XiaoMi-AI文件搜索系统
World File Search Systemtrain
AI训练AI：使用Chatgpt提高治疗对话系统的准确性 Adres publikacji w repozytorium url/出版地址在存储库中 生物/生态系统中完整纳米颗粒表征的基本和高级光谱方法：当前状态和未来前景 基于tial的金属层用于热喷涂的粉末 使用传感无人机系统的母船机械方面，
摘要：在这项工作中，我们介绍了一种人工智能（AI）应用程序（CHATGPT）来培训另一个基于AI的应用程序。作为后一个，我们显示了一个名为Terabot的对话系统，该系统用于精神病患者的治疗。我们的研究是出于这样一个事实的激励，即对于这种特殊领域的系统，很难获取大量的现实数据样本来增加培训数据库：这需要招募更多的患者，这既耗时又昂贵。为了解决这一差距，我们采用了神经大型语言模型：CHATGPT版本3.5，仅生成用于培训我们的对话系统的数据。在最初的实验中，我们确定了最常见的意图。接下来，我们用一系列提示为Chatgpt提供了喂养，这触发了语言模型，以生成许多其他培训条目，例如，在与健康用户进行初步实验中收集的短语的替代方案。以这种方式，我们将培训数据集扩大了112％。在我们的案例研究中，为了进行测试，我们使用了来自32名精神病患者的2802次语音记录。作为评估指标，我们使用了意图识别的准确性。使用自动语音识别（ASR）将语音样本转换为文本。分析表明，患者的语音对ASR模块的质疑显着，导致语音识别恶化，因此意图识别的精度较低。但是，由于使用ChatGpt生成的数据增加了培训数据，意图识别精度相对增加了13％，总共达到了86％。我们还模拟了无错误的ASR的情况，并显示了ASR错误识别对意图识别准确性的影响。我们的研究展示了使用生成语言模型开发其他基于AI的工具的潜力，例如对话系统。
关于受到训练移动载荷的岩石隧道动态反应的实验研究
很明显，测量点的PPA在同一火车移动速度下进行的各种测试中有所不同，这是由于实验和数据收集误差所致。当火车移动速度在4.39–15.8 m/s范围内变化时，不同测量点的PPA变化范围存在明显差异。The PPA variation ranges of measuring points on tunnel wall, including tunnel vault (TV), tunnel left spandrel (TLS), tunnel right spandrel (TRS) and tunnel invert (TI), are about 7.0–10.0 m/s, 2.0–11.0 m/s, 2.5–15.0 m/s, 1.5–4.5 m/s, respectively.包括D2和D5在内的周围岩石质量内的测量点的PPA变化范围为1.5-8.0 m/s和2.0-
动员团队存在培训和装备将动员他人的学生领导者
春季和夏季学期包括与即将离任的GLT和新暴民小队的会议。除了彼此认识外，这还包括与这些小组进行集思广益和计划，为秋季学期做准备。在整个夏季，GLT除了定期更新和有关即将发生的事件和计划的沟通外，还有一些阅读和作业要为秋季学期做准备。秋季学期秋季学期的强调主要集中于事件，个人动员和团队发展。大部分活动将在全球关注期间举行，包括特殊的教堂重点，演讲嘉宾，小组活动和整个月的促销活动。每个人还致力于与同龄人互动，以在追求上帝的全球目的的下一步鼓励他们。在全球关注点结束时，注意力集中在阅读和处理GO Trip应用程序并将团队组合在一起。该事件强调与GO Trip团队揭示。一旦到位，重点就转移到了即将到来的学期进行旅行训练的集思广益和计划。秋季学期的培训和个人发展组成部分着眼于诸如计划，执行和举办活动，与同伴进行个人动员的工具，团队动态，组成团队时的考虑以及培训原理和培训方法。除了在团队背景下发生的发展外，每个人都致力于实现在学期开始时确定的个人目标。春季学期春季学期的计划重点是团队发展和未来的编程。在动员人员和实习生的协助下，每个GLT成员都致力于评估和满足他/她的行程团队中的需求。时间也用于制定未来事件，编程和培训的思想和计划。
沿快速火车线的无人机检查任务的定量空气风险评估
摘要 - 大规模空中交通数据的可用性，包括运行非常低的飞机，为定量评估无人机中空碰撞风险开辟了新的可能性，尤其是。超出视觉路线操作。使用参考定性方法，特定的操作风险评估（SORA）以及文献启发的两种定量方法，本文的贡献归结为对这种风险的三倍评估。定量评估通过估计来自真实数据的分布和指标而不是使用通用假设，从而充分利用了通过合作技术（例如ADS-B和Flarm）收集的数据。在以下内容中，我们对沿快速训练线进行现实的无人机检查任务进行风险分析，并展示对空气风险的定量分析如何有助于确定何时可以符合Sora的现有框架执行此类任务。关键字 - 无人飞机，ADS-B，FLARM，风险评估，空中碰撞，BVLOS操作
