XiaoMi-AI文件搜索系统
World File Search Systemproblems
运输问题
1。Bylinko L.: Integration of an urban transportation system as an element of mobility plans ........................................................................................................................................... 5 2.Warchoł-Jakubowska A.，Krejtz K.，SzczecińskiP。，Wisiecka K.，Duchowski A.T.，Krejtz I。Brozović V., Kezić D., Krile S., Brozović F.: A hardware platform for a maritime collision avoidance system....................................................................................................... 31 4.KozłowskiM.，Czerepicki A.，Dzido p。：低计算功率微控制器控制的自动驾驶汽车模型的车道跟踪算法 Kozicki B., Skrabacz A.: A comparative analysis of injuries and deaths caused by road traffic accidents in Poland and selected EU countries ............................................................. 57 6. MałyszM.，Tomczak P.，Szmytkie R.，Jurkowski W。：基于wroclaw凝聚中的核心层面环境连接的示例，可访问巴士运输的空间区别 węgrzynT.，szczucka-lasota B.，Szymczak T.，olazarz B.，Piwnik J.KozłowskiM.，Czerepicki A.，Dzido p。：低计算功率微控制器控制的自动驾驶汽车模型的车道跟踪算法Kozicki B., Skrabacz A.: A comparative analysis of injuries and deaths caused by road traffic accidents in Poland and selected EU countries ............................................................. 57 6.MałyszM.，Tomczak P.，Szmytkie R.，Jurkowski W。：基于wroclaw凝聚中的核心层面环境连接的示例，可访问巴士运输的空间区别 węgrzynT.，szczucka-lasota B.，Szymczak T.，olazarz B.，Piwnik J.MałyszM.，Tomczak P.，Szmytkie R.，Jurkowski W。：基于wroclaw凝聚中的核心层面环境连接的示例，可访问巴士运输的空间区别węgrzynT.，szczucka-lasota B.，Szymczak T.，olazarz B.，Piwnik J.Juzek M., Słowiński P.: The impact of accelerometer mounting on the correctness of the results obtained in NDT-type tests ..................................................................................... 97 9.Shkvar Ye., Kandume J., Redchyts D.: The key role of modern aerodynamic trends in increasing the energy efficiency of high-speed vehicles........................................................ 107 10.Odachowska-Rogalska E.
基于加强学习的算法，用于优化问题和对反问题的应用
我们设计了一种称为“增强”的新迭代算法，用于解决一般的优化问题。此算法参数化解决方案搜索规则，并使用强化学习（RL）算法类似于增强算法来更新参数。为了更深入地了解基于RL的方法，我们表明，增强OPT基本上解决了给定优化问题的随机版本，并且在标准假设下，搜索规则参数几乎可以肯定地收敛到本地最佳值。实验表明，增强-OPT优先于其他优化方法，例如梯度下降，遗传算法和粒子群优化，它可以从局部最佳溶液中逃脱到其鲁棒性到对初始值的选择。有了严格的推导，我们正式介绍了使用强化学习来处理反问题的使用。通过为动作选择规则选择特定的概率模型，我们还可以将我们的方法连接到Tikhonov正则化和迭代正则化的常规方法。我们在部分微分方程中采用非线性积分方程和参数识别问题作为示例，以说明如何将强化学习应用于求解非线性逆问题。数值实验强调了增强-OPT的强劲性能，以及其量化错误估计不确定性并确定缺乏解决方案稳定性和唯一性的逆问题的多个解决方案的能力。
