XiaoMi-AI文件搜索系统
World File Search Systemgorithms
开发用于睡眠指导计划的对话式人工智能
世界上将近 30% 的成年人口正在经历或曾经经历过失眠。失眠的认知行为疗法 (CBT-I) 是最有效的治疗方法之一，但它在可访问性和可用性方面存在限制。利用技术是可能的解决方案之一，但现有方法忽略了对话方面，而对话在睡眠治疗中起着至关重要的作用。为了解决这个问题，我们提出了一个博士项目，探索开发对话人工智能 (AI) 用于睡眠指导计划的潜力，该计划受 CBT-I 治疗启发。这个博士项目旨在开发自然语言处理 (NLP) 算法，让系统自然地与用户交互，并提供自动分析系统来支持人类专家。在本文中，我们介绍了睡眠指导计划三个阶段的研究问题：分类、监测进度和提供指导。我们希望该研究项目的成果能够为 NLP 和 AI 的研究领域以及医疗保健领域做出贡献，提供更为便捷、实惠的睡眠治疗解决方案和自动分析系统，以减轻人类专家的负担。
建筑自动化 - -ORCA - 卡迪夫大学
人工智能 (AI) 方法和技术已被用于解决建筑、工程和施工 (AEC) 行业中的各种工程问题，旨在提高整体生产力并优化整个项目生命周期（规划、设计、施工和维护）的决策。然而，由于缺乏对固有不确定性的全面理解（从根本上和数学上），许多人工智能应用面临着不同的限制和约束，因此人工智能的使用尚未达到令人满意的水平。它需要采取不同的措施来应对不同类型的不确定性，这些不确定性因不同类型的应用而异。因此，本文回顾了 5 种流行的人工智能算法，包括主成分分析、多层感知器、模糊逻辑、支持向量机和遗传算法；然后研究这些人工智能技术如何通过减轻不确定性来协助决策过程，同时实现预期的高效率。本文回顾了每一种相关的技术、数学解释、导致不确定性的原因分析，并总结了一套指南和一个应用框架，用于优化 AEC 应用的知情不确定性。这项工作将为根本理解铺平道路，进而为在 AEC 领域正确应用 AI 技术以实现更好的整体性能提供宝贵的参考。
全息量子计算：一种可扩展且误差较小的... - OSF
这项工作引入了全息量子计算，这是一种利用全息原理和 AdS/CFT 对应来解决量子信息处理中的关键挑战（例如可扩展性和纠错）的新范式。通过在高维空间的边界上全息编码量子信息，我们提出了一个框架，与传统的基于量子比特的方法相比，该框架在可扩展性和错误恢复方面有显著的改进。我们用于全息量子计算的综合理论模型包括构建全息量子纠错码，该码具有内在的纠错特性和较低的容错开销。我们提出了利用信息几何编码的新算法，例如弯曲空间上的量子行走和双曲图中的路径查找，展示了潜在的加速和资源效率。此外，我们还探索了在全息框架内实现标准量子算法，例如量子傅里叶变换 (QFT)。本文还详细介绍了使用模拟量子模拟器、超导量子比特阵列和混合经典量子系统的物理实现策略，重点介绍了实现全息量子计算机的实用途径。我们的结果表明，全息量子计算不仅增强了量子计算的能力，而且还深入了解了量子信息、时空和引力之间的基本联系。这种跨学科方法开辟了量子计算和基础物理学的新领域，为后量子密码学、量子模拟和加速科学发现提供了潜在的突破。
选择性学习，用于多...
