XiaoMi-AI文件搜索系统
World File Search System可观察性
用于增强网格安全性的量子计算
式公用事业在通过传统的电网结构提供可靠和负担得起的电源方面取得了很大的成功。然而，由于新的客户开发技术的出现，这种结构正在发生变化，由于气候变化，自然灾害的越来越多的可再生和无碳生成的变化以及越来越多的自然灾害的频率和频率。随着网格的现代化，即更多的分布式，数字化和脱碳，数据的作用在网格可观察性和可控性中变得越来越重要[1]。因此，更多的数据等同于增加数据分析提取信息的需求。在很大程度上被忽略的是，当前的计算技术可能不足以满足现代化网格的需求。一个示例是网格安全分析，该分析受当前计算技术的功能的限制。本文通过投资采用量子计算来确保安全，弹性和可靠的网格的重要性，从而为这一新出现的研究领域做出了贡献。提出了一种基于门的量子算法来解决网格安全问题；系统操作员需要一致解决的一个重要问题。
区块链展望物联网在分销领域的部署......
如今，可再生能源以分布式发电的形式融入电力系统的速度正在加快，相应的技术发展也正在以惊人的速度发展。由于对气候变化和全球不断增长的能源需求的担忧，电力行业将迎来一个提高这些能源渗透率的转折点。小规模的普遍可再生能源对运营商管理大量小型发电源（称为微电源）提出了新的挑战。当前的银行结构无法处理如此大规模的高频交易。因此，加密货币的纳入是不可避免的。此外，物联网设备的使用会产生大量数据，必须安全地传输、存储、处理和管理这些数据，以提高电网的可观察性、可控性和自主性。应使用人工智能和大数据技术来分析数据以进行准实时决策。本研究深入探讨了上述有争议的挑战和机遇，并提出了将物联网和区块链纳入电力系统，特别是在配电层、住宅部分、智能建筑、智能家居、能源枢纽方案和住宅电动汽车供应设备管理中的相应解决方案。
USV跟踪器
本文介绍了USV-Tracker，这是一种针对用于实用应用（例如地表调查和目标跟踪）的无人层面车辆（USV）的新型跟踪系统。该系统应对三个关键挑战：感知鲁棒性，跟踪隐藏和计划效率。这项工作的贡献是多方面的：（1）使用扩展的卡尔曼滤波器（EKF）的多传感器融合框架来增强目标检测和定位准确性，集成了来自相机，激光镜头，GPS和IMU传感器的数据。（2）一种两阶段的路径计划算法，该算法生成遮挡避免轨迹并采用虚拟弹性力约束来保持适当的相对定位。在密集的障碍环境中，该算法倾向于靠近目标，并结合了FOV取向约束以确保稳定的感知。（3）一种可见性感知的控制策略，可通过基于EKF的轨迹预测来确保持续的目标可观察性。凉亭中的模拟和相应的物理实验验证了系统的有效性和鲁棒性，证明了其在现实世界中的适用性。计算工作负载是在受约束的车载计算机上管理的，强调了系统的实用性。
在O-RAN中实现和评估安全性：界面...
摘要 - 开放式无线电访问网络（RAN）是一种新的网络范式，它以基于云的，多供应商，开放式和智能体系结构为基础，以塑造5G及以后的蜂窝网络的下一个代理。在可观察到网络的可观察性和可重新配置方面，这种新的范式具有许多优势，但它不可避免地扩大了蜂窝系统的威胁表面，并可能将其组件和机器学习（ML）基础架构暴露于几个网络攻击中，从而使确保O-Ran网络成为必要。在本文中，我们通过关注O-Ran联盟提出的规格，体系结构和英特尔语来探索O-RAN系统的安全方面。我们解决了以整体视角确保O-RAN系统的问题，包括考虑用于互连的开放接口，在整个平台上以及用于监视和控制网络的智能上。对于每个焦点区域，我们确定威胁，讨论解决这些问题的相关解决方案，并通过实验证明该解决方案如何有效地捍卫O-RAN系统免受选定的网络攻击。本文是在整体上与O-RAN的安全方面接近安全方面的第一项工作，并具有在最先进的可编程O-Ran平台上获得的实验证据，为该领域的研究人员提供了独特的指南。
考试问题机器人技术和人工智能
1。控制系统设计。控制系统和系统配置的基本组件。2。系统的标准数学模型：输入输出模型，状态空间模型。3。动态系统线性化，并评估雅各布基质。4。框图转换：系列，并行和反馈连接。5。系统的结构特性：可控性和可观察性。6。一阶和二阶系统：传输功能，步骤响应，冲动响应。7。连续时间系统的稳定性：定义，S-平面根位置，Routh-Hurwitz稳定性标准。8。Lyapunov确定连续时间系统稳定性的方法。9。Nyquist稳定性标准。时间延迟系统的稳定性。10。系统的性能特征（规格）：过冲，沉降时间，稳态误差，相对稳定性，阻尼比。11。稳态准确性。具有不同类型编号（集成数）的Unity反馈控制系统中的稳态错误。12。标准特征多项式：Butterworth多项式，二项式多项式。13。通过模态控制（POL放置）对线性系统的稳定。 14。 连续时间系统（Luenberger观察者）的全顺序和降低状态观察者。通过模态控制（POL放置）对线性系统的稳定。14。连续时间系统（Luenberger观察者）的全顺序和降低状态观察者。
论文 - UNIV-PAU
从安全角度来看，自动驾驶汽车 (AV) 的开发和部署是一项非常具有挑战性的工作。这些车辆是安全关键系统，必须应对多种复杂情况，防止任何潜在伤害，并且不干扰交通流，才能被社会接受。完全计算机控制下的安全驾驶还需要与复杂道路网络中的不同实体进行交互和操作，并适当处理它们的各种行为。虽然过去几年取得了很大进展，但工作主要集中在为车辆提供自动驾驶能力。安全已成为主要挑战，不仅要管理故障或外部干扰，还要管理车辆行为部分以解决边缘情况。本论文探讨了文献中如何制定和管理安全自主性的研究问题。我们回顾了采用自适应行为的运行时安全缓解机制。我们发现 AV 系统需要可观察性、可追溯性、可重构性和灵活性的少数组合。基于这些非功能性特性，我们提出了一个框架，以可管理和可扩展的方式将自我安全概念融入现有的 AV。该框架定义了我们将安全论证表示为约束的方法和我们的参考架构，其中涉及两层，它们运行自适应机制以确保安全。第一层是
影响基于移动的 AI 采用的因素......
