XiaoMi-AI文件搜索系统
World File Search System健壮性
21-3：稳健，零伏，高功率锂离子...
简介军事应用所需的可充电电池面临着关键的挑战，包括在极端温度下的性能，与军事后勤工艺的兼容性，从传统电池技术中淘汰，以及COTS锂离子电池具有专用军事运营要求和遗产平台的COTS锂离子电池的兼容性不佳。为了应对这些挑战，CAMX Power已开发出来，并且是一种基于我们专有的Gemx®高性能阴极材料（许可授予L＆F Co.，Semsung SDI，LG Energy Solution和EV金属组）的商业化锂离子电池技术。这种电池技术以CELX-RC®为商标，具有高功率和快速充电能力，长寿，出色的性能和充电能力，在极高的温度下，出色的安全性，0V的排放能力和存储能力，并且可以在没有管理电子设备的电池中实现。CAMX Power正在为仍依靠诸如铅酸和镍卡德蒙等传统化学的军事应用开发CELX-RC，以及其他将受益于其能力，生活，安全性和健壮性的独特结合的应用。
在风险地形上学习敏捷运动
摘要 - 四倍的机器人通过强化学习在各种地形上表现出了显着的能力。然而，在存在稀疏的立足点和危险的地形（例如步进石材和平衡梁）的情况下，需要精确的脚部放置以避免跌倒，经常使用基于模型的方法。在本文中，我们表明端到端的强化学习还可以使机器人能够通过动态动作遍历风险的地形。为此，我们的方法涉及培训一项通才政策，以实现无序和稀疏的垫脚石的敏捷运动，然后通过将其可重复使用的知识从中转移到更具挑战性的地形上。鉴于机器人需要在这些地形上快速调整其速度，我们将任务作为导航任务而不是常用的速度跟踪，从而限制了机器人的行为并提出探索策略来克服稀疏的奖励并实现较高的健壮性。我们通过在Anymal-D机器人上进行模拟和现实实验来验证我们提出的方法，从而达到峰值前进速度≥2。5 m/s在稀疏的垫脚石和狭窄的平衡梁上。视频：youtu.be/z5x0j8oh6z4
使用深度学习的车辆和行人的实时检测和分析
摘要 - 计算机视觉，尤其是车辆和脚步 - 识别对于自主驾驶，人工智能和视频监视的演变至关重要。当前的交通监控系统在实时识别小物体和行人方面面临重大困难，对公共安全构成了严重的风险，并有助于交通效率。认识到这些困难，我们的项目着重于创建和验证高级深度学习框架，能够处理复杂的视觉输入，以确切，实时识别汽车和在各种环境情况下的人。在代表复杂城市环境的数据集上，我们培训和评估了Yolov8和RT-DETR模型的不同版本。Yolov8大版本被证明是最有效的，尤其是在行人识别方面，具有很高的精确性和健壮性。结果包括平均平均精度和召回率，证明了该模型可以显着改善交通监控和安全性的能力。本研究为计算机视觉中的实时可靠检测提供了重要的补充，为交通管理系统建立了新的基准。索引术语 - 车辆流量分析，对象检测，对象分类，深度学习，计算机视觉
一个数据驱动的模型，用于响应式供应链中的可持续和弹性供应商选择和订单分配问题：健康案例研究
这项研究试图研究供应商的选择和订单分配问题（SSOAP），考虑到三个关键概念，即响应能力，可持续性和韧性。为此，当前的研究开发了一个多阶段决策框架（MSDMF）来选择潜在的供应商并确定订单数量。第一阶段旨在根据几个指标计算供应商的得分。为此，开发了一种新颖的决策方法，名为“随机模糊最佳方法”（SFBWM）。然后，在第二阶段，建议使用多目标模型（MOM）来处理供应商的选择和订单分配决策。在下一步中，基于模糊的稳健随机方法和季节性自回归的集成运动平均（SARIMA）方法，采用数据驱动的模糊稳健（FRS）优化方法，用于有效治疗问题的混合不确定性。之后，开发了一种名为开发的Chebyshev多选择目标编程的新型解决方案方法（CMCGP-UF）以获得最佳解决方案。此外，考虑到医疗设备（ME）行业在社会健康中的关键作用，尤其是在最近的冠状病毒病中，考虑到了这一重要行业。第一阶段的结果表明，敏捷性，成本，温室发射，质量，健壮性和废物管理（WM）分别是最重要的标准。第二阶段的结果确定所选供应商，利用运输系统和已建立的地点。还揭示了需求直接影响所有目标功能，同时增加破坏率对可持续性措施有负面影响。
能量化学杂志
