XiaoMi-AI文件搜索系统
World File Search Systemixture
评估混凝土混合物的碳足迹...
混凝土，了解实时强度玛图型提供的好处，例如优化脱离时间，降低供暖费用并促进潜在问题的早期识别。在数十年中，已经使用了多种先进的测试方法，例如电气方法，核磁共振，波传播，声发射和计算建模，并且已被用于研究这些现象[4，5]。RILEM作为社会发表了有关该主题的全面知识[6]。从工程师的角度来看，加权成熟度方法基于温度 - 强度相关性，AP梨是最有用和实用的方法[7-12]。但是，对于
基于高斯混合模型和K值选择算法的机器人臂的新型轨迹学习方法
在机器人臂轨迹模仿学习领域，高斯混合模型被广泛用于捕获复杂轨迹特征的能力。但是，利用这些模型的一个主要挑战在于初始化过程，尤其是在确定高斯核的数量或K值时。K-Value的选择显着影响模型的性能，而传统方法（例如基于经验知识的随机选择或选择）通常会导致次优结果。为了应对这一挑战，本文提出了一种用于机器人臂的新型轨迹学习方法，该方法将高斯混合模型与K值选择算法相结合。所提出的方法利用肘法的原理以及指数函数，校正项和权重调整的特性，以确定最佳的K值。接下来，使用最佳的K值应用K-均值聚类来初始化高斯混合模型的参数，然后通过预期最大化算法进行完善和训练。然后将所得的模型参数eTers用于高斯混合物回归中，以生成机器人的臂轨迹。通过使用二维理论非线性动态系统和使用实际机器人臂数据的物理实验的模拟实验来验证所提出方法的有效性。这些结果表明，所提出的方法显着提高了机器人臂轨迹产生的准确性和效率，从而为改善机器人操纵任务提供了有希望的解决方案。实验结果表明，COM占据传统的高斯混合模型方法，所提出的方法将轨迹精度提高了15％以上，如降低平均绝对误差和根平方误差所示。
理解混合：单倍二倍体来拯救
HAL 是一个多学科开放存取档案库，用于存放和传播科学研究文献，无论这些文献是否已出版。这些文献可能来自法国或国外的教学和研究机构，也可能来自公共或私人研究中心。
使用高斯混合物学习机器人运动的几何力学
使用来自几何力学的原理构建的机器人运动的数据驱动模型已显示[Bittner，Hatton等。2018; Dan Zhao，Bittner等。2022; Hatton等。2013]为各种机器人提供机器人运动的有用预测。对于具有有用数量DOF的机器人，这些几何力学模型只能在步态附近构建。在这里，我们展示了如何将高斯混合模型（GMM）用作流形学习的一种形式，该形式学习了几何力学“运动图1”的结构，并证明了：[i]与先前发表的方法相比，预测质量的可观改善； [ii]可以应用于任何运动数据集的方法，而不仅仅是周期性步态数据； [iii]一种预先处理数据集以促进在已知运动图是线性的地方外推的方法。我们的结果可以在数据驱动的几何运动模型的任何地方应用。
评估可回收塑料改良的沥青混合物和人行道：I期 - 弗吉尼亚州的案例研究
这项研究的目的是评估弗吉尼亚州建造的回收塑料改装（RPM）沥青混合物现场试验。与弗吉尼亚州运输部（VDOT）相比，这项研究记录并评估了两种植物生产的RPM混合物（VDOT）典型的D和E表面混合物作为参考混合物的结构性和实验室性能。d和e分别是指中度至高点至极高的流量。报告了关于表面制备，植物生产或铺路操作的既定常规实践的变化。此外，这项研究试图检测和量化由人行道磨损产生的材料中的微塑料的存在，这些材料可能通过雨水径流动员。作为RPM沥青混合物是新型材料，该目标包括鉴定和开发适当的微塑料实验室分析方法。总的来说，这项工作是关于通过现场试验将回收塑料掺入沥青混合物中的最初和少数记录发现和经验教训的努力之一。
单萜和挥发性苯酚的独特混合物的特征是Zelen Wine的芳香轮廓
这项研究旨在通过化学和感觉评估来表征Zelen（Vitis Vinifera L.）葡萄酒的芳香独特性，这是一种来自斯洛文尼亚西部的Vipava山谷的自多品种。通过HS-SPME-GC-MS分析了七十种芳香族化合物，包括品种硫醇，酯，C6-醇，挥发性苯酚，萜类化合物，萜类化合物和丙烯酸酯，在两个调查中，通过HS-SPME-GC-MS进行了比较，将Zelen Wines与Vipava Valley的其他四种种植者进行了比较。Zelen葡萄酒的嗅觉空间是通过将其芳香剖面与Pinela葡萄酒的芳香剖面在分类任务中进行比较，并通过HPLC分数获得的芳香族馏分的嗅探。Zelen葡萄酒的特征是干草药和辣味，例如百里香，迷迭香和罗勒，与Pinela Wines相比。Zelen葡萄酒的化学特征是由单烯烯的原始混合物（包括萜烯异构体，林烯，limonene，p-甲苯，萜酚，linalool，linalool和α-耐酚）的原始混合物所支配的。获得的4-乙烯基鸟醇和甲基水杨酸酯的浓度位于与报道的嗅觉阈值接近或更高的水平上，从而推断了这些化合物对Zelen葡萄酒的辛辣芳香族成分的潜在贡献。通过HPLC半生育分级溶解的Zelen葡萄酒的两种芳族馏分，并通过HS-SPME-GC-MS进行了进一步分析，并通过HS-SPME-GC-MS进行了浏览的存在，这些原始混合物的存在是水合碳单位烯的原始混合物，包括定量测量的化合物，以及其他β-Myrc-β-Myrc，例如β-Myrc，以及其他化合物，以及其他化合物。 E-β-乙烯，Z-β-乙二烯和两个2,4,6-二十二烯-2,6-二甲基异构体。半定量测量结果表明，这组新的单甲烯类也比Pinela，Malvasia Istriana，Chardonnay和Sauvignon Blanc葡萄酒更高。
