XiaoMi-AI文件搜索系统
World File Search Systemgromov
人工智能在远程监控数据处理任务中的应用Yu.Yu.格罗莫夫 1，I.N.伊什丘克 1，V.V.罗季奥诺夫 1
摘要 本文提出了一种使用深度学习卷积神经网络U-net对地表多时相多光谱图像进行分类的方法。使用无人驾驶飞机的多光谱光电系统获取可见光和红外图像，并用于构建该地区的正射影像图。根据获得的数据，训练神经网络来解决检测人造物体的问题。基于深度学习和热物理参数评估的远程监控对象智能识别方法允许使用遗传算法创建背景目标环境。该算法解决了热导率的系数反问题，并提供了材料热物理参数的估计。为了训练模型，引入了 18 类物体，根据人造物体和背景（人为或自然景观）之间的热对比差异进行研究。每天以 4 小时为间隔对地球表面进行 6 次勘测。该实验于2021年夏季进行，具体日期为8月4日至5日。在人造物体的检测和分类任务中，发现该模型表现出具有不同可靠性的适用性。进行的研究表明，在模型运行过程中发现了所需的对象类别。关键词1 深度学习，分类，分割，远程监控，神经网络，遗传算法，背景目标环境，光电系统，热物理参数。人工智能在远程监测数据处理任务中的应用 YY Gromov 1、IN Ishchuk 1、VV Rodionov 1
（U//FOUO）20 世纪 50 年代情报年表
■ 7 月 8 日：纽约联邦大陪审团缺席起诉 George Zlatowski（前 CIC 成员）及其妻子 Jane Foster Zlatowski（前 OSS 成员）（当时他们在巴黎），罪名是密谋从事间谍活动；几名克格勃官员也被缺席起诉：Zubilins、Anatoli Gromov、Mikhail Chaliapin、Stepan N. Choudenko。该案源于对 Soble 的调查；Zlatowski 夫妇还曾使用 Morros 作为信使（《纽约时报》）
非...
在1990年代后期，[2]中的格罗莫夫（M. gromov）引入了拓扑动态系统（x，φ）的平均维度概念（x是一个紧凑的拓扑空间，φ是x上的连续映射），也就是topicalogical熵，拓扑熵，在异偶联下是不变的。在[11]中，Lindenstrauss和Weiss表明，如果X的拓扑维度为有限，则平均维度为零。他们举了一些示例，其中平均维度为正。例如，他们证明了（[0，1] m）z，σ的平均维度，其中σ是（[[0，1] m）Z上的两边完整移位图（具有无限拓扑熵），等于M，并且任何非客气因子的任何非客气因子的（[[0，1] m）z，σ具有正平均值。给定一个动力学系统（x，φ），与此类系统有关的一个有趣的问题是：在哪些条件下，可以将这种系统嵌入Shift
一种量化方法...
1.1。概述。在研究几何功能类型的尖锐不平等的研究中，已经使用了多年的一个维参数参数。一个主要的例子是Hadwiger和Ohmann [HO，FE，GA]的Brunn-Minkowski不等式的证明，其中一维单调重排起关键作用。这种结构对更高维度的更直接的概括是Knothe Map [KN]的概括，但是替代论点（导致图形具有更刚性结构的地图）也是已知的。从Brenier Map [br]开始，（最佳）质量运输的ORY在这个方向上提供了几个结果。所有这些地图都可以成功地用于确定各种尖锐的不平等现象[VI，第6章]。在这里，我们将关注格罗莫夫（Gromov）对各向异性等等不平等的惊人证明[MS]。我们的主要结果是对这种不平等的最佳集合的稳定性进行了详尽的估计，该估计是通过对运输图的定量研究确定的。
莫尔斯局域到全局群中的非斜向莫尔斯元素
双曲性由格罗莫夫 [ Gro87 ] 引入，是几何群论中最突出的负曲率概念，具有强大的代数和算法意义 [ Gro87 、 Pau91 、 DG11 、 Sel95 、 ECH ` 92 ]。许多重要的群都具有某些负曲率，但不是双曲的，包括群的自由积、映射类群、许多三维流形的基本群、某些阿廷群和克雷莫纳群。这一观察导致了对双曲群各种推广的研究，例如相对双曲群 [ Far98 、 Osi06 、 Bow12 ]、圆柱双曲群 [ Osi16 、 DGO17 ] 和 Morse 局部到整体 (MLTG) 群 [ RST22 ]。对于任何这些推广，很自然地会问它们满足负曲率的哪些方面。本文重点讨论 MLTG 群。MLTG 群的一个主要特征是在 [ RST22 ] 中引入的，它能够消除 Morse 测地线的病态行为。例如，如果一个 MLTG 群包含 Morse 测地线，则它有一个 Morse 元；如果它包含 Morse 元，则它有一个与 F2 同构的子群。这对于一般群来说并非如此 [ Fin17 , OOS09 ]。因此，很自然地，我们会问，消除病态行为是否足以确保圆柱双曲性。
深层生成模型的统计能力-ARXIV
