XiaoMi-AI文件搜索系统
World File Search System任务优化
大功率提取低涵道比混流涡扇发动机的设计考虑
摘要：从飞机的角度来看，从涡扇发动机中提取大量电能的可能性越来越大。未来战斗机的功耗预计将比今天的战斗机高得多。该领域的先前工作集中在高涵道比发动机的功率提取研究上。这促使我们彻底研究低涵道比混流涡扇发动机的性能潜力和局限性。建立了低涵道比混流涡扇发动机模型，并模拟了战斗机任务的关键部分。调查显示了高压涡轮的功率提取如何影响军用发动机在飞行范围内不同任务部分的性能。分析得出的一个重要结论是，如果满足特定的操作条件，可以在高功率设置下从涡扇发动机中提取大量功率，而不会对推力和单位燃料消耗造成太大的损失。如果发动机 (i) 以最大总压力比或接近最大总压力比运行，但 (ii) 远离最大涡轮入口温度极限，则功率提取对发动机推力和推力比燃料消耗的不利影响将受到限制。另一方面，如果发动机已经以最大涡轮入口温度运行，则高压轴的功率提取将导致推力大幅下降。所提出的结果将支持对未来战斗机发动机的战斗机任务优化和循环设计的分析和解释，这些发动机旨在实现大功率提取。这些结果对于飞机设计也很重要，更具体地说，对于确定飞机功率消耗者的最佳能源也很重要。
VR任务多目标优化研究
摘要 ：为提高虚拟现实（VR）系统中信息获取与任务选择的效率，增强交互体验，降低用户的认知负荷，在VR场景设计阶段有效组织和利用用户的认知心理与设计要素是至关重要的。本文基于认知资源理论，重点分析用户的低认知负荷要求和对用户良好感知体验的需求，提出一种低认知负荷要求下的VR系统场景任务优化设计方法。利用人机混合智能辅助预测用户认知负荷，将智能优化遗传算法融入VR系统设计要素优化中，以低认知负荷原则为目标函数，以最小化认知负荷为目标函数，以重要知识粒度节点作为VR系统设计资源要素优化过程中的适应度函数，结合智慧城市VR系统任务信息界面的多通道认知，开展系统资源特征优化应用研究。本研究通过虚拟现实眼动实验，对VR系统中相同设计任务需求，验证并比较了传统设计流程得到的解决方案和本文方法优化的解决方案。结果表明，用户在与本文提出的优化方案交互时，认知负荷更低，任务操作体验更好。因此，本文研究的优化方法可以为虚拟现实系统的构建提供参考。
性能优化的深度神经网络正在发展为较差的颞下颞叶状性皮层
过去十年来计算神经科学中最有影响力的发现之一是，深神经网络（DNN）的对象识别准确性（DNNS）与他们预测依次（IT）皮质中自然图像的神经反应的能力相关[1,2]。这一发现支持了长期以来的理论，即对象识别是视觉皮层的核心目标，并建议更准确的DNN将作为IT神经元对图像的更好模型的响应[3-5]。从那时起，深度学习就进行了一场规模的革命：经过数十亿图像训练的十亿个参数规模的DNN在包括对象识别的视觉任务上竞争或超越人类。今天的DNN在对象识别方面变得更加准确，可以预测其对图像的神经元的响应变得更加准确？在三个独立的实验中，我们发现情况并非如此：DNN逐渐变得更糟，因为其精度在Imagenet上提高了。要了解为什么DNN经历这种权衡并评估它们是否仍然是建模视觉系统的适当范式，我们转向其录音，以捕获自然图像引起的神经元活动的空间分辨图[6]。这些神经元活动图表明，接受Imagenet训练的DNN学会依靠与由其编码的DNN相比，并且随着其准确性的提高，该问题恶化。我们成功解决了这个问题，这是DNNS的插件训练程序，它使他们学到的表现与人类保持一致[7]。我们的结果表明，统一的DNN破坏了ImageNet精度和神经预测准确性之间的权衡，从而攻击了当前的DNN，并为更准确的生物学视觉模型提供了途径。我们的工作表明，使用任务优化的DNNS需要进行修订的标准方法，以及其他生物学约束（包括人体心理物理学数据）需要准确地逆转视觉皮层。
许多（但并非所有）深度神经网络音频模型都能捕捉大脑反应并表现出层次区域对应关系
* 共同第一作者 1 麻省理工学院麦戈文脑研究所脑与认知科学系，美国马萨诸塞州剑桥 2 麻省理工学院大脑、心智与机器中心，美国马萨诸塞州剑桥 3 哈佛大学语音与听觉生物科学与技术项目，美国马萨诸塞州剑桥 4 罗彻斯特大学医学中心，美国纽约州罗彻斯特 摘要 深度神经网络通常用作视觉系统的模型，但在听觉方面的研究较少。先前的研究提供了音频训练神经网络的例子，这些网络可以很好地预测听觉皮层 fMRI 反应，并显示出模型阶段与大脑区域之间的对应关系，但这些结果是否推广到其他神经网络模型尚不清楚。我们评估了公开可用的音频神经网络模型以及在四个不同任务上训练的内部模型的大脑模型对应关系。大多数测试模型的预测效果都优于之前的听觉皮层滤波器组模型，并表现出系统的模型-大脑对应关系：中间阶段最能预测初级听觉皮层，而深层阶段最能预测非初级皮层。然而，一些最先进的模型产生了明显更差的大脑预测。训练任务影响了特定皮质调节特性的预测质量，最好的整体预测来自在多个任务上训练的模型。结果表明任务优化在限制大脑表征方面的重要性。
功能上协调新兴技术以实现自我......
