实现基本的表面代码仪器集之外，TISCC还包含角移动功能和单独使用离子运动实现的补丁翻译。在后一种情况下，所有TISCC功能都可以扩展到类似网格的硬件体系结构。TISCC输出已使用Oak Ridge Quasi-Clifford Simulator（ORQC）验证。