XiaoMi-AI文件搜索系统
World File Search Systemoutput
博士奖学金：通过使用人工智能增强可持续性指标 (ASMAI) 描述：可持续性由三个关键部分组成 - 环境、经济和社会方面 - 必须对所有这些方面进行评估和平衡，以改进现有或开发新的可持续产品、服务和/或系统。这些标准的投入、产出和影响是使用生命周期可持续性评估 (LCSA) 方法和工具来衡量的，这些方法和工具支持许多工业和商业部门的明智决策。材料关键性评估增强了 LSCA，这是一种越来越重要的手段，用于监控一组具有高经济和技术重要性的资源的供应链风险和安全性。尽管 LCSA 和 MCA 是全球可持续发展的宝贵辅助手段，但它们耗时耗力，因此经常被忽视、利用不足或利用不当。将人工智能应用于 LCSA 和 MCA 活动并加以整合具有巨大的潜力，可以加速可持续实践的发展以及从线性经济向循环经济的转变。在 LCA 中使用人工智能是一项新兴活动，因此，该项目为世界领先的创新提供了潜力，将直接增强可持续性指标并鼓励更明智的可持续发展。
博士奖学金：通过使用人工智能 (ASMAI) 增强可持续性指标描述：可持续性由三个关键部分组成 - 环境、经济和社会方面 - 必须对所有这些部分进行评估和平衡，以改进现有或开发新的可持续产品、服务和/或系统。这些标准的投入、产出和影响是使用生命周期可持续性评估 (LCSA) 方法和工具来衡量的，这些方法和工具支持许多工业和商业部门的明智决策。材料关键性评估增强了 LSCA，这是一种越来越重要的手段，用于监控一组具有高经济和技术重要性的资源的供应链风险和安全性。尽管 LCSA 和 MCA 是全球可持续发展的宝贵辅助手段，但它们耗费时间和资源，因此经常被忽视、利用不足或利用不当。在 LCSA 和 MCA 活动中使用和整合 AI 具有巨大的潜力，可以加速可持续实践的发展以及从线性经济向循环经济的转变。在 LCA 中使用 AI 是一项新兴活动，因此，该项目为世界领先的创新提供了潜力，将直接增强可持续性指标并鼓励更明智的可持续发展。
2021 年，意大利经济增长了 6.5%，到年底已收回了大部分疫情造成的产出损失。然而，短期前景
2021 年，意大利经济增长 6.5%，截至年底已收回大部分疫情造成的产出损失。然而，供应长期中断和能源价格大幅上涨给短期前景蒙上阴影。预计购买力下降和消费者信心减弱将在短期内削弱实际 GDP 增长，尤其是消费者服务。虽然新冠感染病例在 2022 年头几周激增，但高疫苗接种率可能会阻止大幅收紧遏制措施，并防止实际产出在今年头几个月萎缩。假设当前这波疫情势头强劲但持续时间短暂，预计经济活动将在 2022 年第二季度恢复势头，并在下半年继续保持扩张势头。
2022-23 年产出成果框架（主要中央部门和...
印度政府在过去几年中进行了重大支出改革。这不仅包括简化评估和批准流程，还包括预算制定过程本身的结构性变化，例如取消计划/非计划区别。因此，成本中心将以综合方式处理，仅在法定收入资本框架内。这使得另一项重大结构性改革成为可能，即将公共计划和项目纳入可监控的产出-结果框架。自 2017-18 年起，除了预算文件中注明各部委计划的财务支出外，计划的预期产出和结果也将与预算一起在合并的成果预算文件中提出。这些支出、产出和结果以可衡量的形式提交给议会，为参与执行政府计划和项目的机构带来更大的责任。支出是预算中为特定计划或项目提供的金额；而产出是指计划活动的直接和可衡量的产品，通常以实物或单位来表示。成果是提供这些服务所带来的集体结果或质量改进。成果预算提出了（a）2022-23 年的财政支出以及（b）明确定义的产出和成果（c）可衡量的产出和成果指标和（d）2022-23 财年的具体产出和成果目标。这将大大提高政府发展议程的透明度、可预测性和易理解性。通过这一做法，政府旨在从单纯的支出转变为以结果为导向的产出和成果，培育一种开放、负责、积极主动和有目的的治理风格。这一努力将使各部委能够跟踪计划目标并朝着他们设定的发展目标努力。这里介绍的文件摘录自《2022-23 年成果预算》，其中包含 2022-23 财年支出 50 亿卢比及以上的中央部门 (CS) 计划和中央赞助计划 (CSS) 的产出-成果框架。因此，本文件涵盖了 157 个 CS/CSS 计划。
肯尼亚经济分析：投入产出法
自 2008 年经济危机爆发以来，经济增长和发展一直处于经济研究的前沿（Francis 等人，[ 2019 ]；McDowall 等人，[ 2017 ]；Canova 和 Gambetti [ 2006 ]；Gallouj 等人，[ 2015 ]）。在这一研究领域，许多经济研究分析了影响发展中国家和新兴国家发展的因素；例如外国直接投资、财政政策或土地使用等因素（Berhanu 和 Poulton [ 2014 ]；Hanushek [ 2013 ]；Fedderke 等人，[ 2006 ]；M'Amanja 和 Morrissey [ 2005 ]；Block [ 1999 ]）。大多数撒哈拉以南非洲国家仍然以高贫困率和营养不良以及农业发挥的作用为特征。在非洲大陆的许多国家，农业仍占国内生产总值的 30% 以上，它雇用了大多数劳动力，撒哈拉以南非洲农业部门的许多参与者仍然是自给自足的农民。这意味着许多农户消费他们生产的产品，同时扮演着生产者和消费者的双重角色。肯尼亚的经济结构与典型的撒哈拉以南经济体相似。在肯尼亚，70% 以上的人口生活在农村地区。肯尼亚最新的经济和社会发展长期战略（肯尼亚 2030 愿景）将农业确定为推动经济增长的关键部门之一。在此背景下，已经制定了许多政策来提高农业生产力和收入。要成功实施这些政策，需要了解部门间的联系以及由此产生的冲击的不同传导机制