随着阿尔忒弥斯计划致力于在月球轨道上建立门户并在月球上建立大本营，推进用于深空栖息地的新兴技术代表着朝着实现可持续未来探索任务迈出的下一步。无论最终目的地是低地球轨道、深空还是行星表面，保持机组人员生命、健康、快乐和高效所需的基本功能都适用于栖息地设计。然而，随着任务持续时间和与地球距离的增加，由于地面通信链路受到影响和补给机会受限，未来的太空栖息地将需要前所未有的自给自足水平来维持运营。为了应对这一挑战，自主设计方法和其他新兴技术，包括机器学习和人工智能 (AI)、人机协作、机器人技术、增材制造、闭环生命支持系统等，可以通过提高机载能力和减少对地球支持的依赖，为执行必要功能提供独特的解决方案。在此背景下，我们将这些技术统称为“智能系统”，该系统根据需要结合硬件、软件、人员和/或流程的元素，以满足所需的机载功能，而无需外部干预。本文概述了从通用深空作战概念 (ConOps) 中识别基本栖息地功能的过程，以及将这些功能与一种或多种可选实现方式相结合的策略。解决方案范围从地面指挥行动到机载手动或自动任务分配，再到各种自主支持的新兴技术的结合。然后提出了描述新兴技术设计解决方案的潜在优势的标准，以进行标称操作和异常响应，作为将其性能与当前最先进的方法进行比较的决策策略。最后，我们总结了一组精选的新兴技术，我们的同事目前正在评估这些技术的特定功能，这是 NASA“SmartHab”空间研究所 (STRI) 针对探索任务优化的栖息地 (HOME) 项目的一部分。
许多（但并非所有）深度神经网络音频模型都能捕捉大脑反应并表现出层次区域对应关系
* 共同第一作者 1 麻省理工学院麦戈文脑研究所脑与认知科学系，美国马萨诸塞州剑桥 2 麻省理工学院大脑、心智与机器中心，美国马萨诸塞州剑桥 3 哈佛大学言语与听觉生物科学与技术项目，美国马萨诸塞州剑桥 4 罗彻斯特大学医学中心，美国纽约州罗彻斯特 摘要 预测大脑对刺激的反应的模型提供了对感觉系统的一种理解，并且在科学和工程领域有许多潜在的应用。因此，刺激可计算的感觉模型是神经科学的长期目标。深度神经网络已成为视觉系统的主要预测模型，但在听觉领域的研究较少。先前的研究提供了音频训练神经网络的例子，这些网络可以很好地预测听觉皮层 fMRI 反应，并表现出模型阶段和大脑区域之间的对应关系，但尚不清楚这些结果是否能推广到其他神经网络模型，以及如何进一步改进该领域的模型。我们评估了公开可用的音频神经网络模型以及在四个不同任务上训练的内部模型的大脑模型对应性。大多数测试模型的预测结果都优于之前的听觉皮层滤波器组模型，并表现出系统的模型-大脑对应性：中间阶段最能预测初级听觉皮层，而深层阶段最能预测非初级皮层。然而，一些最先进的模型产生了明显更差的大脑预测。训练任务影响了特定皮层调节特性的预测质量，最佳整体预测来自在多个任务上训练的模型。结果表明任务优化对于解释大脑表征的重要性，并普遍支持深度神经网络作为听觉模型的前景。
考虑路径相关性能的飞机多学科设计优化
有许多人直接或间接地帮助我完成了这篇论文，我真心希望在这里一一感谢他们。我的导师 Joaquim RRA Martins 教授让我产生了优化一切的内在愿望——飞机、轨迹、我的生活——对此我深表感谢。Martins 教授帮助我用好奇和批判的眼光看待世界，我将带着这种眼光度过我余下的研究旅程。我特别感谢 Justin Gray，他鼓励我申请 MDO 实验室，在我在美国宇航局工作期间指导我，并在我攻读博士学位期间与我合作，为我着想。Justin 对我的生活产生了多么积极的影响，我无法用言语来形容。我还要非常感谢 Charles Mader 博士，他耐心地帮助我（远程和亲自）进行更好的研究。我和实验室同事开玩笑说，我们站在加拿大人的肩膀上，而 Mader 博士为我们打下了坚实的基础。我感谢 Krzysztof Fidkowski 教授，他除了在我的委员会任职外，还在我在这里的最后几年担任研究生主席，致力于改善研究生的生活。我还要感谢 Julie Young 教授在我的委员会任职并为我的研究提供建设性反馈。