XiaoMi-AI文件搜索系统
World File Search System变换器
使用 Vision Transformer 区分恶意无人机
摘要：无人机因其大小和工作量各不相同而广泛用于各种应用，例如监视、导航、在自主农业系统中喷洒农药、各种军事服务等。然而，携带有害物体的恶意无人机经常被用来侵入禁区并袭击关键公共场所。因此，及时发现恶意无人机可以防止潜在的危害。本文提出了一种基于视觉变换器 (ViT) 的框架来区分无人机和恶意无人机。在提出的基于 ViT 的模型中，无人机图像被分割成固定大小的块；然后，应用线性嵌入和位置嵌入，最终将得到的向量序列输入到标准 ViT 编码器。在分类过程中，使用与序列相关的额外可学习分类标记。将提出的框架与几个手工制作的深度卷积神经网络 (D-CNN) 进行了比较，结果表明，提出的模型的准确率达到了 98.3%，优于各种手工制作的和 D-CNN 模型。此外，通过将所提出的模型与现有的最先进的无人机检测方法进行比较，证明了所提出的模型的优越性。
使用 Vision Transformers 增强 SEED-IV 数据集上的情绪分析：一项比较研究
本文介绍了一种利用深度学习模型（特别是视觉变换器 (ViT) 模型）进行情绪分类的新方法，用于分析脑电图 (EEG) 信号。我们的研究实施了一种双特征提取方法，利用功率谱密度和差分熵来分析 SEED IV 数据集。这种方法对四种不同的情绪状态进行了详细分类。最初设计用于图像处理的 ViT 模型已成功应用于 EEG 信号分析。它表现出色，测试准确率达到 99.02%，方差很小。值得注意的是，它在这方面的表现优于 GRU、LSTM 和 CNN 等传统模型。我们的研究结果表明，ViT 模型在准确识别 EEG 数据中存在的复杂模式方面具有很高的有效性。具体而言，该模型的准确率和召回率超过 98%，而 F1 分数估计约为 98.9%。该研究的结果不仅证明了基于变压器的模型在分析认知状态方面的有效性，而且还表明它们在改善人机交互系统方面具有巨大的潜力。
考虑控制非线性的双向DAB转换器现代控制策略
华沙理工大学，控制与工业电子学院 (1) 格但斯克理工大学，电力电子与电机系 (2) ORCID：1. 0000-0001-9589-7612； doi:10.15199/48.2024.05.01 考虑控制非线性的双向DAB转换器的现代控制策略摘要。本文重点介绍用于微电网系统的现代通用双向双有源桥 (DAB) 转换器的控制策略。对变换器方程进行了分析，并讨论了死区时间对系统工作影响的典型问题。开发了一个闭式控制回路，然后通过模拟和实验室测试。抽象的。本文讨论了用于微电网系统的现代通用双向双有源桥（DAB）转换器的控制策略。分析了变换器方程，并讨论了空载时间对系统运行影响的典型问题。开发了闭环控制系统，然后通过模拟和实验台进行测试。 （考虑控制非线性的双向DAB转换器的现代控制策略）。关键词：DAB，设计，优化，控制。关键词：DAB，设计，优化，控制。简介微电网是现代电力工业的一个重要问题。这一概念涉及将交流和直流装置组合成一个连贯的整体系统，以适应世界各地开发的电气工程领域各种解决方案的需求。技术应用包括可再生能源解决方案中使用的AC/DC/DC/AC转换器；智能储能充电系统；采用氢技术的电动汽车充电站[1]；采用直流双极装置的网络系统[2]。这种系统的稳定性和运行可靠性对于实现电动汽车、V2G（车辆到电网）[3] 的假设至关重要。无法安全地控制和断开系统部件阻碍了这些概念的实现。当前所有电力系统面临的问题包括电网的发展、增加电力需求、提高电力质量、增加可再生能源在能源市场中的份额、以及管理不断扩大的电网。微电网的概念就是为了解决这个问题，目前正在世界各地的研究单位进行测试。本文重点介绍适合微电网系统的现代通用双向双有源桥 (DAB) 转换器的适当控制策略。预计将在国内和本地微电网系统内推进安全和环保的电力分配方面取得积极的进展。一项研究 [1] 强调，DAB 转换器由于其双向性、隔离能力、效率和功率比，是平衡良好的微电网中的关键元素。然而，为各种应用制定适当的双向转换器控制策略并非易事。DAB 的非线性特性要求在设计用于各种应用的磁性元件时仔细考虑，包括