summary深层生成模型通常用于从复杂的高维分布中生成样品。尽管取得了明显的成功，但其统计特性尚未得到很好的理解。一个常见的假设是，借助足够大的训练数据和足够大的神经网络，深层生成模型样本在从任何连续目标分布中采样时都会有很小的错误。我们建立了一个统一的框架，揭穿了这种信念。我们证明，广泛的深层生成模型（包括变异自动编码器和生成对抗网络）不是通用发生器。在高斯潜在变量的主要情况下，这些模型只能生成浓缩的样品，显示出轻尾。使用来自度量和凸几何浓度的工具，我们为更通用的对数concave和强烈的log-conconcove潜在变量分布提供了类似的结果。我们通过还原参数将结果扩展到扩散模型。，当潜在变量位于带正曲率的歧管上时，我们使用Gromov -levy不等式提供了类似的保证。这些结果阐明了常见的深层生成模型处理重型尾巴的能力有限。我们说明了工作与模拟和财务数据的经验相关性。
深层生成模型的统计能力
summary深层生成模型通常用于从复杂的高维分布中生成样品。尽管取得了明显的成功，但其统计特性尚未得到很好的理解。一个常见的假设是，借助足够大的训练数据和足够大的神经网络，深层生成模型样本在从任何连续目标分布中采样时都会有很小的错误。我们建立了一个统一的框架，揭穿了这种信念。我们证明，广泛的深层生成模型（包括变异自动编码器和生成对抗网络）不是通用发生器。在高斯潜在变量的主要情况下，这些模型只能生成浓缩的样品，显示出轻尾。使用来自度量和凸几何浓度的工具，我们为更通用的对数concave和强烈的log-conconcove潜在变量分布提供了类似的结果。我们通过还原参数将结果扩展到扩散模型。，当潜在变量位于带正曲率的歧管上时，我们使用Gromov -levy不等式提供了类似的保证。这些结果阐明了常见的深层生成模型处理重型尾巴的能力有限。我们说明了工作与模拟和财务数据的经验相关性。
使用fnirs
使用FNIRS测量值的基于内存的工作负载分类已被证明是现实的适应性BCI的理想方法，用于测量人类工作量水平。6在本文中，我们研究了与n个背任务不同条件相对应的FNIR的分类问题（即需要受试者连续记住最后的n∈F1; 2; 2; 3; 3; ：： g快速变化的字母或数字）。我们在前额叶皮层（PFC）上进行了FNIRS测量，已发现这是通过正电子发射断层扫描和功能磁共振成像的与记忆相关任务的相关区域。7，8文献中的大多数n返还分类研究基于对fnirs信号的监督方法，并基于主题内部（即，在单个主题的数据获取的一次试验中）。9 - 11虽然这些研究表现出令人鼓舞的结果，但对于可以适应具有广泛生理条件的不同用户的界面系统而言，受试者和会话依赖的系统是不现实的。为了在BCI中使用，必须基于经验会议（会话逐句对齐）和跨主题（主题对准）基于FNIRS数据的工作负载分类。存在一些挑战，可以使用FNIRS数据妨碍精确的工作负载分类。我们在下面概述了它们，并提出了减轻它们的方法。第一个挑战是本文的主要重点，是处理n-back任务分类的逐项和主题变化。这些问题与机器学习中所谓的域适应性有关。12 - 14更具体地说，来自不同会话或不同主题的数据称为属于不同域，并且跨不同域（数据属于的会话或主题）的数据分布的变化被视为域移动。15由于这种现象，我们从一个领域学到的知识不能直接应用于另一个领域。为了解决这个问题，最佳运输理论和方法的最新进展（OT）16和度量测量空间比对17 - 19可用于将数据与已知标记的n个返回条件从一个会话或一个主题到同一主题或其他主题中的另一个会话的未标记的数据与未标记的数据对齐。尽管已将OT应用于具有潜在性能的域适应性，但是20，21当不存在两个空间之间的有意义的距离概念时，但是两组用于对齐的数据不共享相同的度量空间时，它会受到一定的限制。例如，对于会话逐一比对，由于信噪比较差（SNR），从两个会话中删除了一些FNIRS通道的数据。这将导致两个会话的数据嵌入两个域中的不同维度。幼稚的解决方案是从另一个会话中删除相应的通道，以确保两个会话具有相同的维度。但是，这是导致信息丧失的缺点。第二个挑战是FNIRS信号中的运动伪像。fnirs中的运动伪影通常是由于实验过程中头皮中任何源或检测器的耦合变化。31在本文中，我们提出，使用Gromov - Wasserstein（G-W）18，22和Fused Gromov - Wasserstein（FG-W）Barycenter 23将减轻此问题，并为FNIRS n-BACK任务分类的范围跨域提供算法。这会导致突然增加或减少测得的光强度，并可能影响测得的FNIRS信号。从机器学习的角度来看，运动伪影检测和校正有助于消除主题行为（抽搐，头部移动等）的任何误导性相关性分类模型从FNIRS数据中学到了什么。例如，分类模型可以识别当受试者由于受试者的头部移动而在测量信号中检测到测量信号中的峰值时，将受试者按下按钮作为需求，而不是从脑信号中检测实际的血液动力学反应。已提出了许多方法，灵感来自统计信号处理方法，例如自适应过滤，独立组件分析（ICA）和时频分析，以删除或纠正FNIRS信号中的运动伪影。24 - 30这些技术中的大多数都取决于使用辅助参考信号（例如，加速度计等）或自相间通道，或需要对运动伪影特征和清洁的FNIRS信号的特征进行某些假设。在本文中，我们使用基于稀疏优化的现成方法来自动检测和去除尖峰和台阶异常，即瞬时伪影还原算法（TARA）。