我会想念安娜堡的许多方面，但我最想念的是 MDO 实验室的同事。我度过了无数美好的时光，一起构思、调试、素描、写作、吃饭、玩飞盘和与实验室伙伴一起旅行。John Hwang 教授（当时是博士后）是第一个迎接我的人，在我攻读博士学位的头几年，他是我的导师、合作者和朋友。一路上，许多资深成员也给了我帮助，包括 Ney Secco、Tim Brooks、Gaetan Kenway、Dave Burdette、Mohamed Bouhlel、Ping He 和 Xiaosong Du。我的同班同学都很棒，尤其是 Shamsheer Chauhan、Nick Bons、Josh Anibal、Ben Brelje、Eirikur Jonsson、Anil Yildirim、Yingqian Liao、Sicheng He 和 Gustavo Halila。我知道，在 Neil Wu、Marco Mangano、Sabet Seraj 和 Shugo Kaneko 领导下，这个团队的未来一片光明。在攻读博士学位期间，我很幸运地在美国宇航局格伦研究中心工作，在那里，只有最善良、最乐于助人的人才能做出伟大的工作。Jon Seidel 耐心地帮助我了解超音速发动机。Eric Hendricks 向我灌输了发动机建模知识，在骑自行车时总是能超越我。Rob Falck 在任务优化方面给予我的帮助比任何普通人都要多。
使用...
1位城市工程学院CSE助理教授2,3,4,5印度班加罗尔城市工程学院的计算机科学与工程学学生。 摘要：人工智能技术的出现刺激了各个领域的创新，废物管理也不例外。 该项目提出了一个基于AI的垃圾检测系统，旨在彻底改变各种环境中废料的识别和分类。 利用先进的计算机视觉和机器学习算法，该系统自动化垃圾检测和分类过程，从而有助于更高效，更可持续的废物管理实践。 计算机愿景的最新进展已为解决围绕废物管理的全球问题开辟了新的途径。 这项研究深入研究了计算机视觉技术，以进行精确的废物分类和识别。 主要目标是开发一种能够准确识别和分类各种废物容器的强大算法。 使用深度学习算法（例如卷积神经网络（CNN），内容提取和分类）。 数据集包含图像，描绘了各种废物类型，包括塑料，纸张，玻璃，金属和有机废物。拟议的系统涉及预处理，特征提取，分类和后处理阶段。 图像增强，归一化和降噪功能在预处理过程中增强了输入图像质量。 使用预训练的CNN模型（例如Resnet，VGG或Mobilenet）提取相关特征。1位城市工程学院CSE助理教授2,3,4,5印度班加罗尔城市工程学院的计算机科学与工程学学生。摘要：人工智能技术的出现刺激了各个领域的创新，废物管理也不例外。该项目提出了一个基于AI的垃圾检测系统，旨在彻底改变各种环境中废料的识别和分类。利用先进的计算机视觉和机器学习算法，该系统自动化垃圾检测和分类过程，从而有助于更高效，更可持续的废物管理实践。计算机愿景的最新进展已为解决围绕废物管理的全球问题开辟了新的途径。这项研究深入研究了计算机视觉技术，以进行精确的废物分类和识别。主要目标是开发一种能够准确识别和分类各种废物容器的强大算法。使用深度学习算法（例如卷积神经网络（CNN），内容提取和分类）。数据集包含图像，描绘了各种废物类型，包括塑料，纸张，玻璃，金属和有机废物。拟议的系统涉及预处理，特征提取，分类和后处理阶段。图像增强，归一化和降噪功能在预处理过程中增强了输入图像质量。使用预训练的CNN模型（例如Resnet，VGG或Mobilenet）提取相关特征。转移学习技术为垃圾分类任务优化了这些模型。分类涉及使用使用优化算法（如随机梯度下降（SGD）和ADAM）进行标记的数据训练改良的CNN模型。诸如非最大抑制（NMS）之类的后处理技术解决了生产预测并消除重复的信号。实验结果证明了该算法在准确分类和识别废物类型方面的有效性，从而对废物管理工作产生了重大贡献。未来的研究指示包括实时实施，可伸缩性以及与机器人系统的集成，用于工业和城市环境中的自主废物管理。关键字：计算机视觉，CNN模型，Python，Yolo模型，优化铝制。