参观视觉模型的蒸馏
摘要 - 简单的提示学习方法可有效地适应视觉语言模型（VLMS）到下游任务。然而，经验证据表明，现有方法的趋势是他们过度拟合的班级，并且在看不见的阶级上表现出降解的表现。此限制是由于训练数据中对所见类的固有偏见。为了解决这个问题，我们提出了一种新颖的软提示学习方法，称为蒸馏混合物（MOPD），该方法可以从硬手工制作的硬提示中有效地传递有用的知识（又称A.K.A.老师提示）到可学习的软提示（又称学生提示），从而增强了在看不见的课程上软提示的概括能力。此外，提出的MOPD方法采用了一个门控网络，该网络学会选择用于迅速蒸馏的硬提示。广泛的实验表明，所提出的MOPD方法的表现优于现状的基准，尤其是在看不见的类别上。
评估水稻品种混合物的产量变化（VarMix®）...
传统上，水稻种植严重依赖于针对特定性状而定制的单一品种，但这些方法在恢复力和稳定性方面表现出局限性。采用品种混合（VarMix）使我们能够利用遗传多样性，从而提高产量稳定性，加强病虫害管理，优化资源效率，最终促进更可持续、更具恢复力的水稻生产系统。本研究使用加性主效应和乘性相互作用（AMMI）方法，结合方差和主成分分析（PCA），研究了 12 个不同环境中 12 个水稻品种混合物和单一品种的表现。分析表明，环境因素是遗传变异的主要驱动因素，对水稻产量动态有重大贡献。值得注意的是，NSIC Rc298 (A)、NSIC Rc298: NSIC Rc214: NSIC Rc216 (ABC) 和 NSIC Rc214: PSB Rc82: NSIC Rc238 等基因型
DNA混合解释：NIST科学基础评论
DNA混合资源组的成员（表1.2中列出）在起草本报告的早期阶段提供了有益的反馈和帮助。Katherine Gettings，Nikola Osborne和Sarah Riman提供了有价值的意见，包括NISTIR 8351SUP2中的数据摘要。桑迪·科赫（Sandy Koch）对公众评论进行了修订，杰森·韦克斯鲍姆（Jason Weixelbaum），苏珊·巴鲁（Susan Ballou），克里斯蒂娜·里德（Christina Reed）和凯瑟琳·夏普雷斯（Katherine Sharpless）协助了复制编辑。NIST图书馆的 Kathryn Miller帮助完成了该文件以供公共发布。 该文档最初是在2021年6月9日作为草案发布的。 公众评论期间于6月9日至8月23日至10月22日至2021年11月19日举行。 收到的评论已在https://www.nist.gov/dna-mixture-interpretation-nist-nist-scientific-foundation-review上进行了编译和共享。 公众评论和更新产生的修订已纳入最终版本。 对那些仔细阅读并在报告草案中提供有价值的书面反馈的人的大量时间和精力得到了赞赏。 这些贡献和投入是最终确定NISTIR 8351报告的过程的重要组成部分。 封面图片来源：Svetlaborovko通过Adobe Stock。Kathryn Miller帮助完成了该文件以供公共发布。该文档最初是在2021年6月9日作为草案发布的。公众评论期间于6月9日至8月23日至10月22日至2021年11月19日举行。收到的评论已在https://www.nist.gov/dna-mixture-interpretation-nist-nist-scientific-foundation-review上进行了编译和共享。公众评论和更新产生的修订已纳入最终版本。对那些仔细阅读并在报告草案中提供有价值的书面反馈的人的大量时间和精力得到了赞赏。这些贡献和投入是最终确定NISTIR 8351报告的过程的重要组成部分。封面图片来源：Svetlaborovko通过Adobe Stock。
基于高斯混合模型算法的客户细分和分析
摘要。数字时代改变了业务范式，数字营销成为处理现代市场动态的关键要素。在线内容消费中，消费者行为的变化鼓励公司利用数字技术来吸引更广泛的受众并亲自联系。对消费者购买行为的深刻了解至关重要，使公司能够设计响应式和相关的营销策略。这项研究还强调了面对激烈竞争，将客户购买行为细分的重要性。通过使用高斯混合模型（GMM）算法的聚类分析，消费者支出数据被减少并分组为群集，使公司能够了解消费者的偏好和趋势。实验表明，有4个最佳簇作为基本信息以进行进一步分析。每个集群都会带来营销策略，例如强调健康和积极的生活方式，提高特定产品的销售以及对低支出集群的教育。此分析还强调了数据预处理和特征选择在确保聚类结果准确性方面的重要性。