XiaoMi-AI文件搜索系统
World File Search Systemtiny
微小的森林监测报告2023
在您当地的小森林中进行蝴蝶和传粉媒介调查的最佳时间是四月，5月，当大多数物种活跃时，花朵资源可能会达到顶峰。您可以在图中看到（下图），大多数花的斑块中的调查记录了最高的授粉媒介。每年，我们在五月份经营小型森林野生动植物的人数，鼓励尽可能多的人出去享受当地的小森林，同时提供有关粉媒体物种在微小森林中如何变化的关键数据。如果您将调查重点放在山楂，柳树，螃蟹苹果，罗文，樱桃等树种上，这些樱桃可能在四月和五月盛开，您会惊讶于它们的繁忙。
教授Tiny JAARSMA 博士，瑞典
Jaarsma 博士在荷兰格罗宁根获得了 HBO-V 护理学士学位，1992 年作为荷兰心脏基金会 Dr Dekker 奖学金的一部分在马斯特里赫特大学获得了健康科学硕士学位。1993 年，她在加州大学洛杉矶分校学习了 6 个月，并于 1999 年在马斯特里赫特大学获得博士学位，论文题目为“心力衰竭，护士护理”。获得硕士学位后，她在马斯特里赫特大学担任助理教授。获得博士学位后，她在荷兰心脏基金会担任博士后研究员（1988 年至 2000 年），并在 2000 年至 2010 年在格罗宁根大学医学中心担任研究员和副教授。2010 年，她移民到瑞典，在林雪平大学担任护理学正教授。她领导着一个研究小组 (CESAR)，该小组由 25 名瑞典国内外研究人员组成，研究瑞典心脏护理领域。她的研究成果已发表在 500 多份出版物上，包括简短的实用通讯、书籍章节和同行评审期刊上的科学出版物。
评论文章的微小机器学习资源
我们每天在能够在其内部运行机器学习模型的电子设备中使用2500亿微控制器。不幸的是，这些微控制器中的大多数在计算资源（例如内存使用情况或时钟速度）方面受到了高度限制。这些与使用基本计算机在教学和运行机器学习模型中起关键作用的资源完全相同。但是，在微控制器环境中，有限的资源构成了重要的区别。因此，必须创建一种称为微型机器学习的新范式，以满足嵌入式设备的约束要求。在这篇综述中，我们讨论了可用于克服这些资源不同崇拜的微小机器学习和不同方法的资源优化挑战。此外，我们总结了微小的机器学习框架，库，开发环境和工具的当前状态。微型机器学习设备的基准测试是另一件事。微控制器的这些相同约束以及硬件和软件的多样性转向基准挑战，在嵌入式设备之间可靠地测量性能差异之前，必须解决这些挑战。我们还讨论了新兴技术和方法，以增强和扩展微小的机器学习过程并提高数据隐私和安全性。最终，我们就微型机器学习及其未来的发展做出了结论。
微型 AI 应用的神经形态模拟实现
NASP 解决方案使用迁移学习的原理，其中负责原始数据预处理的神经网络的大多数层（1）在一定数量的训练周期后保持不变（固定模拟核心），并且只有最后几层（2）在接收新数据和重新训练时进行更新（灵活数字核心）。
一种受大脑启发的低维计算分类器，用于微型设备推理
通过模仿类似大脑的认知并利用并行性，超维计算 (HDC) 分类器已成为实现高效设备推理的轻量级框架。尽管如此，它们有两个根本缺点——启发式训练过程和超高维度——导致推理精度不理想且模型尺寸过大，超出了资源受限严格的微型设备的能力。在本文中，我们解决了这些根本缺点并提出了一种低维计算 (LDC) 替代方案。具体而言，通过将我们的 LDC 分类器映射到等效神经网络，我们使用原则性训练方法优化我们的模型。最重要的是，我们可以提高推理精度，同时成功地将现有 HDC 模型的超高维度降低几个数量级（例如 8000 对 4/64）。我们通过考虑不同的数据集在微型设备上进行推理来进行实验以评估我们的 LDC 分类器，并且在 FPGA 平台上实现不同的模型以进行加速。结果表明，我们的 LDC 分类器比现有的受大脑启发的 HDC 模型具有压倒性优势，特别适合在微型设备上进行推理。
改善来自微小培训的协方差矩阵...
