XiaoMi-AI文件搜索系统
World File Search System准系统
储能准系统模型预测直接功率控制...
摘要：针对传统有限控制集模型预测控制（FCS-MPC）算法因开关频率变化而导致开关损耗大的缺点，提出了一种储能准Z源逆变器（ES-qZSI）的模型预测直接功率控制（MP-DPC）。首先，基于瞬时功率理论建立ES-qZSI的功率预测模型；然后通过功率代价函数优化𝛼𝛽坐标系下的平均电压矢量；最后以平均电压矢量作为调制信号，采用直通段空间矢量脉冲宽度调制（SVPWM）技术产生相应的固定频率的开关信号。仿真结果表明，ES-qZSI每个控制周期实现六次直通动作，实现了系统的恒频率控制，验证了所提控制策略的正确性。
人工智能在姑息治疗中的作用概述：准系统评价
背景：最近，关于人工智能 (AI) 在医学中的应用的研究急剧增加，为其应用开辟了新的领域。然而，尽管各种模型取得了有希望的结果，可以显著提高姑息治疗的质量并优化卫生资源，但姑息治疗仍然有限地使用这些工具。本综述旨在总结当前关于在姑息治疗实践中应用人工智能技术（特别关注机器学习 (ML)）的文献，并分析其性能率和可用性。方法：准系统评价；使用选定的 MeSH 术语搜索 PubMed 和 Scopus 数据库。结果：综述共纳入 17 个来源。文献使用 ML 进行死亡率预测（n = 8）、预测需求、不可见症状和谵妄（n = 3）、识别姑息治疗状态的阶段（n = 1）、沟通和信息供应（n = 4）、临床决策支持系统（n = 1）。大多数分析技术都取得了良好的性能率，然而，在姑息治疗领域，沟通技巧和提供可靠信息仍然不足。结论：机器学习在姑息治疗中主要用于预测死亡率，但其他预测正在逐渐引入。基于人工智能的模型被用作临床决策支持和评估患者的姑息治疗状况。人工智能的另一个潜在的重要未来角色是与患者沟通和向患者展示信息，前提是对现有模型进行某些改进。姑息医学实践
AN-12-0036-NSx2860(X)-9260(X) 单一校准系统用户指南
该校准系统旨在帮助客户在实验室级别快速验证 NSx2860(X)/9260(X) 系列信号调节 ASIC。本文档用于指导用户如何使用该校准系统。
如何处理按订单设计的产品/系统 ......
摘要。1 本文考虑了企业对企业环境中物理系统的配置（机床、航空航天设备、起重机……）。在这种业务中，基于知识的配置软件经常用于处理装配/按订单生产或（按订单配置（CTO））情况，其中所有客户的要求都可以通过标准系统来满足。但是，在按订单设计（ETO）情况下，必须设计非标准系统才能满足所有客户的要求，现有的基于知识的配置软件无法使用。事实上，配置假设指出所有配置的系统都是由标准子系统和组件组装而成的。因此，本文的目的是研究如何修改或调整现有的产品/系统配置假设、问题定义和模型，以允许在 ETO 情况下使用配置软件。为此，首先分析了标准系统和非标准系统之间的主要区别。然后，确定并讨论了区分 CTO 和 ETO 的六种系统配置情况。最后，提出了一些基于约束满足问题 (CSP) 的建模扩展，以允许在这些情况下使用配置软件。
使用基于锥形束 CT 的自动配准对伴侣动物进行无框架脑活检系统的可行性
