XiaoMi-AI文件搜索系统
World File Search System内核
内核机器学习方法可以使用复杂的预测变量处理缺失的响应。在使用Distribu
绿色流动性在21世纪的需求量很高。现代城市的快速增长导致了运输的增加，这导致了大量流通，化石燃料的稀缺性和日益增长的环境问题。因此，应使用新兴清洁剂技术来控制和减少车辆排放[1]。混合动力汽车（HVS），以通过将它们与电动机结合起来减少内燃机（ICES）。通过减少碳和其他污染排放，电动汽车（EV）对环境产生了积极影响。目前，接近零排放车辆的开发是一个巨大的挑战。evs由可再生能源（例如氢）所推动的是一个可行的选择，因为它们仅发出天然副产品，例如水而不是燃烧气体，而不是对空气质量和人口健康不利的燃烧气体。随着电池电动汽车（BEV）的出现，温室气体（GHG）的问题已部分解决。BEV是零发射车辆，由电池发电驱动。BEV不会从根本上减少温室气体排放，因为电力主要是由热植物产生的[2]。BEV有自己的腰靠背，例如有限的驾驶范围，较长的电池充电时间和电池安全性。因此，汽车行业开发了燃油电动汽车（FCEV），最近受到了广泛关注。FCEV由从燃料电池接收电源的电动机提供动力。氢与空气中的氧气结合在一起是FCEV中的主要能量动机。燃料电池具有许多好处，包括干净的燃料，高效率，没有有害排放和低声声音。插入式燃料电池混合动力汽车和燃料电池范围扩展器也引起了很多关注[3，4]。使用燃料电池作为EV的唯一电源时，需要一个启动系统。因此，汽车制造商开发了燃料电池混合动力汽车（FCHEVS），该电动汽车由燃料电池和一个或多个辅助电源（例如电池和超级电容器）提供动力。Daimler Mercedes Benz F-Cell，GM雪佛兰Volt，Toyota FCHV和Honda FCX都是混合动力汽车（HEVS），具有燃料电池 +电池的能量配置。由于FCHEVS的能源进料在燃料电池和辅助功率之间交替，因此需要可靠的能源管理系统（EMS）来根据车辆的操作模式或电源需求在燃料电池和辅助功率之间分发功率。成功的EMS不仅可以保证车辆的正常运行，还可以提高效率，解决物理限制，延长使用寿命并实现全面的燃油经济性。目前，中国香港特殊行政区（香港SAR）尚未发布最新的氢能战略。尽管目前的政策存在缺点，但香港的研究机构和企业仍致力于开发氢气流动性，以实现碳中立性和绿色运输。目前，带有最近，香港生产力委员会（HKPC）推出了香港的第一个燃料电池商业电动汽车 - 带有混合燃料电池和电池系统的氢供电叉车，如图1所示。
优化预测性能：堆叠的多内核支持向量机中的超参数调整
摘要 - 这项研究解决了管理糖尿病的更先进诊断工具的必要性，糖尿病是一种慢性代谢疾病，导致葡萄糖，脂质和蛋白质代谢的破坏是由胰岛素活性不足引起的。该研究研究了机器学习模型的创新应用，特别是堆叠的多内核支持向量机随机森林（SMKSVM-RF），以确定它们在识别医疗数据中复杂模式方面的有效性。创新的合奏学习方法SMKSVM-RF结合了支持向量机（SVM）和随机森林（RFS）的优势，以利用其多样性和互补特征。SVM组件实现多个内核来识别唯一的数据模式，而RF组件由决策树组成，以确保可靠的预测。将这些模型集成到堆叠的体系结构中，SMKSVM-RF可以通过优势通过优势来增强分类或回归任务的总体预测性能。这项研究的一个重大发现是引入SMKSVM-RF，它在混淆矩阵中显示出令人印象深刻的73.37％的精度。此外，其召回率为71.62％，其精度为70.13％，值得注意的F1分数为71.34％。这种创新技术显示了增强当前方法并发展为理想的医疗系统的潜力，这表明糖尿病检测方面的一个值得注意的一步。结果强调了复杂的机器学习方法的重要性，并强调了SMKSVM-RF如何提高诊断精度并有助于持续发展医疗保健系统，以实现更有效的糖尿病管理。