从几乎光滑的空间到RCD空间
RCD条件，或更精确的两个参数K和N的RCD（K，N）条件是RICCI曲率下的下限的合成概念，并且是公制测量空间的尺寸上的上限。Special examples of metric measure spaces verifying the RCD( K, N ) condition, called RCD( K, N ) spaces , include Ricci limit spaces , which are by definition pointed Gromov-Hausdorfflimit spaces of complete Riemannian manifolds with Ricci curvature bounded below by K and dimension bounded above by N .The structure theory of Ricci limit spaces has been extensively studied in the frame- work of the Cheeger-Colding theory [ CC96 , CC97 , ChC00a , ChC00b ] (see also, for in- stance, [ CN15 , CJN21 ] for the more recent update), which establishes a regular-singular decomposition in terms of tangent cone analysis via splitting techniques.该理论不仅使我们在Riemannian几何形状中做出了巨大的决议（例如，在Anderson-Cheeger，Fukaya，Fukaya-Yamaguchi和Gromov的猜想中），而且在数量非碰撞环境中也尤其是在各个角色中都有明显的应用。值得注意的是，他们的理论在Fano歧管上的Kähler-Einstein指标的Yau-Tian-Donaldson Contecter证明中发挥了至关重要的作用[CDS15]，以及在可平稳的K-Moduli k-Moduli空间的k-Moduli k-Stable fano品种的k-Moduli空间[DS14，LWX19，LWX19，O15，SSY16]。RCD空间的理论可以被视为RICCI极限空间的最佳合成处理，并以两种方式开发了。另一个是使用基于dirichlet形式理论的γ-钙库来使用bakry-émery条件。第一个是使用曲率维度条件[LV09，ST06A，ST06B]来自最佳运输理论，以及Riemannian假设，称为In-Mally Hilbertianity，由[AGS14A，G15]提出的Hilbertianity。从[AGS15，AMS19，EKS15]中知道两种方法都是相同的，即可以通过完全不同的方式来表征/研究RCD空间。值得一提的是，RCD理论的显着应用已经在其他几何形状上找到了[BMS22]，即[KLP21]，关于Alexandrov几何形状中存在许多无限期的大地测量学。请注意，Cheeger-Colding理论纯粹是局部特征，但是根据定义，RCD理论需要全球信息。因此，给出RCD空间的局部表征是一个有趣的问题。在许多感兴趣的情况下，在示例中，人们处理的空间几乎是平稳的，即，大粗略的空间是通过在下面界定的ricci的光滑的riemannian歧管给出的空间，其奇异集的奇异集具有很高的hausdorsimensimension。精确的定义将在第1.3小节中解释（对于更一般的加权空间，定义为4.13）。该问题然后减少到在单数集中施加适当的条件（另请参见[BKMR21]）。在许多几何环境中，几乎光滑的空间起着重要的作用，例如，汉密尔顿 - 蒂恩猜想的证明[CW17，BA16]，以及Kähler-Einstein关于奇异品种的指标的研究（例如，参见[CCHSTT25，SO14，SZ24，SZ24，GS25]）。在下一个小节中，让我们解释我们将采用的统一地方条件是什么。在本文中，我们将为RCD空间提供几乎光滑的空间（包括加权空间）的特征。我们的标准将以统一的局部条件为例，并且允许空间是非紧凑的。
