XiaoMi-AI文件搜索系统
World File Search System分段
互联工业物联网环境中安全网络分段概述
摘要 网络分段是增强网络安全的一种非常重要的方法。该方法涉及将网络划分为更小、更易于管理的部分，每个部分都有各自的特定安全要求。此策略支持维护稳定的边界和有效的访问控制，同时保护关键资源（例如数据库服务器）免受未经授权的访问。网络分段在 IIoT 中的相关性恰好与许多设备的先进性和互连性有关，这些设备可能带来广泛的安全问题。为了应对这些挑战，安全 IIoT 网络分段框架被开发为 IIoT 环境的专用网络安全解决方案。该框架包括用于开发定制设计的具体指南，以改善安全态势并保护重要记录。在 IIoT 环境中，安全分段对于保持不同的业务结构分离至关重要，每个业务结构都有各自的特定保护要求，并保护它们免受互连设备带来的独特风险。访问因素的特定问题在 IIoT 网络中带来了精确的问题，因为它们充当许多设备的融合节点，因此确保提供多种类型的隐私泄露和与不同公司的交互。分段具有许多好处，包括加速保护、减少攻击面、简化合规性和改进设备管理。然而，它也使事情复杂化并增加了运营开销，并且还有成本问题。除了网络分段之外，还实施了许多技术来加强安全框架：联合 ID、微分段、防火墙、网络访问控制 (NAC)。它提供对唯一访问者的控制、执行安全规则并处理网络访问，同时支持分段工作并增强 IIoT 结构中的通用安全性。与网络分段相关的一种相关方法，尤其是在 IIoT 环境中，涉及增强安全性、保护敏感统计数据和遵守企业要求。通过使用 SiNeSF 等框架和补充安全技术，组织可以针对与联网 IIoT 设备相关的风险设置安全障碍构建、访问限制和危险限制。
填充胎儿心率信号：基于维度结构和周期分段的扩散模型
摘要 - 心率（FHR）信号被广泛用于多普勒胎儿心脏监护仪中。但是，不完整的FHR信号降低了胎儿心率监测的有效性。填充丢失的数据是提高FHR质量的关键技术，但是现有的填充算法缺乏考虑FHR信号的相关性。因此，我们专注于与FHR相关的两个相关性，并提出了一种填充算法，称为FHR中缺少数据插补的扩散模型（DMDI-FHR）。首先，我们构建了双维样品构建（DDSC）方法，该方法发现了两个FHR信号，并最大程度地提高了它们之间形成相关性的差异。其次，引入了多周期分解（MPD）方法以获得FHR信号的内部相关性。最后，DMDI-FHR算法基于扩散模型控制填充过程。实验结果证明了DMDI-FHR算法的性能，该算法提供了提高FHR信号质量的有效方法。
MBN 高压分段式泵
MBN 泵是卧式、径向剖分、环段泵，采用模块化设计。它们适用于泵送清洁或轻微污染、热或冷、化学中性或腐蚀性液体。它们满足所有需要坚固耐用的高压泵的应用要求，例如：• 工业电力应用中高达 180°C 的锅炉供水任务• 发电站和工业工厂的冷凝水服务• 反渗透海水淡化的供水泵• 造纸厂的淋浴水• 一般工业中的高压水
引入新芽（使用阈值的区域输出的半自动化划分）：一种适应性的计算机视觉工具，用于生成3D分段
3D图像数据的可用性提高需要提高目前依赖手动标记的数字细分效率，尤其是在将结构分为多个组件时。自动化和半自动化的方法，例如深度学习和智能插值，但需要预先标记的数据，以及专门的硬件和软件。深度学习模型通常需要手动创建广泛的培训数据，尤其是对于复杂的多级分段。在这里，我们介绍了Sprout，这是一种新颖的，半自动化的计算机视觉方法，提供了时间效率且用户友好的管道，用于细分和分析图像数据。发芽基于指定的密度阈值和连接组件的侵蚀生成种子（代表对象的部分），以实现元素分离。种子生长以获得完全分类的分割。我们将Sprout的性能与智能插值的性能进行比较，并将其应用于不同的数据集，以证明此开源3D细分方法的实用性和多功能性。
主动重新配置的分段空间声音调制器
高质量的声音 - 全外模式和图像，与3D显示器，声学和中间触觉等应用不可或缺的一部分需要精确的超声波分布以实现。此任务的基本工具是空间声音调节器（SSM），它控制组成元素以实现声音压力的动态分布。但是，由于高成本和许多小，紧密的单位，当前的超声SSM面临局限性。这项研究介绍了“分割的SSM”，即新型设备，这些设备将传统的声学跨表面像素单元组合到定制形状的分段元件中。这些分段的SSM降低了驱动成本和复杂性，同时保持压力分配质量。此方法包括一种自定义的相凝集算法（PAA），该算法是为用户选择的潜在分割解决方案的层次结构。使用OB-3D打印机和定制控制电子设备详细介绍了SSM制造方法，从概念到实现，完成了端到端方法。使用两个原型SSM设备验证了这种方法，它们使用动态分段元件将声波聚焦并悬浮聚苯乙烯珠。通过具有静态和动态元素的混合SSM设备探索了对技术的进一步增强。管道促进了各种应用程序跨不同应用的有效SSM构建，并邀请了以不同尺寸，用途和驱动机制的未来设备的成立。
协作视觉文本表示为开放式摄取分段（补充材料）优化
