XiaoMi-AI文件搜索系统
World File Search System参数模型
汽车舱的动态总参数模型的实验验证
这项工作的目的是提出一个热模型，以预测使用HVAC系统的小型汽车的客舱内的平均空气温度。所采用的模型是一个集体参数模型，该模型解释了作用在机舱上的九种热源。此外，该模型提出了一种方法，用于计算蒸发器出口处温度的方法，考虑到其入口和出口之间的线性温度下降是敏感热，潜热，蒸发器输入温度，绝对湿度，焓和特定热量的函数。在各种操作条件下在商用车上进行了16次实验测试，以验证所提出的模型。实验结果和理论结果之间的最大平均相对偏差为17.73％。
基于有限元法和参数模型降阶的电力电子模块热机械耦合分析
本研究通过将有限元法 (ANSYS-FEM) 与参数模型降阶 (pMOR) 相结合，提出了一种新方法，用于执行参数研究并检查电力电子模块 (PEM) 耦合热机械模型的非线性材料行为。与广泛使用的顺序耦合方法相比，所考虑的耦合方法可以同时解决热模型和结构模型。与通常用于 pMOR 研究的恒定参数值不同，本研究使用 pMOR 方法参数化了导线材料的温度相关材料属性。本文考虑使用 pMOR 方法进行热机械分析的广义 2D 模型，参数化导线材料的温度相关热膨胀系数 (CTE) 和杨氏模量 (E)，以探索它们对导线键合的影响。本文将矩阵插值法应用于 pMOR 研究，并使用 PRIMA（一种基于 Krylov 子空间的模型降阶 (MOR) 技术）进行局部模型降阶。已经开发出一种基于拉格朗日插值技术的新高效流程，用于在参数化降阶模型 (pROM) 中实现矩阵插值。降阶模型 (ROM) 的自由度 (DOF) 仅为 8，而全阶模型 (FOM) 的自由度为 50,602。pROM 提供了出色的解决方案，并将本案例的计算时间缩短了 84%。
采用参数模型降阶法进行功率模块热机械分析
摘要 —本文介绍了一种基于拉格朗日矩阵插值方法的参数模型降阶 (pMOR)，用于具有非线性行为的电力电子模块 (PEM) 的热机械和可靠性研究。模型降阶 (MOR) 研究中的大部分先前研究都报告了使用顺序耦合方法进行的热机械模拟。在本研究中，直接耦合热机械分析同时求解热和结构控制方程，用于获得热和变形结果。此外，对于 pMOR，矩阵插值的线性方法仅限于采样参数点之间的线性变化。因此，采用了一种使用拉格朗日插值方法对系统矩阵进行插值的新方法来有效地实现矩阵插值。通过拉格朗日矩阵插值方法获得的参数降阶模型 (pROM) 解与全阶模型 (FOM) 非常吻合，并且计算时间与矩阵插值的线性（双线性）方法相似。 pROM 模拟可将计算时间缩短高达 85.5%。索引术语 — 有限元法、热机械分析、电力电子模块、可靠性评估、参数模型降阶。
ξ-π：神经功率谱分解的非参数模型
摘要 — 从脑记录中估计出的功率谱是非周期性瞬态活动和周期性振荡的混合表示，即非周期分量（AC）和周期分量（PC）。定量神经生理学需要在参数化每个分量之前进行精确分解。然而，AC 和 PC 的形状、统计分布、尺度和混合机制尚不清楚，这对当前流行的参数模型（如 FOOOF、IRASA、BOSC 等）的有效性提出了挑战。这里提出了 ξ - π 来分解神经谱，方法是将带有惩罚 Whittle 似然的非参数谱估计和形状语言建模嵌入到期望最大化框架中。在具有损失统计的合成频谱以及具有评估指标和神经生理学证据的睡眠EEG和大样本iEEG上验证了ξ-π。与FOOOF相比，呈现形状不规则性的模拟和具有多个孤立峰的批量模拟都表明ξ-π在识别中心频率和峰值数量时以更少的损失和更高的F1分数改善了AC和PC的拟合度；睡眠EEG显示ξ-π产生了更多可区分的AC指数并提高了睡眠状态分类准确性；iEEG显示ξ-π在峰值发现方面接近临床发现。总体而言，ξ-π在频谱分解中提供了良好的性能，允许使用描述性统计数据或核函数进行灵活的参数化。ξ-π 可能成为认知神经科学、脑机接口、神经反馈和脑部疾病等领域脑信号解码的有前途的工具。
使用参数模型降阶对电力电子模块热机械分析中的温度相关特性进行参数化