05-product（simultix14）-4.02
2.2。对样品转移和真空系统的快速和稳定改进已经显着提高了分析速度和精度。•及其具有改进的样品运输系统的快速样品转移系统，样品升压，携带和放置已转变为单个平滑运动，以减少样品负载时间。•X – y样品自动变换器除了标准8样品炮塔外，还有48个样品更换器（ASC48）。X -Y样品更换器增加了样品吞吐量，并使样品处理更加容易。•可以对样品入口端口的真空系统疏散和泄漏速度进行预编程以在两种模式下运行，以便可以降低粉末样品和滤料的散射，并增加长期稳定性。此外，可选的粉末陷阱最小化的小颗粒被吸入真空泵和电阀中。在测量设置期间可选的三个度真空度进一步缩短了分析某些样品和元素所需的时间。•由于超光元件的元素线长波长，自动压力控制（APC），X射线强度对光谱室中的真空度敏感。
![arXiv:2110.06553v2 [cs.RO] 2022 年 9 月 23 日](/simg/g:\will\search\icon\source\5\5cd0f30ce7869e8d45f911842b46a71f12d9c925.webp)
arXiv:2110.06553v2 [cs.RO] 2022 年 9 月 23 日
脑电图（EEG）是一种流行且有效的情绪识别工具，但脑电在人脑中的传播机制及其与情绪的内在关联尚不明确。本工作提出了四种不同的变换器框架（空间注意、时间注意、顺序时空注意和同时时空注意）用于脑电情绪识别，以探索情绪与时空脑电特征之间的关系。具体而言，空间注意和时间注意分别用于学习情绪识别的拓扑结构信息和时变脑电特征。顺序时空注意依次进行一秒片段内的空间注意和一个样本内的时间注意，以探究情绪刺激对同一时间片段内不同脑电电极脑电信号的影响程度。同时时空注意策略的空间注意和时间注意同时进行，用于建模不同空间特征在不同时间段之间的关系。实验结果表明，同时时空注意策略在所有设计方案中具有最佳的情绪识别准确率，表明对脑电信号空间和时间特征相关性进行建模对情绪识别具有重要意义。
将预训练的 ViT 与 TCNet 融合以实现增强型 EEG 回归
摘要。脑电图 (EEG) 分析任务对于脑机接口 (BCI) 的发展至关重要。然而，要达到开发稳健、有用的 BCI 的目标，很大程度上取决于 BCI 理解神经动态的速度和准确性。为了实现这一目标，本文详细介绍了预训练视觉变换器 (ViT) 与时间卷积网络 (TCNet) 的集成，以提高 EEG 回归的精度。这种方法的核心在于利用 ViT 的顺序数据处理优势以及 TCNet 的卓越特征提取能力，显着提高 EEG 分析的准确性。此外，我们分析了如何构建最佳补丁以供注意力机制分析的重要性，以平衡速度和准确性。我们的结果表明，回归准确度显著提高，EEGEyeNet 的绝对位置任务的均方根误差 (RMSE) 从 55.4 降至 51.8，优于现有的最先进模型。在不牺牲性能的情况下，我们将该模型的速度提高了一个数量级（最高可提高 4.32 倍）。这一突破不仅为 EEG 回归分析树立了新的标杆，还为未来将 Transformer 架构与针对不同 EEG 数据集的专门特征提取方法相结合的研究开辟了新途径。
负责任的人工智能框架 2024 年 2 月 1 日
