XiaoMi-AI文件搜索系统
World File Search Systemppi
GPU 功率上限用于权衡能源性能...
摘要。本文介绍了用于图像识别的深度卷积神经网络训练的性能-能量权衡研究。使用配备 Nvidia Quadro RTX 6000 和 Nvidia V100 GPU 的系统测试了几种具有代表性且广泛采用的网络模型，例如 Alexnet、VGG-19、Inception V3、Inception V4、Resnet50 和 Resnet152。使用 GPU 功率上限，我们发现除了默认配置之外，还可以最小化三个不同的指标：能量 (E)、能量延迟积 (EDP) 以及能量延迟总和 (EDS)，从而节省大量能源，EDP 和 EDS 的性能损失较低到中等。具体来说，对于 Quadro 6000 和最小化 E，我们获得了 28.5%–32.5% 的节能效果；对于 EDP，我们获得了 25%–28% 的节能效果，平均性能损失为 4.5%–15.4%；对于 EDS (k=2)，我们获得了 22%–27% 的节能效果，平均性能损失为 4.5%–13.8%。对于 V100，我们发现平均节能效果为 24%–33%；对于 EDP，我们获得了 23%–27% 的节能效果，平均性能损失为 13%–21%；对于 EDS (k=2)，我们获得了 23.5%–27.3% 的节能效果，平均性能损失为 4.5%–13.8%。
密西西比工作室技术规格.docx
(7) Shure SM58 手持式动圈人声话筒 (1) Shure Beta 58 手持式动圈人声话筒 (4) Shure SM57 (1) Shure Beta 52 (1) Shure 518SA (1) Shure Beta 91 (2) Audix OM2 手持式动圈人声话筒 (1) Audix OM3 手持式动圈人声话筒 (1) Audix OM3XB 手持式动圈人声话筒 (4) Audix OM5 手持式动圈人声话筒 (3) Audix OM6 手持式动圈人声话筒 (2) Audix VX5 手持式电容话筒 (6) Audix D2 动圈话筒（黑色顶部） (3) Audix D3 动圈话筒（金色顶部） (1) Audix D4 动圈话筒（红色顶部） (2) Audix D6 动圈话筒（低频） (4) Audix I5 动圈话筒 (3) Audix ADX51 小振膜电容话筒 (1) AKG D112 （2）森海塞尔 MD421 动圈 （2）森海塞尔 E609 动圈
3.MTH.我们的土地测绘与测量课程计划
虽然大朗德邦联部落现在居住在俄勒冈州大朗德的大朗德保留地，但该部落的原住民曾经居住在俄勒冈州、华盛顿州西南部和加利福尼亚州北部的大部分地区。直到 1856 年这些原住民被迫离开家园后，他们才开始主要居住在大朗德。随着这次迁移和重新安置，许多部落失去了通往部落重要地点的通道，例如威拉米特瀑布、玛丽峰、桌岩等。
菲律宾药品竞争
由于大多数家庭自掏腰包购买药品，药品价格是医疗保健成本的主要决定因素，对医疗保健的机会和健康结果有影响，特别是对贫困家庭（Bredenkamp 和 Buisman，2016 年）。2012 年，菲律宾家庭平均在药品上花费 5,158 比索，占总自付医疗支出的 61.7%（Ulep 和 Cruz，2013 年）。在发生灾难性支出的家庭中，药品支出是最大的支出项目，相当于总支出的 55%。在所有收入群体中，药品和药物在医疗支出的构成中占比最高。虽然最富裕五分之一家庭的平均药品和药物支出较高，但贫困家庭的药品支出在总支出中的占比更高。最贫困五分之一家庭将 76% 的自付费用用于购买药品，比最富裕的家庭群体高出约 18 个百分点。
基于四...
为了实现经济发展与环境利益之间的双赢局势，本文构建了一个四方进化游戏模型，包括政府，两个同质港口和基于进化游戏理论的运输公司。根据雅各比矩阵，通过计算四方的回报矩阵并复制动态方程，我们研究并讨论了五个不同情况下模型的可能稳定点。使用MATLAB模拟游戏，并选择相关参数进行灵敏度分析。结果表明，当政府不执行政策时，环境利益将最大化，并且港口和航运公司使用岸上电气系统（即稳定点E12（0,1,1,1,1））。同时，通过分析端口尺寸敏感性，当t = 1.116时，大规模的端口演化趋向于0，而小规模的端口则上下闪烁，从而得出这样的结论，即小规模的端口具有更大的潜力来实施岸上的负责人，并能够获得较快的福利效果。这项研究为实施岸上电气系统提供了理论支持，同时指出了政府在促进岸上电动机开发中的关键作用。它提供了参考，以有效促进在减少碳排放量的情况下使用岸上电动机的使用，这对于在小型端口中实施海岸电气尤其重要，并有助于最大程度地提高港口操作的环境利益。
识别QHSW1的精细映射，这是...
mung bean是一种重要的经济作物，被认为是一种植物蛋白成分含量较高的作物，被视为蔬菜和谷物。在各种与产量相关的性状中，一百种种子重量（HSW）对于确定绿豆的产生至关重要。这项研究采用了200条线的重组植物线（RIL）人群，这些线群是通过全基因组重新取代进行基因分型的，以在四个环境中鉴定出HSW相关的定量性状基因座（QTL）。我们识别了HSW的5个QTL，每个QTL都解释了2.46 - 26.15％的表型差异。其中，QHSW1在所有四个环境中均在1号染色体上映射，解释了表型变化的16.65-26.15％。精细的映射和基于地图的克隆程序，以及重组的后代测试，有助于将QHSW1的候选间隔缩小到506 kb。QHSW1基因组间隔和与QHSW1紧密联系的标记的这种识别对于改善种子重量较高的绿豆品种的繁殖工作可能是有价值的。
强大的backstepping-super-twisting-sliding-mode-control- ...