在稀疏奖励任务中学习有效的策略是加强学习的基本挑战之一。这在多代理环境中变得极为困难，因为对多种代理的同意学习引起了非平稳性问题，并大幅增加了关节状态空间。现有作品试图通过经验共享来实现多代理的合作。但是，从大量共享经验中学习是不具备的，因为在稀疏的奖励任务中只有少数高价值状态，这可能会导致大型多区域系统中的维度诅咒。本文着重于稀疏的多项式合作任务，并提出了一种有效的体验共享方法，即MAST的选修课（MASL），以通过重新获得其他代理商的有价值的经验来促进样本良好的培训。MASL采用了一种基于倒退的选择方法来识别团队奖励的高价值痕迹，基于这些召回痕迹在代理之间生成并共享某些召回痕迹，以激发有效的外观。此外，MASL有选择地考虑来自其他代理商的信息，以应对非平稳性问题，同时为大型代理提供有效的培训。实验结果表明，与最先进的合作任务中的最先进的MARL Al-Al-gorithms相比，MASL显着提高了样本的效率。
利用贝叶斯网络进行排雷传感器建模和特征级融合
摘要—开发了一种获取传感器测量过程的贝叶斯网络 (BN) 表示的方法，以便从统一的角度处理传感器融合和管理问题。传感器数据中嵌入的不确定性、可靠性和因果信息用于构建传感器的 BN 模型。该方法用于为人道主义排雷建模探地雷达、电磁感应和红外传感器。采用结构和参数学习算法在 BN 模型中对地雷特征、传感器测量值和环境条件之间的关系进行编码。在存在异质土壤和不同环境条件的情况下，使用推理来估计目标特征。开发了一种基于 BN 模型的多传感器融合技术，以利用传感器测量值的互补性。通过相同的方法，可以获得 BN 分类器来估计目标类型。 BN 模型和分类器还计算所谓的置信度，以量化与特征估计和分类决策相关的不确定性。通过实施这些 BN 工具来检测和分类具有不同形状、大小、深度和金属含量特征的金属和塑料地雷，证明了该方法的有效性。通过 BN 融合，特征估计的准确度相对于单传感器测量提高了 64%，并且同时检测到和分类的物体数量增加了 62%。
利用贝叶斯网络进行排雷传感器建模和特征级融合
摘要—开发了一种获取传感器测量过程的贝叶斯网络 (BN) 表示的方法，以便从统一的角度处理传感器融合和管理问题。传感器数据中嵌入的不确定性、可靠性和因果信息用于构建传感器的 BN 模型。该方法用于为人道主义排雷建模探地雷达、电磁感应和红外传感器。采用结构和参数学习算法在 BN 模型中对地雷特征、传感器测量值和环境条件之间的关系进行编码。在存在异质土壤和不同环境条件的情况下，使用推理来估计目标特征。开发了一种基于 BN 模型的多传感器融合技术，以利用传感器测量值的互补性。通过相同的方法，可以获得 BN 分类器来估计目标类型。 BN 模型和分类器还计算所谓的置信度，以量化与特征估计和分类决策相关的不确定性。通过实施这些 BN 工具来检测和分类具有不同形状、大小、深度和金属含量特征的金属和塑料地雷，证明了该方法的有效性。通过 BN 融合，特征估计的准确度相对于单传感器测量提高了 64%，并且同时检测到和分类的物体数量增加了 62%。
使用间接太阳能烘干机对香蕉切片的干燥参数进行预后分析的高级机器学习开发
在这项研究中，使用了极端梯度提升（XGBoost）和光梯度提升（LightGBM）al-gorithms用间接太阳能干燥机的香蕉切片的干燥特性进行模型。建立了自变量（温度，水分，产品类型，水流量和产品质量）与因变量（能源消耗和降低）之间的关系。用于耗能，XGBoost在训练过程中以0.9957的r 2为0.9957，在测试过程中表现出优异的表现，在训练期间的最小MSE为0.0034，在训练期间为0.0008，在测试阶段表明高预测性获得率和低错误率。相反，LGBM显示较低的R 2值（0.9061训练，0.8809测试）和较高的MSE在训练过程中的MSE为0.0747，在测试过程中0.0337显示了0.0337，反映了较差的表现。同样，对于收缩预测，XGBOOST优于LGBM，较高的R 2（0.9887训练，0.9975测试）和较低的MSE（0.2527培训，0.4878测试）证明了LGBM。统计数据表明，XGBoost定期胜过LightGBM。基于游戏理论的Shapley功能表明，温度和产品类型是能源消耗模型的最具影响力的特征。这些发现说明了XGBoost和LightGBM模型在食品干燥操作中的实际适用性，以优化干燥调节，提高产品质量并降低能耗。
检索伪BRDF调整的表面反射率...