Electrode：使用 eBPF 加速分布式协议
摘要 在标准 Linux 内核网络堆栈下实现分布式协议具有负载感知 CPU 扩展、高兼容性以及强大的安全性和隔离性等优势。然而，由于过多的用户-内核交叉和内核网络堆栈遍历，它的性能较低。我们为 Electrode 提供了一组专为分布式协议设计的基于 eBPF 的性能优化。这些优化在网络堆栈之前的内核中执行，但实现的功能与在用户空间中实现的类似（例如，消息广播、收集确认的法定人数），从而避免了用户-内核交叉和内核网络堆栈遍历产生的开销。我们表明，当应用于经典的 Multi-Paxos 状态机复制协议时，Electrode 将其吞吐量提高了 128.4%，延迟提高了 41.7%。
用beta产品内核对有限域进行优化
使用高斯工艺（GP）和Matérn和径向基函数（RBF）协方差函数的贝叶斯优化通常用于优化黑盒功能。Matérn和RBF内核没有对函数域的任何假设，这可能会限制其在有限域中的适用性。为了解决限制问题，我们引入了一个非平稳β单元Hyper-Cube（BUC）内核，该内核是由Beta分布密度函数的产物诱导的，并允许在有界域上建模功能。为了提供理论见解，我们在使用BUC内核的GP上限置信度（GP-UCB）算法时提供了信息增益和累积后悔界限的分析。我们的实验表明，在不同问题中，BUC内核始终优于众所周知的Matérn和RBF内核，包括合成功能优化以及视觉和语言模型的压缩。
过滤库Riemannian基于Riemannian的内核支持向量机，用于电动图像解码
摘要。大脑计算机接口（BCI）通过脑电图（EEG）信号实现大脑和外部机器之间的通信，这引起了很多关注。基于运动图像的BCI（MI-BCI）是BCI领域中最重要的范例之一。在Mi-BCI中，可以使用机器学习算法有效地识别运动意图的目标肢体。作为用于电机图像解码的典型机器学习算法，基于Riemannian的内核支持向量机（RK-SVM）算法无法从多频段中提取功能，从而限制了其性能。为了解决此问题，提出了将滤波器基于Riemannian的内核支持向量机（FBRK-SVM）方法，该方法结合了过滤器库结构和基于Riemannian的内核。在两个常用的公共数据集的比较实验中，发现所提出的算法可以产生更高的解码性能，这为运动成像的分类提供了新的选择。
对玉米中与内核大小相关特征的遗传结构和基因资源进行系统研究
摘要：谷物产量是玉米中最关键和最复杂的定量性状。内核长度（KL），内核宽度（kW），内核厚度（KT）和与核大小相关的数百 - 内核重量（HKW）是玉米中与产量相关性状的必不可少的组成部分。通过广泛使用定量性状基因座（QTL）映射和全基因组关联研究（GWAS）分析，已经发现了数千个QTL和定量性状核苷酸（QTN）来控制这些性状。但是，只有其中一些被克隆并成功地用于育种计划。在这项研究中，我们详尽地收集了与四个性状相关的基因，QTL和QTN，进行了QTL和QTN的聚类识别，然后将QTL和QTN簇合并以检测共识热点区域。总共确定了与内核大小相关性状的31个热点。他们的候选基因被预测与调节内核发展过程的众所周知的途径有关。可以进一步探索识别的热点，以进行细化和候选基因验证。最后，我们提供了高产和优质玉米的策略。这项研究不仅会促进因果基因的克隆，还可以指导玉米的繁殖实践。