使用Daya Bay antineutrino检测器
A. A. Abusleme D，1，T。Adam D，2，S。Ahmad D，3，S。Aiello D，4，M。Akram D，3，N。Ali D，3，F。P. An D，M，M，M，5，G。P.anδ，7，G。Andronico D，4，N。Anfim Move d，8，V。Antonelli D，9，T。Antoshkina D，8，B。Asavapibhopd，10，J。P。A. P. A. M. De Andr´e d，2，A。Babicd，A.Babic D，A. Babic D，11，A.A.B. B. Balantekin M，12，W。BaldiniD，13，M。BaldonciniD，13，H。R。Band M，14，A。BarresiD，15，E。BaussanD，2，M。BellatoD，M。BellatoD，16，E。BernieriD，E。BernieriD，17，17，D。BiareD. Bishai M，19，S。Blin D，20，D。Blum D，21，S。Blyth D，M，M，22，C。Bordendeau D，23.24，A。Brigatti D，9，R。Brugnera D，R.Brugnera D，25，A。Budano D，17，P。Burgbacher D，P。Burgbacher D，P。 Busto d，26，I。Butorov D，8，A。Cabrera D，20，H。Cai D，27，X。Cai D，6，Y。K. Cai D，6，6，Z. Y. Cai D，6，A。CammiD，28，A。CampenyD，A。CampenyD，1，C.Y. Cao D，C.Y. Cao D，6，6，G。F. Cao d，M，6，R。Caruso D，4，C。Cerna D，23，I。Chakaberia d，29，J。F. Chang D，M，M，6，Y。Chang D，M，M，M，24，H。S. Chen，H。S. Chen，6，P。A. Chen D，22，P。P. P. P. Chen D，30，30，S。M. Chen D，S.M。Chen D，S.S. J. R. Chen D，33，Y。W. Chen D，34，Y。X. Chen D，M，35，Y。Chen D，M，M，36，Z。Chen D，6，J.Cheng D，M，M，M，6，Y. P. Cheng D，37，Z.K. K. K. K. K. K. K. K. K. K. K. K. K. K. K. K. Cheng M，36，A.Chepurnov D，A。ChepurnovD，A。Chepurnovd，38，J。J。J. J. J. J. Cherwinka M. Chiarello d，16，D。ChiesaD，15，P。ChimentiD，39，M.C.Chu，40，A。ChukanovD，8，A。Chuvashovad，8，。B. Hsiung D，M，22，B。Z. Hu D，M，22，H。Hu D，36，J。R. Hu D，M，M，6，J。Hu D，6，S。Y. Hu D，67，T。Hu D，M，M，6，Z. Huang D，2，W。H. Huang D，29，X。T. Huang D，M，29，Y。Clementi D，41，B。Clerbaux D，42，S。Conforti di Lorenzo D，20，D。Corti D，16，S。Costa D，4，F。D. Corso D，16，J。P. Cummings M，43，O。Dalager M，O。DalagerM，44，C。Dela Taille d，C。Dela Taille d，20，20，F。F. M，7，J。W。Deng D，27，Z。Deng D，31，Z. Y. Deng D，6，W。Depnering D，45，M。Diaz D，1，X。F. Ding D，9，Y。Y. Y. Y. Y. Ding d，M。 ，T。DohnalD，M，47，G。DonchenkoD，38，J.M.Dong D，31，D。DornicD，26，E。DoroshkevichD，48，J。DoveM，49，M。DracosD，2，F。DruilloleD，23，23，S.X。X.B. Huang D，M，6.54，P。HuberM，68，J。Q。Hui D，59，L。HuoD，55，W。J。Huo D，7，C。HussD，C。HussD，23，S。HussainD，3，S。HussainD，3，A.S.Insolia D，A. Insolia d，A。A.A. A. A. A. A. A. A. Ioananisian d，69，D.Iooannisisan D. Iooannisan d. iooannisan d.69，69，69，R。 