摘要。在卫星遥感应用中，增强了2级（L2）算法的精度，在很大程度上依赖于对紫外线（UV）（uv）的表面反射的准确估计（visible（vis）光谱。然而，L2算法与表面反射检索之间的相互依赖性构成了挑战，因此需要采取另一种方法。为了解决这个问题，许多卫星属性会产生兰伯特等效的反射性（LER）产品作为先验的表面反射数据。但是，这通常会导致这些数据低估。这项研究是使用半经验的双胎反射分布函数（BRDF）模型得出的背景表面反射（BSR）的适用性的第一个。这项研究将BRDF模型的应用在440 nm处的高光谱卫星数据进行了应用，旨在提供更现实的前段表面反射数据。在这项研究中，使用了地理环境监测光谱仪（GEMS）数据，对GEMS BSR和GEMS LER进行了比较分析显示，相对根平方误差（RRMSE）的精度有3％的相对根平方误差（RRMSE）的精度有所提高。此外，跨不同土地类型的时间序列分析表明，BSR比LER表现出更大的稳定性。为了进一步验证，使用地面真实数据将BSR与其他LER数据库进行了比较，从而产生
贝叶斯网络的排雷传感器建模和特征级融合
摘要— 开发了一种获取传感器测量过程的贝叶斯网络 (BN) 表示的方法，以便从统一的角度处理传感器融合和管理问题。传感器数据中嵌入的不确定性、可靠性和因果信息用于构建传感器的 BN 模型。该方法用于为人道主义排雷建模探地雷达、电磁感应和红外传感器。采用结构和参数学习算法对 BN 模型中的地雷特征、传感器测量值和环境条件之间的关系进行编码。在存在异质土壤和变化的环境条件的情况下，推理用于估计目标特征。开发了一种基于 BN 模型的多传感器融合技术，以利用传感器测量的互补性。通过相同的方法，可以获得 BN 分类器来估计目标类型。BN 模型和分类器还计算所谓的置信度，以量化与特征估计和分类决策相关的不确定性。通过实施这些 BN 工具来检测和分类具有不同形状、大小、深度和金属含量的金属和塑料地雷，证明了该方法的有效性。通过 BN 融合，特征估计的准确性相对于单传感器测量提高了高达 64%，并且同时检测和分类的物体数量增加了高达 62%。
排雷传感器建模和特征级融合... - LISC
摘要— 开发了一种获取传感器测量过程的贝叶斯网络 (BN) 表示的方法，以便从统一的角度处理传感器融合和管理问题。传感器数据中嵌入的不确定性、可靠性和因果信息用于构建传感器的 BN 模型。该方法用于为人道主义排雷建模探地雷达、电磁感应和红外传感器。结构和参数学习算法用于在 BN 模型中编码地雷特征、传感器测量值和环境条件之间的关系。推理用于在存在异质土壤和不同环境条件的情况下估计目标特征。开发了一种在 BN 模型上运行的多传感器融合技术，以利用传感器测量值的互补性。通过相同的方法，可以获得 BN 分类器来估计目标类型。 BN 模型和分类器还计算所谓的置信度，以量化与特征估计和分类决策相关的不确定性。通过实施这些 BN 工具来检测和分类具有不同形状、大小、深度和金属含量特征的金属和塑料地雷，证明了该方法的有效性。通过 BN 融合，特征估计的准确性相对于单传感器测量提高了 64%