使用智能网格的功能选择技术来预测混合PV – Windable可再生能源系统的能源输出
在当前的技术时代，基于不断变化的天气因素预测功率和能源产量在可再生能源部门的经济增长中起着重要作用。与传统的化石燃料资源不同，可再生能源可能在维持一个国家的经济和改善生活质量方面起着关键作用。由于如今我们的星球正面临着由于气候变化和全球变暖而面临的严重挑战，因此这项研究可能有效地在使用不同天气条件的智能电网中实现良好的预测准确性。在当前的研究中，将不同的机器学习模型与混合光伏（PV）的可再生能源系统的估计功率和能量进行了比较，使用了七个天气因素，这些天气因素对PV-Wind-Windable可再生能源系统的产出有重大影响。这项研究对机器学习模型进行了分类，该模型可能具有可能有用且有效地预测能源和功率。历史悠久的小时数据是通过和没有数据操作处理的。使用交叉验证（RFECV）使用递归特征消除进行数据操作。数据是使用人工神经网络（ANN）回归器训练的，并且确定了数据集中不同特征之间的相关性。主要目的是找到有意义的模式，可以帮助统计学习模型根据这些使用模式进行训练。©2021作者。由Elsevier Ltd.这是CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）下的开放访问文章。结果表明，使用线性回归模型选择特征选择技术在所有评估指标中都超过了所有其他模型，必须将平均平方误差（MSE）为0.000000104，平均绝对误差（MAE）为0.00083，r 2，r 2，r 2的99.6％的99.6％的r 2，以及通过0.02的范围进行了启动的效率，以增强的计算效率，以增强的计算效率，以增强的计算效率，以增强效率，以增强的效率，以增强的效率，以增强的效率，以增强的效率。可再生能源系统。
经济建模国家的就业和产出
i建立了一个动态的一般平衡模型，该模型与过去50年来美国和主要欧洲经济体的参与，失业和就业率的趋势一致。然后，我使用该模型来研究非竞争力和产品市场的相互依存关系，以阐明机构的影响以及政策对就业和产出的影响。失业会损害产出，因为它插入了劳动力供应（参与）和就业之间的楔子。跨工资的收入分配和利润在经济动态中起着核心作用。原因是工资份额推动了家庭的劳动力市场参与决策，而专业份额则推动了公司的入境决策。直觉，人们可以将入境决定视为另一个参与率。i发现了连接两个市场的反馈机制，这些市场扩大了对劳动和产品市场摩擦产出的不利影响。这些机制具有有趣的政策含义。
WRAP 实验认证输出嘈杂的计算机...
手稿版本：已发布版本 WRAP 中呈现的版本是已发布版本（记录版本）。 永久 WRAP URL：http://wrap.warwick.ac.uk/159323 如何引用：上面链接的存储库项目页面将包含有关从出版商处访问引用指南的详细信息。 版权和再利用：华威研究档案门户 (WRAP) 在下列条件下开放华威大学研究人员的此项工作。此处呈现的论文版本的版权 © 和所有道德权利属于个人作者和/或其他版权所有者。 在合理和可行的范围内，WRAP 中提供的材料在提供之前已检查其是否符合资格。完整项目的副本可用于个人研究或学习、教育或非营利目的，无需事先许可或收费。只要注明作者、标题和完整的书目详细信息，就会提供原始元数据页面的超链接和/或 URL，并且不会以任何方式更改内容。出版商声明：请参阅存储库项目页面的出版商声明部分，了解更多信息。如需更多信息，请联系 WRAP 团队：wrap@warwick.ac.uk
大脑使用不变动态来概括跨运动
摘要：神经系统使用输出曲目来产生各种运动。因此，大脑必须解决如何在不同运动中发出相同输出的方式。最近的一项建议指出，网络连接性限制了神经活动的过渡，以遵循不同运动的不变规则，我们称其为“不变动态”。但是，尚不清楚不变动力学是否实际上用于驱动和概括跨移动的输出，以及它们为控制运动提供了什么优势。使用将运动皮层活性转化为神经假体光标输出的脑机界面，我们发现相同的输出是由不同运动中不同活动模式发出的。这些不同的模式然后根据不变动态模型过渡，从而导致模式驱动不同的未来输出。最佳控制理论揭示了这种不变动态的使用减少了控制运动所需的反馈输入。我们的结果表明，大脑使用不变动态来概括跨运动的输出。
![通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。](/simg/d/dd5abf0752fcc9f891dc4a96743f916f96f28350.png)
通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。
通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。
低功率翻转电压追随者电流镜具有改进的输入输出阻抗
摘要。高性能子伏电流镜被广泛用于构建混合模式低功率VLSI系统。电流镜的性能取决于其关键参数，其中包括较大的操作范围，低输入合规性电压，宽秋千，大带宽以及非常低的输入和非常高的输出电阻。在本文中，显示了高性能低功率电流镜的设计。所提出的电流镜基于电压跟随器，使电流镜在低压下工作。为改善输入输出电阻，提出的电流镜由超级晶体管和超级cascode阶段使用。在微电瓦范围内的功率耗散时，直到1mA达到了最小误差的当前镜像。所达到的带宽为2.1 GHz，低输入和高输出电阻分别为0.407 ohm和50 giga ohm。在本文中还显示了过程角，温度分析和提议的电流镜的噪声分析。使用0.18 UM技术的HSPICE以0.5 V的双电源电压进行完整分析。