大脑计算机界面域中使用的抽象脑电图数据通常具有低于标准的信噪比，并且数据采集很昂贵。有效且常用的分类器来区分事件相关电位是线性判别分析，但是，它需要对特征分布进行估计。虽然功能协方差矩阵提供了此信息，但其大量的免费参数要求使用正规化方法，例如Ledoit -Wolf收缩。假设与事件相关的潜在记录的噪声没有时间锁定，我们建议将与事件相关潜在数据的协方差矩阵分离，以进一步改善线性歧视分析的协方差矩阵的估计值。我们比较了三种正则变体和基于黎曼几何形状的特征表示，与我们提出的新型线性判别分析与时间耦合的协方差估计值进行了比较。对14个脑电图数据集的广泛评估表明，新颖的方法可将分类性能提高到小型训练数据集的最高四个百分点，并优雅地收敛于标准收缩率调查的LDA对大型培训数据集的性能。鉴于这些结果，该领域的从业人员应考虑使用线性判别分析来对事件相关的电位进行分类时，应考虑使用我们提出的时间耦合协方差估计，尤其是在很少有培训数据点可用时。
冰川跳蚤：高山气候变化的微小见证
故事《冰川跳蚤游戏》是使气候变化与儿童相关的有效工具。这种互动活动引入了冰川跳蚤，这是一种在冰川冰上繁衍生息的当地昆虫，以证明冰川撤退如何威胁其栖息地。与远处的符号（例如北极熊）不同，冰川跳蚤可以帮助儿童将气候变化与周围环境联系起来，从而促进了对当地和全球环境影响的认识。以奥地利最大的冰川冰川的戏剧性背景为背景，这种学习场景结合了讲故事，娱乐和动手活动。它强调了温度上升如何导致冰融化，危害各种物种的栖息地，冰川跳蚤是更广泛的生态挑战的象征。
一种受大脑启发的低维计算分类器，用于微型设备推理
通过模仿类似大脑的认知并利用并行性，超维计算 (HDC) 分类器已成为实现高效设备推理的轻量级框架。尽管如此，它们有两个根本缺点——启发式训练过程和超高维度——导致推理精度不理想且模型尺寸过大，超出了资源受限严格的微型设备的能力。在本文中，我们解决了这些根本缺点并提出了一种低维计算 (LDC) 替代方案。具体而言，通过将我们的 LDC 分类器映射到等效神经网络，我们使用原则性训练方法优化我们的模型。最重要的是，我们可以提高推理精度，同时成功地将现有 HDC 模型的超高维度降低几个数量级（例如 8000 对 4/64）。我们通过考虑不同的数据集在微型设备上进行推理来进行实验以评估我们的 LDC 分类器，并且在 FPGA 平台上实现不同的模型以进行加速。结果表明，我们的 LDC 分类器比现有的受大脑启发的 HDC 模型具有压倒性优势，特别适合在微型设备上进行推理。
加州离网小房子的能源和水性能
摘要 建筑脱碳和彻底提高能源和水效率的动力日益强劲，并被列为绿色建筑领域的优先事项。微型房子运动提供了应对经济适用房挑战和促进住宅建筑脱碳的机会。微型房子不再强调大众消费和过度物品，并有可能通过在理想的住房位置为低收入居民提供居住空间来解决诸如高档化等公平问题。本文分析了“我家后院的小房子”（THIMBY）项目，通过设计-建造-入住过程在一座三年历史的建筑中研究建筑可持续性概念。THIMBY 在屡获殊荣的小型生活空间（18.5 平方米）内展示了能源和水效率技术。与加州住宅平均水平相比，THIMBY 的设计旨在减少 87% 和 82% 的能源和水使用量。实际上，它减少了 88% 的场地能源消耗，碳排放量比 2100 平方英尺的加州能源委员会 2016 年第 24 条最低限度合规住宅减少了 96%。我们讨论了能源和水系统设计和性能之间的差异，我们发现这为进一步扩大小型房屋运动和其他替代和微型绿色住宅类型提供了重要的经验教训。我们发现，通过整合节能节水技术、家庭能源管理系统以及建模者、建造者和居住者之间的良好沟通来优化此类房屋对于实现大幅节省能源（87%）、水（82%）和碳（96%）至关重要。