XiaoMi-AI文件搜索系统
World File Search System全面性能
eksploataCja i niezawodnosc - 维护和可靠性
摘要。耐力能力是评估电动汽车性能的关键指标。在有限的空间中提高电池组的能量密度，同时确保车辆的安全性是当前使用的技术解决方案之一。因此，本文提出了一个较小的空间和高能密度电池布置方案。比较了两个基于相同音量和不同空间布置的两个电池组的全面性能。此外，基于相同的热管理系统（PCM-File系统），使用不同的精细结构在数值上模拟了具有高能量密度的交错电池组的热性能，并使用插入式权量托管方法确定了以3C放电速率在3C放电速率下交错电池组的最佳限制结构参数。结果表明，增加填充和电池之间的接触厚度（x）可以降低最高温度，但会降低温度均匀性。此外，修复宽度（a）的变化对电池组的热量耗散性能没有显着影响。熵权重方法客观地将权重分配给最高温度（t最大）和温度差（∆ T），并确定冷却系统限制参数的最佳解决方案。发现当x = 0时。67毫米，a = 0。6毫米，交错的电池组具有最佳的全面性能。
富含中孔的 Fe–N–C 催化剂与 FeN4–O–NC 单
这些应用在很大程度上依赖于 ORR 电催化剂的效率。 [1] 目前，Pt 基催化剂为 ORR 提供了最佳的全面性能属性，尽管 Pt 基催化剂的高成本和中等耐用性阻碍了它们在整个能源领域的可持续利用。 [2] 近年来，在碳载体上具有 M–N x 位点（M = Fe、Co、Ni 等）的异质单原子催化剂 (SAC) 已经成为很有前途的 ORR 催化剂。 [3] SAC 具有高金属原子利用率（理论上 ≈ 100%）、高本征活性和低成本的关键优势。 [4] 在具有不同金属中心的 M–N x /C 催化剂中，Fe–N 4 /C 催化剂具有最佳的 ORR 活性。 [5] 然而，由于 ORR 过程中形成的氧中间体的吸附能略微过强，Fe–N 4 位点的活性仍然不是最佳的。 [6] 因此，优化 ORR 中间体与 Fe–N 4 位点之间的键合是提高 Fe–N 4 /C 材料 ORR 电催化性能的合理方法。调节 Fe–N 4 位点上 d 轨道的占有率会影响 ORR 中间体的吸附能。Fe–N 4 位点上 d 轨道的能级对
基于水下计算机视觉的视频溺水检测设备
抽象溺水是一个重要的公共健康问题。视频溺水检测算法是找到溺水受害者的有用工具。但是，溺水研究研究的三个挑战通常会遇到：缺乏实际的溺水视频数据，微妙的早期溺水特征以及缺乏实时时间。在本文中，作者提出了一个水下计算机视觉的溺水检测装置，该检测设备由嵌入式AI设备，相机和防水外壳组成，以解决上述问题。检测设备利用Jetson Nano的高性能计算通过在获得的水下视频流中提出的溺水检测算法实现溺水事件的实时检测。所提出的溺水检测算法主要由两个阶段组成：在第一步中，成功地解决了周围环境的干扰，并为视频溺水检测提供了值得信赖的基础，Yolov5N网络用于根据溺水者的特征来检测近事实的人体。在第二阶段，作者提出了一个基于深层高斯模型，用于快速特征向量检测。轻巧的DDN与高斯模型相结合，以检测高级语义特征的异常，该功能具有更高的鲁棒性，并解决了缺乏溺水视频的缺乏。实验结果表明，所提出的溺水检测算法具有良好的全面性能和实际应用值。
引用：李W，Song Y，Chen K等。使用机器学习的糖尿病性视网膜病变的预测模型和风险分析：回顾性队列
抽象目标旨在通过使用大型样本数据集进行机器学习来研究糖尿病性视网膜病（DR）风险因素和预测模型。基于大型样本和高维数据库的设计回顾性研究。在北京设立中国中央三级医院。参与者有关32 452型糖尿病（T2DM）住院患者的信息从2013年1月1日至2017年12月31日从电子病历系统中检索方法保留了六十个变量（包括人口统计信息，物理和实验室测量，系统疾病和胰岛素治疗）进行基线分析。通过递归特征消除选择了最佳17变量。预测模型是基于XGBoost算法构建的，并与其他三种流行的机器学习技术进行了比较：逻辑回归，随机森林和支持向量机。为了更视觉上解释XGBoost模型的结果，使用了Shapley添加说明（SHAP）方法。结果DR发生在2038年（6.28％）T2DM患者中。XGBoost模型被确定为具有最高AUC的最佳预测模型（曲线值为0.90），表明HBA1C值大于8％，肾病，血清肌酐值大于100 µmol/L，胰岛素治疗和糖尿病下极端疾病的风险与DR的风险增加相关。患者的年龄超过65岁，与DR的风险降低有关。结论具有更好的全面性能，XGBoost模型具有很高的可靠性来评估DR的风险指标。可以通过Shap方法找到DR的最关键危险因素和危险因素的临界因素，以使XGBoost模型的输出在临床上可以解释。