侧风条件下列车/车辆气动特性现场试验及风洞试验
由于列车重量减轻、速度加快，受强风影响较大。铁路车辆在侧风作用下的稳定性已成为许多国家[1, 2, 3]讨论的严重问题。减轻车辆重量可降低导致车辆倾覆的临界风速。临界倾覆风速不仅取决于自然风向和风速，还取决于列车速度，因此运行速度越快，导致车辆倾覆的临界风速越低。临界倾覆风速取决于侧风引起的气动力、离心力以及由曲率和轨道倾斜（超高）引起的重力。其中，气动力对倾覆风险的影响最大。因此，为了准确估计临界倾覆风速，有必要研究侧风作用于车辆的气动力。
电池支撑的燃料电池电动动力火车拓扑的建模
摘要。飞机推进的电气化可能会为二氧化碳（CO 2）中性空气旅行提供一种方式。在这里，已经飞行的电动飞机示威者主要依靠电池用作能源。虽然电池电概念可能是用于短距离应用的合适解决方案，例如城市空气车，但最先进的电池状态电池的能量密度不足以为具有典型范围为1000海里和70名乘客的区域飞机供电。推进概念适合区域飞机的一种可能的拓扑选项是由燃料电池系统（FCS）和电池组成的混合体。一方面，这个概念使用氢（H 2）作为主要能量载体，与仅电池飞机相比，所需的电池堆栈质量大大减少。是对具有高功率需求的飞行阶段的电池支撑，例如起飞或攀爬，可以较小的燃料电池系统和相应的热管理系统（TMS）的尺寸，因此与仅燃料电池飞机相比，额外的总体系统质量收益。目前的论文分析了电池堆栈支撑燃料电池系统的重量减小潜力，用于典型的区域飞机，涉及杂交系数（HF）和电池特定能量（BSE）。建模包括燃料电池系统和电池堆栈的尺寸，其他机械和电动组件，例如变速箱，电动机和电动电子设备以及相应的TMS。调整了依次的电气化飞机，保持机翼载荷和功率重量比率的恒定。HF和BSE的最佳组合产生的最低MTOM与27 100公斤的最低结合仍然比22 800千克的传统动力参考飞机重约19.9％。研究表明，与可用的最先进的解决方案相比，BSE的未来重量相似的未来飞机需要非常先进的电池技术。
我们可以训练机器学习模型以了解没有标签的天文学数据吗？
所有作者都在该项目中发挥了作用，并教会了我很多，我非常感谢。此外，我四年级的研究项目共同服务员塞巴斯蒂安·法布罗（Sebastien Fabbro）和迈克·哈德森（Mike Hudson）为我的演讲和报告提供了非常宝贵的指导。
调查了训练隧道发掘项目的经验和分析方法的精度
摘要：由于隧穿而导致的地面变形是软地面隧道设计中最重要的挑战之一，也可以预测隧道对附近结构的相关影响。预测隧道项目中地面沉降的方法之一是使用分析和数值方法。通过准确的仪器和行为测量数据的背面分析来测量定居量，除了估计地面和周围结构的沉降状态外，还可以确定土壤和结构的岩土技术参数在即将到来的部分和未来设计的设计中。在这项研究中，已经尝试通过使用背部分析来验证通过挖掘城市火车线隧道引起的测量定居点。为此，使用了与经验和分析方法获得的预测以及岩土工程有限元分析软件（Plaxis）的比较。结果表明，通常，经验方法获得的值大于测量值，以进行地面沉降。
为时已晚，无法使用太早使用？低资源孟加拉语LLMS
我们比较了开放量和封闭式LLM的性能，例如Llama-3和GPT-4与跨孟加拉语下流任务的微调编码器模型，包括翻译，摘要，汇总，释义，问答，提示和自然语言的推流。我们的发现表明，尽管LLM通常在执行任务方面表现出色，但它们在重新制定孟加拉语脚本生成的任务中的表现却是不明智的。关键挑战包括现有LLM对孟加拉脚本的效率低下，从而导致计算成本增加和潜在的性能退化。加法 - 我们重点介绍了通常用于孟加拉NLP任务的机器翻译数据集中的偏差。我们得出的结论是，孟加拉国面向的LLM非常需要，但是该领域通常缺乏为降低一个高效模型所需的高质量预科和指导调整数据集。*
第4章改进了使用生成AI
关于问题难度估计的研究需要用于准确评估工具和其他模型出于不同的目的。近年来包括基于BERT（双向编码器表示），RNN（经常性神经网络）和其他分类模型的许多主题。传统的问题难度估计方法主要集中在语言和结构分析上，并接受了大型预先标记的问题及其难度水平的培训。本章提出了一种将这些常规技术与生成AI结合起来的方法，以实现更准确的问题难度估计。该方法的原则是，随着AI系统更深入地介入文档以提出问题，产生的问题可能更复杂或稀有