Isocrate D，16，D。E. Ja效应M，19，K。L. Jen D，M，34，X。L. Ji d，M，M，6，X。P. Ji M，19，X。X. B. li d，m，36，Z。Y. li d，36，H。Liang D，67，H。Liang d，M，7，J。J. Liang d，54，D.Liebau D，60，A.Limphirat D，46，S。Limpijuntong D，S。Limpijumnong D，46，46，C。J. Lin，C。J. Lin，C. J. L.，51，51，51，51，51，G。L. 34; H. Liu D, 61, H. B. Liu D, 54, H. D. Liu D, 50, H. J. Liu D, 77, H. T. Liu D, 36, J. C. Liu D, M, 6, J. L. Liu D, M, 59.78, M. Liu D, 77, Q. Liu D, 79, Q. Liu D, 7, 7, R. X. Liu D，6，S。Y. Liu D，6，S。B. Liu D，7，S。L. Liu D，6，X。W. Liu D，36，Y。Liu D，6，A。Lokhov D，38，P.Lombardi D，P.Lombardi D，9，K。 D，58，H。Q. lu D，M，6，J。B. Huang D，M，6.54，P。HuberM，68，J。Q。Hui D，59，L。HuoD，55，W。J。Huo D，7，C。HussD，C。HussD，23，S。HussainD，3，S。HussainD，3，A.S.Insolia D，A. Insolia d，A。A.A. A. A. A. A. A. A. Ioananisian d，69，D.Iooannisisan D. Iooannisan d. iooannisan d.69，69，69，R。 Isocrate D，16，D。E. Ja效应M，19，K。L. Jen D，M，34，X。L. Ji d，M，M，6，X。P. Ji M，19，X。X.B. li d，m，36，Z。Y. li d，36，H。Liang D，67，H。Liang d，M，7，J。J. Liang d，54，D.Liebau D，60，A.Limphirat D，46，S。Limpijuntong D，S。Limpijumnong D，46，46，C。J. Lin，C。J. Lin，C. J. L.，51，51，51，51，51，G。L. 34; H. Liu D, 61, H. B. Liu D, 54, H. D. Liu D, 50, H. J. Liu D, 77, H. T. Liu D, 36, J. C. Liu D, M, 6, J. L. Liu D, M, 59.78, M. Liu D, 77, Q. Liu D, 79, Q. Liu D, 7, 7, R. X. Liu D，6，S。Y. Liu D，6，S。B. Liu D，7，S。L. Liu D，6，X。W. Liu D，36，Y。Liu D，6，A。Lokhov D，38，P.Lombardi D，P.Lombardi D，9，K。 D，58，H。Q. lu D，M，6，J。du d，50，S。DusiniD，16，M。DvorakD，M，47，D.A.Dwyer M，51，T。Enqvist D，52，H。Enzmann D，45，A。Fabbri D，17，L。 Fang D，6，A。Fatkina D，8，D。Fedoseev D，8，V。Fekete D，11，L。C. Feng D，34，Q. C. Feng D，55，G。Fiorentini D，13，R。Ford D，9，A。Ford d，9，A。Formozov D，A。Formozov D，9，9，9，9，9，A。Fornnierd，A。Fournierd，S。FrankeD，S。FrankeD，56，56，56，56，56，56，56，56，56，S。 J. P. P. Gallo M，57，H。N。Gan D，58，F。GaoD，18，A。GarfagniniD，25，A。GlarchiD，9，A。GiazD，25，25，N。GiudiceD，4，F。GiulianiD，F。GiulianiD，59，M。M. Gonchar D，8，G。H. D，50，Y。Gu D，61，M。Y. Guan D，6，N。Guardone D，4，M。Gul D，3，C。Guo D，6，J。Y. Guo D，M，M，36，L。Guo M，L。Guo M，31，W。L. Guo D，W。L. Guo D，6，6，6，X。H. Guo D，M，M，M，M，62，Y. Guo D，Y. Guo D，63.337，Z.。 