与内核匹配的深度和广泛的转移学习，用于从脑电图和心理问卷中汇总数据
摘要：运动图像（MI）促进运动学习，并鼓励大脑 - 计算机接口系统，这些系统需要进行脑电图（EEG）解码。但是，需要长时间的培训来掌握脑部节奏的自我调节，从而导致使用MI不确定的用户。我们介绍了一种基于参数的跨受试者转移学习方法，以改善基于MI的BCI系统中表现不佳的个体的性能，通过内核 - 汇总标记的EEG测量结果和心理问卷来汇总数据。为此，实施了用于MI分类的深层神经网络，以从源域预先培训网络。然后，将参数层转移，以在细胞调整过程中初始化目标网络，以重新计算基于多层感知的精度。要执行将分类特征与实价功能相结合的数据融合，我们通过高斯 - 插入实现了逐步的内核匹配。最后，根据受试者考虑其对BCI运动技能的影响，探索表现最出色的受试者（源空间）的两个选择策略，选择了对基于差异的集群的配对源 - 目标集来进行评估目的：单个受试者：单件受试者和多个受试者。针对判别MI任务获得的验证结果表明，即使包含问卷数据，引入的深层神经网络也具有准确性的竞争性能。
MLX驱动程序Doca-主机安装和升级
doca-host为某些特定内核提供了内核模块的二进制构建。此脚本重建了Doca-host包含的定制内核版本中包含的内核模块，并创建了一个RPM或DEB软件包，该软件包可容纳所有这些重建模块，以便于安装。
![arxiv：2502.14920v1 [CS.CV] 2025年2月19日](/simg/e\e01126316aa8dc5412766a02a53979e1e19db617.webp)
arxiv：2502.14920v1 [CS.CV] 2025年2月19日
在X射线计算机断层扫描（CT）成像中，重建内核的选择至关重要，因为它显着影响了临床图像的质量。不同的内核会以各种方式影响空间分辨率，图像噪声和对比度。涉及肺成像的临床应用通常需要使用软核和锋利核重建的图像。使用不同内核的图像重建需要原始的曲征数据，并为所有内核存储图像会增加处理时间和存储要求。视野的视野（DFOV）增加了内核合成的复杂性，因为在不同的DFOV上获得的数据表现出不同级别的清晰度和细节。这项工作为基于图像的内核综合使用基于模型的深度学习引入了有效的，DFOV - 敏锐的解决方案。提出的方法将CT内核和DFOV特性集成到正向模型中。对临床数据的实验结果，以及使用电线幻像数据对估计调制函数进行定量分析，清楚地证明了该方法实时的实用性。此外，缺乏正向模型信息的直接学习网络的比较研究表明，所提出的方法对DFOV变化更为强大。
遇到微生物之间的主要相互作用
微生物群落的特性从微生物之间的相互作用以及微生物及其环境之间的相互作用出现。在生物体的规模上，微生物相互作用是由细胞或细胞 - 资源相遇引发的多步骤过程。微生物相互作用的定量和合理设计需要量化相遇率。通常可以通过相遇内核来量化遇到的率 - 捕获相遇率对细胞表型的依赖性的数学公式，例如细胞大小，形状，密度或运动性以及环境条件，例如湍流强度或粘度。虽然已经研究了一个多世纪的遭遇内核，但通常在微生物种群的描述中没有足够的意见。此外，仅在少数典型的遭遇场景中才知道内核公式。然而，遇到内核可以通过阐明遭遇率如何取决于关键表型和环境变量来指导实验努力来控制微生物相互作用。遭遇内核还提供了在微生物种群生态模型中使用的参数的物理基础估计。我们通过审查传统和最近确定的内核来描述微生物相互作用的这种面向相互作用的观点，这些内核描述了微生物之间的相遇以及水生系统中的微生物和资源之间的相遇。