本研究的目的是评估一种新型的基于锥形束计算机断层扫描 (CBCT) 的术中自动配准系统在伴侣动物无框架立体定向脑活检中的应用。一项实验性尸体研究评估了三只无颅内疾病史的狗和三只猫的丘脑和梨状叶靶点针放置误差。对二十四只患有颅内疾病的客户所养狗和四只猫进行了前瞻性诊断准确性和诊断产量评估。二十一项手术是在死后进行的（十八只狗和三只猫），七项活检手术是在活着的患者身上进行的（六只狗和一只猫）。对十名死后患者和四名活着的患者评估了手术持续时间。对六只狗和一只猫进行了结果评估。在狗中，计算得出的梨状叶和丘脑靶位的针头放置误差中位数分别为 1.8 毫米（范围 0.71–2.84 毫米）和 1.53 毫米（范围 1.45–1.99 毫米）。在猫中，计算得出的梨状叶靶位的针头放置误差中位数为 0.79 毫米（范围 0.6–1.91 毫米），丘脑靶位的针头放置误差中位数为 1.29 毫米（范围 0.47–2.69 毫米）。诊断率为 96.4%（95% CI 0.81–0.99），诊断准确率为 94.4%（95% CI 0.72–0.99）。尸检活检的中位总操作持续时间为 57.5 分钟（范围 41–69 分钟）。活体活检的中位总手术时长为 122.5 分钟（范围为 103-136 分钟）。三只狗在活检后 1 天出院，一只狗在 6 天后出院。两只狗和一只猫在活检后 24 和 48 小时被安乐死。基于 CBCT 的伴侣动物无框架立体定向活检术中自动图像配准能够提供与头骨大小和形态无关的诊断性脑活检样本，其诊断产量和准确性与兽医学中使用的各种无框架和基于框架的立体定向系统的已公布值相当。手术持续时间不会受到负面影响，并且在其他系统公布的范围内。移动式术中 CBCT 配准结合神经导航可为伴侣动物提供诊断性脑活检。
ACM 参考格式：Clara Kliman-Silver、Tiffany Knearem 和 Joseph Wheeler。2022 年。自动化和灵感：了解人工智能在用户体验设计工具中的价值。在 CHI 计算机系统人为因素会议 (CHI '22) 的 InContext：未来用户体验设计工具研讨会论文集上。ACM，纽约，纽约州，美国，3 页。
未来的设计工具将由人工智能驱动，这些矛盾需要得到解决。因此，我们需要考虑人工智能如何融入支持知识工作的设计工具（即旨在支持用户创作过程的设计工具），以及人工智能如何激励设计师为用户创造新体验，而不会削弱人们对人工智能驱动系统的信任。虽然之前关于人工智能在用户体验（UX）工具中的作用的研究有些有限，但我们可以从关于人工智能在其他创意环境中的作用的研究中汲取教训。例如，对艺术家与人工智能绘图工具合作的研究表明，创意人员更喜欢一定程度的自主权，并希望“检查”人工智能创作的作品[4]。另一项研究发现，人工智能可以作为新艺术体验的灵感来源。研究人员创建了一个深度神经网络，学会了将艺术风格转移到其他图像上，例如，2016 年开发的一项算法探索将文森特·梵高的《星夜》的风格转移到了一幅鸭子画上。反过来，这种探索又引发了一系列视觉艺术和视频领域的艺术探索 [1]。同样，研究人员训练人工智能模型，使其发挥更客观的“第三只眼睛”的作用，帮助艺术史学家自信地识别和解释艺术作品 [6]。对于创意写作等更复杂的创作过程，辅助创意写作过程的工具已经利用众包工作者作为“自动化器”来产生故事创意，帮助作家畅所欲言 [3]。同样，一个面向视觉艺术家的人工智能绘图工具发现，艺术家愿意将某些琐碎的任务委托给人工智能，但不太愿意让人工智能“驱动”创作过程 [4]。虽然这些现有的作品是人工智能驱动的系统或创意写作方面的准系统如何补充现有创作实践的例子，但用户体验设计师如何看待旨在支持其创作过程的人工智能驱动工具仍不得而知。随着我们越来越多地了解将自动化引入设计过程的机会，我们已经开始发现人工智能对设计师有帮助的用例。我们将自己定位为人工智能的倡导者，通过自动化繁琐的任务和/或作为用户创作过程的助手提供灵感来支持设计师。我们的研究结果支持这一观点，即自动化必须向用户解释；即设计师应该能够发现哪些操作会影响设计工具中人工智能驱动的体验，并且应该能够审查人工智能系统产生的工作[5]。虽然这些想法正在兴起，但人们对人工智能的信任这一一般概念已被探索为用户接受人工智能驱动系统的关键[2]。