摘要 — 本文使用 ANSYS-FEM（有限元方法）对电力电子模块 (PEM) 进行直接耦合热机械分析，并结合参数模型降阶 (pMOR) 技术。与目前大多数通过顺序耦合热机械模型进行耦合热机械分析的模型降阶研究不同，本研究中采用的直接耦合热机械方法同时解决了热和结构模型。通常，pMOR 主要侧重于参数化模型参数（例如材料属性、负载），这些参数是常数。在本研究中，在电子模块可靠性评估的背景下，展示了一种使用 pMOR 参数化温度相关属性的新方法，例如 PEM 结构中材料的热膨胀系数 (CTE)。开发了 PEM 的二维有限元模型，并用于研究铝 (Al) 合金的温度相关 CTE 对热负荷下系统热机械响应的影响。基于 Krylov 子空间的技术 PRIMA 已用于模型降阶，并采用矩阵插值的线性方法进行 pMOR 中的参数化。全阶状态空间模型具有 30,612 个自由度 (DOF)，而通过 pMOR 实现的简化模型只有 8 个自由度。模拟运行表明，对于此问题，使用这种方法可以大大减少计算时间，全阶模型和简化模型之间的计算时间减少了 81%。在建模预测中，基于 pMOR 的解决方案保留了结果的准确性。在这种情况下，与 ANSYS-FEM 模型 (FOM) 解决方案相比，应力结果的平均差异仅为 0.43%。
W*-代数上的参数模型和信息几何
在经典几何和量子信息几何中，通常处理概率分布或量子态的参数化子集，俗称参数模型。经典背景下的典型例子是高斯概率分布族，在量子背景下的典型例子是量子相干态族。从概念和实践的角度来看，都可能存在物理理论约束，导致只有某些概率分布或量子态才能被建模或物理实现（再想想高斯概率分布和量子相干态），因此证明选择参数模型是合理的。另一方面，从纯数学的角度来看，如果我们想利用标准微分几何的数学形式，就必须选择参数模型[1,43,50]。事实上，可测结果空间上的概率分布空间和等同于复可分希尔伯特空间上的密度算子空间的量子态空间都不具备光滑流形的结构。颇有意思的是，这在有限维中已经发生了：在经典情况下，离散有限结果空间 X n（有 n 个元素）上的概率分布空间可以自然地等同于 R n 中的单位单纯形，后者是带角的光滑流形的典型例子 [54]；在量子情况下，等同于有限维复希尔伯特空间 H 上的密度算子空间的量子态空间，当 dim ( H ) = 2 [ 11 , 35 ] 时，是具有边界的光滑流形，称为布洛赫球；当 dim ( H ) > 2 [ 24 ] 时，是分层流形。在无限维中，考虑到无限维微分几何的技术细节，情况甚至更糟。尽管可以说在经典 [ 64 ] 和量子 [ 42 ] 中都有旨在建立无限维非参数理论的方法，但我们认为它们实际上是参数模型，其中参数位于无限维流形中。事实上，Pistone 和 Sempi [ 64 ] 的开创性工作处理的不是测度空间上整个概率分布空间上的 Banach 流形结构，而是关于给定参考概率测度 μ 相互绝对连续的所有概率分布空间上的 Banach 流形结构。显然，这种选择可以合理地称为概率分布的参数模型。 Jencova [ 42 ] 的工作中也发生了类似的事情，其中 Banach 流形结构不是赋予 W ⋆ -代数 A 上的整个状态空间，而是赋予 A 上的忠实正常状态空间。因此，为了使用标准微分几何的工具，正如在经典几何和量子信息几何中惯常的做法一样 [4、5、51、58、67]，我们必须接受使用参数模型的必要性。经典情况在无限维环境中也得到了彻底和系统的研究 [7-9]，而据我们所知，量子态参数模型的信息几何（特别是在无限维环境中）仍未得到充分探索。这项工作的目的是开始探索这片土地，并以这样一种方式进行，即可以同时处理经典情况和量子情况。关键
多层感知器和参数模型的混合集成用于智能电网的可靠性预测
摘要 电力系统的可靠运行是电力公司的一个主要目标，这需要准确的可靠性预测以最大限度地减少电力中断的持续时间。由于天气状况通常是智能电网（尤其是其配电网）电力中断的主要原因，本文全面研究了各种天气参数对配电网可靠性性能的综合影响。特别地，提出了一种基于多层感知器 (MLP) 的框架，使用常见天气数据的时间序列来预测一个配电管理区域中每日持续和瞬时电力中断的次数。首先，实施参数回归模型来分析每日电力中断次数与各种常见天气参数（如温度、降水量、气压、风速和闪电）之间的关系。然后将选定的天气参数和相应的参数模型作为输入，以建立 MLP 神经网络模型来预测每日电力中断次数。引入了一种改进的基于极限学习机 (ELM) 的分层学习算法，使用来自佛罗里达州电力公司的实时可靠性数据和来自国家气候数据中心 (NCDC) 的常见天气数据来训练制定的模型。此外，还实施了敏感性分析以确定各种影响