Guo M，31，M。HaackeD，1，R。W。Hackenburg M，19，P。HackspacherD，45，C。HagnerD，64，R。HanD，65，Y。Han D，Y。Han D，20，S.Hans M，19.1，M。HeD，M。He D，M，M，M，M，M，M，6，W。He d，W。He d，6，K。M. M. Heeger M，Heeger M，M. Heeger M，14，14，14，14，14，14，14，14，14，14，14，14，14，14，14，T.。 Heinz D，21，Y。K. Heng D，M，6，R。Herrera D，1，A.Higuera M，66，D。J. Hong D，54，Y。K. Hor，Y。K. Hor，36，S。J. Hou D，6，Y.B. Lu D, 81, J. G. Lu D, 6, S. X. Lu D, 50, X. X. LU D, 6, B. Lubsandorzhiev D, 48, S. Lubsandorzhiev D, 48, L. Ludhova D, 37.18, K. B. Luk, 73.51, F. J. Luo D, 6, 6, 6, 6, G. Luo D，36，P。W. Luo D，36，S。Luo D，82，W。M. Luo D，6，V。Lyashuk D，48，Q.M. M. Ma D，6，S。Ma D，6，6，X.Z.jiδ，36，H。H.Jiaδ，70，J。J.Jiaδ，27，S。Y.Jianδ，67，D。Jiangδ，7，X。S.Jiangδ，6，R。yinδ，6，6，6，X。 µ，72，J.Joutsenvaaraδ，52，S。Jungthawanδ，46，L。Kalousisδ，2，P。Kampmannδ，37.18，L。KangΔ，µ，30，M。Karagounisδ，60，60，N。Kazarianδ，S。H. H. H. H. H. H. H. H. H. H. H. H. H. H. H. H. H. 36.，A。khan，A。 W.Khanδ，63，K。Khosonthongkeeδ，46，P.KinzΔ，34，S。Kohnµ，73，D.KorableVδ，8，K。KouzakovΔ，38，M。Kramerµ，51.73，51.73，A.A.KrasnoperovΔ krumshteynδ，8，A。Kruthδ，60，N。kutovskiyδ，8，P。Kuusiniemiδ，52，B。Lachacinskiδ，23，T。LachenmaierΔ，21，T。J。J. J. J. Langford µ，14，J.Lee µ，J.Lee µ，51，J.H。C. H. C. H. C. H. C. Leeμ δ，75，L。Leiδ，31，R。Leδ，30，R。Leitnerδ，47，J。Leungδ，74.34，C。Liδ，29，D。M。Liδ，50，F。Δ δ, 6, J. J. Li µ, 31, J. Q. Li δ, 36, K. J. Li δ, 36, M. Z. Li δ, 6, N. Li δ, 76, N. LI δ, 6, Q. Li δ, 76, Q. J. Li µ, 6, R. H. li δ, 6, S. C. Li, 68, J.Liδ，T。Liδ，T。Liδ，W。D.Liδ，6，W。G.Liδ，67，X。B. Ma D，M，35，X。Y. Ma D，M，6，Y。Q. Ma，6，Y。Malyshkin D，17，F。Mantovani D，13，Y。J. Mao D，83，S.M。Mari D，S.M。Mari D，17，F。Marini D，F。Marini D，F。Marini D，25，S。Marium d，S.Marium d，3，C.Marshall，C.Marshall，C.Marthall，C.Marthall，C.Marthall，C.Marthall，C.Marthall，C.Marthall，C.Marthall，51，C.Marthalliii D，17，G。Martin-Chassard D，20，D。A。Martinez Caideo M，57，A。MartiniD，84，J。MartinoD，75，D。MayilyanD，69，K。T。McDonald M，80，R。D。McKeown M，R。D。McKeown M，85,86，85,86 16，Y。MengD，M，59，A。Meregaglia D，23，E。Meroni D，9，D。MeyhéoferD，64，M.Mezzetto D，16，J。MillerD，87，L。MiramontiD，9，9，S。MonforteD，S。MonforteD，4，4，