- 可可固定：可可固定是一个大规模的语义分割数据集，其中包含164k图像，带有171个带注释的类，分为训练集（118k映像），验证集（5K图像）和测试集（41K图像）。在我们的实验中，我们使用完整的118K训练集作为训练数据来训练语义模型。- 可可式式：可可式跨跨培训图像与可可固定相同的训练图像。这些图像被标记为133个类别。在我们的经验中，我们使用可可式式跨跨景模型。- Pascal-voc：Pascal-Voc包括1,449张图像，用于20个宣传类。在开放式语义语义分割中，所有20个类均用于评估（称为PAS-20）。- ADE20K：ADE20K是一个大规模的场景，理解数据集构成了2K图像，用于验证两种注释：一种具有150个类的班级，带有Panoptic注释，另一个带有847个课程的语义注释。对于开放式语义语义分割，我们在ADE20K的两个设置上评估了我们的方法：150个类（称为A-150）和847类（称为A-847）。在开放式综合综合分割中，我们使用带有150个类注释的设置进行评估。
模型还原为分段平滑动力学系统中的光谱子手机
越来越多的需求减少复杂的高维二词系统为简单，低维模型产生了许多不同的还原技术（参见Benner等人。[1]，Rowley和Dawson [2]，Ghadami和Epureanu [3]，Brunton等。[4]，Taira等。[5]和Touzé等。[6]用于最近的评论）。在这里，我们专注于这些方法之一的扩展，频谱亚算物（SSM）还原到分段光滑的机械系统。最初针对Haller和Ponsioen [7]的平滑动力系统定义，主要SSM是最平稳的不变流形，与稳定状态下线性化系统的光谱子空间相切，并且具有相同的尺寸。因此，SSM数学上正式化并扩展了Shaw和Pierre [8，9]和Shaw等人在开创性工作中引入的非线性正常模式（NNM）的最初思想。[10]（有关最近的评论，请参见Mikhlin和Avramov [11]）。每当光谱子空间内的线性频谱与该子空间之外的线性频谱之间，SSM在自主和非自治系统中的存在，唯一性和持久性已得到证明（Haller and Ponsioen [7][12]以及Haro和de la llave [13]）。由最慢的线性模式跨越光谱子空间的主要SSM切线吸引了附近的所有轨迹，因此其内部动力学是一种理想的，数学上合理的非线性降低模型。最近的工作揭示了在𝐶∞
用于分段线性降维的自适应潜在特征共享
线性高斯探索性工具（例如主成分分析 (PCA) 和因子分析 (FA)）广泛用于探索性分析、预处理、数据可视化和相关任务。由于线性高斯假设具有限制性，因此对于非常高维的问题，它们已被稳健、稀疏扩展或更灵活的离散-连续潜在特征模型所取代。离散-连续潜在特征模型指定依赖于数据子集的特征词典，然后推断每个数据点共享这些特征的可能性。这通常是使用关于特征分配过程的“富者得富”假设来实现的，其中词典试图将特征频率与其解释的总方差部分结合起来。在这项工作中，我们提出了一种替代方法，可以更好地控制特征到数据点的分配。这种新方法基于双参数离散分布模型，该模型将特征稀疏性和词典大小分离，从而以简约的方式捕获常见和罕见特征。新框架用于推导一种新型自适应因子分析变体 (aFA) 以及自适应概率主成分分析 (aPPCA)，能够在各种场景中灵活地发现结构和降低维度。我们推导出标准吉布斯采样以及有效的期望最大化推理近似，这些近似以更快的数量级收敛到合理的点估计解。所提出的 aPPCA 和 aFA 模型的实用性在特征学习、数据可视化和数据白化等标准任务上得到了证明。我们表明，aPPCA 和 aFA 可以为原始 MNIST 或 COLI-20 图像提取可解释的高级特征，或者在应用于自动编码器分析时
铁路语义分段的多上下文点云数据集和机器学习
摘要：铁路场景的理解对于各种应用程序至关重要，包括自主火车，数字缠绕和基础设施变更监控。但是，后者的开发受到现有算法缺乏注释的数据集和局限性的限制。为了应对这一挑战，我们提出了铁路3D，这是铁路环境中语义细分的第一个综合数据集，并进行了比较分析。Rail3D涵盖了来自匈牙利，法国和比利时的三种不同的铁路环境，捕获了各种各样的铁路资产和条件。有超过2.88亿个注释点，Rail3D超过了大小和多样性的现有数据集，从而可以训练可概括的机器学习模型。我们进行了一个通用的分类，该分类使用了九个通用类（地面，植被，铁路，电线，信号，围栏，安装和建筑物），并评估了三种最先进模型的性能：KPCONV（内核点卷积），LightGBM和随机森林。最佳性能模型，一种经过的kPCONV，在联合（MIOU）上达到了平均值为86％。基于LightGBM的方法获得了71％的MIOU，但表现优于随机森林。这项研究将通过为3D语义细分提供全面的数据集和基准，从而使基础设施专家和铁路研究人员受益。数据和代码可公开用于法国和匈牙利，并根据用户反馈进行连续更新。
电力系统规划中具有分段线性过渡的代表日数和小时数
摘要 — 电力需求和可再生能源变化很大，规划模型的解决方案依赖于捕捉这种变化。本文提出了一种混合多区域方法，该方法考虑了极值，使用有限数量的代表日和每天内的时间点，有效地捕捉实际数据的日内和日间时间序列。提出了一种基于优化的代表提取方法来改进日内时间序列的捕捉。与层次聚类方法相比，它在保存数据时间序列和极值方面具有更高的精度。所提出的方法基于分段线性需求和供应表示，与传统的分段常数公式相比，它减少了近似误差。此外，通过映射过程创建的具有相同代表的顺序链接的日块用于日间时间序列的捕捉。为了评估所提出方法的效率，开发了一个全面的扩展联合规划模型，包括输电线路、储能系统和风电场。