• 在没有大量人为监督的情况下，在变化多端且不可预测的情况下执行任务，或者在接触数据集时可以从经验中学习并提高性能； • 在任何环境下开发，包括但不限于软件或物理硬件，并解决需要类似人类感知、认知、规划、学习、交流或身体动作的任务； • 旨在：像人类一样思考或行动。例如，但不限于，显示通过智能软件代理或具象机器人实现感知、规划、推理、学习、交流、决策或行动的认知架构或神经网络； • 由一组技术组成，包括但不限于机器学习，旨在近似认知任务。 • 可解释性 – 人工智能系统的一种属性，用于以人类可以理解的方式表达影响人工智能系统的基本因素。 • 大型语言模型 (LLM) – 一种可以识别和生成文本等任务的人工智能程序。LLM 是在大量数据集上进行训练的 – 因此得名“大型”。 LLM 建立在机器学习的基础上：具体来说，是一种称为变换器模型的神经网络。• 机器学习 - 使用和开发能够在不遵循明确指令的情况下学习和适应的计算机系统，通过使用算法和统计模型来分析数据模式并从中得出推论。
通过控制大功率转换器的运行模式来控制变压器过载
摘要 —。随着可再生能源和能源存储的日益普及，包括电压源转换器 (VSC) 和直流/直流转换器在内的高功率转换器在电网中占有相当大的份额。这些高功率转换器可用于通过控制其运行模式来控制变压器的过载。对于 VSC，运行模式包括整流和逆变操作，对于直流/直流转换器，运行模式包括降压和升压操作。这些操作模式由提出的算法管理，该算法感应配电变压器处理的功率并将其保持在指定的阈值内。该算法通过控制从电网到电池存储的功率流来实现所有这些。所有功率转换器都在闭环中运行，其中使用 PI 控制跟踪参考。在本文中，作者通过引入模糊控制提高了功率转换器的性能。在 MATLAB/Simulink 环境中开发了一个包括电网、变压器、交流母线、动态负载、VSC、直流/直流转换器和电池存储的仿真模型。模拟变压器过载测试案例，评估功率变换器PI控制和模糊控制的性能。结果表明，模糊控制的性能优于PI控制。
完全基于 FPGA 实现修改后的控制...
摘要 由于其多种优势（尤其是体积小、重量轻），电力电子变压器在铁路应用中引起了显著的关注。本文主要致力于开发一种基于完全可编程门阵列 (FPGA) 的电力电子变压器控制平台，用于上述应用中。由于 FPGA 的并行处理可以加快控制算法的执行速度，因此可以保证可靠的运行（这在牵引应用中至关重要）。为此，构建了一种输入串联输出并联电力电子变压器结构，并在 Xilinx FPGA 控制平台上设计和实现了电力电子变压器在牵引应用中可靠稳定运行的各种考虑因素，例如安全启动和双向功率流，以及所需的控制和脉冲生成方案。此外，还提出了一种改进的控制算法，以便以简单、更可靠的方式控制电力电子变压器。该控制方案基于DC-DC-LLC谐振变换器的输出电压而开发，能够有效地控制整流器直流母线电压之和并跟踪输入正弦参考电流，并且所需的传感器数量较少。最后，通过实验测试从各个方面检验了该方案的有效性。
负责任的人工智能框架 2024 年 2 月 1 日 - CT.gov
• 在没有大量人为监督的情况下，在变化多端且不可预测的情况下执行任务，或者在接触数据集时可以从经验中学习并提高性能； • 在任何环境下开发，包括但不限于软件或物理硬件，并解决需要类似人类感知、认知、规划、学习、交流或身体动作的任务； • 旨在：像人类一样思考或行动，包括但不限于认知架构或神经网络或理性行动，包括但不限于使用感知、规划、推理、学习、交流、决策或行动实现目标的智能软件代理或具身机器人； • 由一组技术组成，包括但不限于机器学习，旨在近似认知任务。 • 可解释性 – 人工智能系统以人类可以理解的方式表达影响人工智能系统结果的基本因素的属性。 • 大型语言模型 (LLM) – 一种可以识别和生成文本等任务的人工智能程序。LLM 是在大量数据集上进行训练的 – 因此得名“大型”。 LLM 建立在机器学习的基础上：具体来说，是一种称为变换器模型的神经网络。• 机器学习——使用和开发能够在不遵循明确指令的情况下学习和适应的计算机系统，通过使用算法和统计模型来分析和得出推论