锂离子电池的安全可靠操作需要准确预测剩余使用寿命（RUL）。但是，由于各种老化机制，各种操作条件和有限的测量信号，此任务具有挑战性。尽管将数据驱动的方法视为一种承诺解决方案，但它们忽略了内在的电池物理学，导致准确性损害，效率低和低解释性。在回应中，本研究将领域知识纳入深度学习，以增强规则预测的绩效。我们仅使用单个充电曲线来证明准确的RUL预测。首先，开发了一个可普遍的基于物理的模型，以提取与年龄相关的参数，可以描述和解释电池充电数据中的电池降解。参数为深度神经网络（DNN）告知以高精度和效率来预测RUL。考虑到充满电和部分充电的案件，训练有素的模型在3种情况下的3种电池下进行了阀门。仅使用来自一个周期的数据，所提出的方法的平均平方误差（RMSE）为11.42循环，平均为3.19％的平均绝对相对误差（MARE），与两种最新数据驱动的方法相比，平均为3.19％，低于45％和44％。除了其准确性外，所提出的方法还优于现有方法，从效率，输入负担和健壮性方面。进一步揭示了模型参数与电池降解机制之间的固有关系，证明了该方法的内在优势。2024年科学出版社和达利安化学物理研究所，中国科学院。由Elsevier B.V.和科学出版社出版。这是CC下的开放式访问文章（http：//creati- vecommons.org/licenses/4.0/）。
由于空间磁场而引起的加速度噪声
点击转换率（CVR）估计是许多推荐收入业务系统（例如电子商务和广告）的重要任务。从样本的角度来看，典型的CVR阳性sample通常会经过曝光的漏斗→单击→转换。由于缺乏未点击样本的事后标签，CVR学习任务通常仅利用点击样本，而不是所有暴露的样本，即单击率（CTR）学习任务。然而，在在线推断期间，在相同的假定暴露空间上估算了CVR和CTR，这会导致训练和推理之间的样本空间不一致，即样本选择偏置（SSB）。为了减轻SSB，以前的智慧建议设计新颖的辅助任务，以使CVR学习在未单击的培训样本（例如CTCVR和反事实CVR等）上。尽管在某种程度上减轻了SSB，但它们都不关注模拟过程中模棱两可的负样本（未点击）和事实负面样本（单击但未转换）之间的歧视，这使得CVR模型缺乏健壮性。为了充分的差距，我们提出了一个新颖的合唱模型，以实现整个空间中的CVR学习。我们提出了一个负面样本差异模块（NDM），该模块旨在提供可靠的软标签，并具有将事实负面样本（单击但未转换）与模棱两可的负面样本（未敲击）区分开的能力。此外，我们提出了一个软对准模块（SAM），以使用生成的软标签的几个对齐目标来监督CVR学习。在Kuaishou的电子商务实时服务上进行了广泛的离线实验和在线A/B测试，验证了我们ChorusCVR的功效。
混合0D锑卤化物作为高空间分辨率远程热摄影的空气稳定发光体
上个世纪的快速技术进步导致温度传感领域中带来了新的Challenges。准确，遥远，无接触式和实时微观和纳米级的温度映射在细胞成像，微流体和纳米流体以及集成电路设计中的需求巨大，[1-11]中，这些严格的要求需要使用光学方法。这些通常分为三个主要的猫：红外（IR）隆期，IR直接检测和远程光学/荧光热量表。，由于其出色的热分辨率（10-1 K），其中最常见的是IR射量方法，例如在商业设备中发现的方法。然而，要检测到的黑体辐射的长红外波长导致室内温度（RT）对象的固有低空间分辨率为≈10µm，这是由于abbe差异的限制所期望的。对IR光的检测也遭受了由于吸收而缺乏与广泛的光学成分相兼容。[12,13]或者，在可见区域中运行的远程光学方法，例如，通过测量荧光强度或衰减时间，[14]达到了很高的热分辨率，并且可能由于较低的衍射极限而有可能提供较高的空间分辨率，并且在常见媒体（例如水和玻璃）中透明度。[13,15,16]基于强度的量化，由于光散射（样品拓扑，磷光粒子形态等）而容易出现错误。），不均匀的磷光器分布，非态磷光物种形成或批处理变异性等。虽然基于荧光时代的热量成像是继承了许多此类局限性，但其部署通常会因适合特定应用的特定要求的磷剂的可用性而受到阻碍。我们的本文提出的研究涉及在RT周围温度下在温度下进行高空间和热分辨率热图形的新型热液少量探索。在这种情况下，我们发现已知的热燃料载体，即有机染料，聚合物，量子点，稀有掺杂的金属氧化物，[17-25]面临限制，例如材料制造或薄膜沉积，耐用性和健壮性的耐用性和稳健性的耐磨性，或者不适合特定范围的特定方法或常见的特定方法。