“友好 AI” 的问题
摘要 基于美德伦理，Barbro Fröding 和 Martin Peterson 最近建议，近期的人工智能应发展为“友好人工智能”。应为与人类进行社交互动的人工智能进行编程，使其模仿人类友谊的各个方面。虽然将与人类互动的人工智能系统实现为友好人工智能是一个合理的目标，但我以 Fröding 和 Peterson 对友好人工智能的理解为起点，确定了有关友好人工智能需要解决的四个问题。首先，我简要概括了 Fröding 和 Peterson 对友好人工智能的论据。然后，我重点介绍了 Fröding 和 Peterson 的方法和推理的一些问题，并确定了与友好人工智能概念相关的四个问题，这些问题都与人类道德发展的作用和需要有关。这些是：（1）应该考虑与友好人工智能互动的人类的道德倾向和偏好，（2）需要考虑与友好人工智能互动的人类是否仍在发展他们的美德和性格特征，（3）应该考虑用友好人工智能取代人类的间接影响，以考虑人类发展道德美德的可能性，以及（4）人工智能是否被视为某种形式的通用人工智能的问题不容忽视。总之，我认为这四个问题都与人类的道德发展有关，这一观察强烈强调了人类道德发展与人工智能系统加速发展之间的关系的作用和必要性。
问题和解决方案 - Aerostudents
问题和解决方案第 1.1 节（1.1 至 1.19） 1.1 图 1.2 中的弹簧依次加载质量，相应的（静态）位移记录如下。绘制数据并计算弹簧的刚度。请注意，数据包含一些误差。还要计算标准偏差。
可持续发展问题
natturlix@gmail.com，ORCID：0000-0001-7553-453 摘要 近几十年来，经济发展的社会化已成为全球化的主要趋势之一，同时也是一个多层次、结构化和制度化的过程。本文概括了社会经济基本识别的理论方法，并提出了基于社会公正、责任与团结、社会心态与文化、社会团结与乐观、社会保障、气候与舒适等多准则模型的演变格式。概述了可持续发展范式的当前配置及其主观决定因素。本文介绍了根据人类发展、社会进程、经济自由、老年人福祉、幸福星球、幸福和性别差距的全球指数进行聚类建模的结果。社会关注的是使用全球幸福指数和幸福星球对各国在社会乐观方面的实证比较。实证分析的结果总结为盎格鲁撒克逊、斯堪的纳维亚、大陆、地中海和过渡性社会经济模式的配置，这些模式在全球扩展的过程中需要进行质的更新。关键词：全球社会化、社会经济、社会正义、社会责任、社会团结、社会心态、社会文化、社会团结、社会氛围和舒适、社会乐观主义 Jel 分类：B55、F63团结、团结精神、精神精神、文化精神、耶德诺精神、气候和舒适精神、优化精神
网络问题 磁性
标为 A 的问题很简单，标为 B 的问题难度更大，标为 C 的问题旨在让学生思考，标为 S 的问题则是概括性的。WebLearn 上的“化学家物理学”下有在线物理教程。1. 电流。漂移速度 1.1AA 横截面积为 A 的导线每单位体积包含 n 个传导电子。证明导线中的电流等于 i = nAve 其中 e 是电子上的电荷，v 是漂移速度。1.2A 早期的直流电表将 11% 的电流转移到电解池中，锌离子在电解池中被还原为锌。然后使用沉积的锌的质量来测量供给房屋的电荷。如果在一个月内沉积了 65.4 克锌，则供给了多少电荷？1.3AA 半径为 800 μ m 的银导线承载的电流为 15 mA。假设每个银原子释放一个传导电子，计算该导线中电子的漂移速度。银的摩尔体积为 10.27 cm 3 mol –1 。1.4A 碘化银是快速离子导体。在 420 K 以上，银离子变得可移动并导电，而碘离子保持固定。半径为 1.0 cm 的碘化银圆盘承载着 30 mA 的电流。计算银离子的漂移速度。碘化银的密度为 5683 kg m –3，相对分子质量为 234.773。1.5A 在横截面积为 1.00 cm 2 的电导池中，含有 1.00 mM 的 RbBr 溶液，流过的电流为 1.56 μ A。假设两个离子的漂移速度相等且方向相反，求它们。
惯性导航系统（IMU/INS）RCI本地为...
研究问题的简介DLRL方向查找器（DF）系统当前使用方位角轴承来识别频率料斗信号，并在三个类别中对检测到的信号进行分类，即固定频率（FF），频率料斗（FH）和爆发。DF系统在频域中进行扫描，并执行所有检测到的信号的DF。由于信号处理是基于框架/批次的，并在频域中进行，并且在每个通道中并行，因此爆发和单个啤酒花的时间持续时间估计的准确性受到限制，因此，快速料斗的Hop速率估计值不准确。使用来自两个或五个DF天线中的每个DF天线中的时域iQ数据基于深度学习/机器学习的算法，以将接收的信号分类为FF，FF和爆发。培训数据需要由适当的数学模型生成，该模型应允许引入噪声和褪色。产生的信号应允许以瞬时带宽内的不同频率同时存在多个信号。预计它将能够估算200个微秒的次数和爆发持续时间。需要使用仿真验证所提出的方法的性能，并使用使用商业阶段相干的信号采集硬件（最少2个通道）生成或捕获的数据在工作站/笔记本电脑或PC上测试。dlrl寻求与学术机构一起开发和实施复杂的统计数字信号处理算法的解决方案。