摘要本文重点介绍了自动驾驶车辆的控制问题之后的路径。旨在增强鲁棒性和衰减现象，基于Lyapunov理论开发了一种超级扭转的滑动模式控制算法（STA），其中通过应用倒退技术来提供控制系统稳定性的证明。此外，进行MATLAB/SIMULINK和CARSIM之间的共模拟以验证控制性能后的路径。在这项研究中，Stanley控制器，常规滑动模式控制（SMC）和模型预测控制（MPC）用作评估提出的STA性能的基准控制器。在模拟中考虑了两种驾驶场景，包括正常驾驶和猛烈驾驶。全面评估控制绩效和控制工作（即转向的大小），新颖地提供了一个集成和加权性能评估指数。仿真结果表明，在正常驾驶情况下，所提出的STA的𝐼𝑊𝑃𝐸𝐼可以减少40.5％，25.8％，10.9％；与斯坦利控制器，常规SMC和MPC相比，在激烈的驾驶情况下，在激烈的驾驶情况下有62.5％，24％，6.8％。结果还表明，所提出的STA在颤动的衰减方面优于常规SMC，从而导致前方向盘角度输入更平滑，并且更平滑。与MPC相比，所提出的STA的优点在于其计算复杂性较低。此外，通过更改车辆质量和轮胎参数来验证控制器的鲁棒性。与基准方法相比，所提出的STA可以将𝐼𝑊𝑃𝐸𝐼的波动减少22.6％，22.3％和5.9％。这些结果表明，对系统扰动的考虑对于超级扭转滑动模式控制器的设计至关重要，这可以改善系统后自动驾驶汽车路径的鲁棒性。
使用4D隐式神经表示
构建准确的地图是构成可靠的局部设备，计划和导航的关键构建块。我们提出了一种新的方法，可以利用LiDAR扫描来建立动态环境的准确地图。为此，我们建议将4D场景编码为新的时空隐式神经图表示，通过将时间依赖性的截断符号距离函数拟合到每个点。使用我们的代表，我们通过过滤动态零件来提取静态图。我们的神经表示基于稀疏特征网格，一种全球共享的解码器和时间依赖性的BAIS函数，我们以无监督的方式共同优化。要从一系列li-dar扫描中学习此表示，我们设计了一个简单而有效的损耗函数，以分段方式监督地图优化。我们在包含静态图的重建质量和动态点云的分割的各种场景上评估了我们的方法1。实验结果表明，我们的方法是删除输入点云的动态部分的过程，同时重建准确而完整的3D地图，以超出几种最新方法。
对成人数据训练新生儿的MRI颅骨剥离的无监督域的适应
颅骨插曲是重要的第一步。基于学习的细分模型（例如U-NET模型）在自动执行此细分任务时显示出令人鼓舞的结果。但是，当涉及到新生儿MRI数据时，在培训这些模型期间，没有任何可公开可用的大脑MRI数据集随着手动注释的segmentment口罩而被用作标签。大脑MR图像的手动分割是耗时，劳动力密集的，需要专业知识。此外，由于成人数据和新生儿数据之间的较大域移动，使用对成人脑MR图像进行训练的分割模型进行分割新生脑图像无效。因此，需要对新生儿大脑MRI的更有效，准确的颅骨剥离方法。在本文中，我们提出了一种无监督的方法，以适应经过成人MRI训练的U-NET颅骨剥离模型，以有效地在新生儿上工作。我们的资产证明了我们新颖的未加剧方法在提高分割准确性方面的有效性。我们提出的方法达到了总体骰子系数为0。916±0。032（平均值±STD），我们的消融研究巩固了我们提议的有效性。非常重要的是，我们的模型的性能与我们进行了综合的当前最新监督模型非常接近。所有代码均可在以下网址提供：https：//github.com/abbasomidi77/daunet。这些发现表明，这种方法是一种有价值，更容易，更快的工具，用于支持医疗保健专业人员，以检查新生大脑的先生。
基于空间表征语义层次的机器人探索与绘图策略
许多科学家 [Lynch，1960；Piaget 和 Inhelder，1967；Siegel 和 White，1975] 已经观察到认知地图被组织成连续的层，并提出对大规模环境的有用且有力的描述的核心要素是拓扑描述。分层模型包括从局部感官信息中识别和辨认地标和地点；路线控制知识（从一个地方到另一个地方的过程）；连通性、顺序和包含的拓扑模型；以及形状、距离、方向、方位以及局部和全局坐标系的度量描述。看来，认知地图的分层结构是人类在大规模空间中稳健表现的原因。我们的方法试图将这些方法应用于机器人探索和地图学习问题。我们定性方法中对环境的核心描述是拓扑模型，如 TOUR 模型 [Kuipers，1978]。该模型由一组节点和弧组成，其中节点代表环境中可识别的位置，弧代表连接它们的行进路径。节点和弧是根据机器人的感觉运动控制能力程序性定义的。度量信息添加到拓扑模型之上。