摘要 目的——本研究旨在为坦桑尼亚制造业中小企业 (SMEs) 采用基于移动的人工智能 (AI) 服务建立一个全面的框架。 设计/方法/方法——该方法包括进行文献综述，并使用移动服务接受模型和创新扩散理论 (IDT) 的组合作为理论基础。这种综合深入研究了当前关于技术采用、组织行为和创新扩散的知识，创建了坚实的概念基础。专家评审用于框架验证，以确保框架的准确性。 发现——本研究表明，影响坦桑尼亚制造业中小企业采用基于移动的 AI 服务的因素包括感知有用性、感知易用性、背景、个人主动性和特征、信任、基础设施、成本、移动性、权力距离、兼容性、可观察性和可试用性。 研究的局限性/含义——该框架提供了针对坦桑尼亚社会文化和经济细微差别的宝贵见解。然而，由于它针对坦桑尼亚制造业中小企业的特殊性，它的普遍性有限。实际意义——本研究概述的框架为中小企业领导者、政策制定者和技术实施者提供了宝贵的指导，帮助他们在采用过程中做出明智的决策。原创性/价值——本研究引入了一种理解技术采用的新视角。本研究侧重于坦桑尼亚的背景，对影响因素进行了细致的分析，这增加了其原创性和实际意义。
CPRAM 推出新基金：CPR Invest - 人工智能，使其客户能够投资于积极部署人工智能的公司
CPRAM 正在推出 CPR Invest - 人工智能基金，这是一只主动管理型全球股票基金。该基金主要投资于信息技术领域的公司，地理重点是美国。CPRAM 紧跟塑造我们未来的主要趋势，是主题投资的先驱之一。在过去的几年中，CPRAM 在其“进步”主题支柱（包括：颠覆和医疗技术主题等）内积累了技术股方面的专业知识。这些专业知识使它能够识别新趋势并对人工智能产生坚定的信念。借助 CPR Invest - 人工智能，CPRAM 为投资者提供了接触这一技术周期早期阶段的机会，该技术周期的发展预计将在未来几年急剧加速，从而改变整个经济。1 由 Guillaume Uettwiller 和 Wesley Lebeau 管理的 CPR Invest - 人工智能增强了 CPRAM 的主题范围，该范围已经包括 14 种投资策略，代表着 180 亿欧元的管理资产。 2 CPR Invest - 人工智能基金的投资范围围绕三大支柱构建： - 人工智能基础设施，对于人工智能的发展至关重要，涵盖芯片制造商、云服务提供商（计算和数据存储）和数据中心。 - 人工智能推动者是通过提供集成所需的工具、技术和专业知识来支持人工智能部署的公司：数据管理和提取、可观察性和安全解决方案、咨询公司。
ScienceDirect
应用于现实世界分析和控制应用程序（例如机电系统系统（Abraham和Murphey，2019年），（Cisneros等，2020），分布式参数系统（Klus等，2020））。为了实际使用，需要选择有限数量的可观察到的物品，这称为举重。基于这些，构建了时间变化的数据矩阵，以通过最小二乘矩阵近似Koopman运算符计算。该技术被称为Excended动态模式分解（EDMD）（Williams等，2015）。但是，主要问题是可观察物的选择是启发式的，并且无法保证所得模型的质量。为了解决这个问题，一种解决方案是使用数据驱动的技术从数据中学习提升，以规避可观察物的手动选择（Lusch等，2018）（Iacob等，2021）。尽管如此，这仍然是一个近似值，并且有关如何将非线性系统嵌入精确的线性有限尺寸提升表示的问题，并且在可能的情况下，仍然可以打开。这是一个重要的算法，因为出于控制目的，具有确切的有限尺寸嵌入允许将可用的控制工具应用于线性系统。此外，如果模型中存在无法量化的近似错误，则将无法实现预期的性能。为了解决这个问题，已经尝试将Koopman框架与沉浸式（Wang and Jungers，2020）和Carleman线性化连接起来，以获得清晰的计算观测值的方式。紧密连接到然而，在沉浸式方法中，有限的维度完全线性提升的存在很大程度上取决于系统的可观察性特性，并且通常，所得的填充物包含非线性输出注入（Krener和Isidori，1983），（Jouan，2003年）。
可证明可以通过...
基础状态的部分可观察性通常对控制学习（RL）提出了重大挑战。实际上，某些特权信息，例如，从模拟器中访问州的访问已在培训中得到利用，并取得了杰出的经验成功。为了了解特权信息的好处，我们在这种情况下重新访问并检查了几个简单且实际使用的范例。具体来说，我们首先正式化了专家蒸馏的经验范式（也称为教师学习），证明了其在发现近乎最佳政策时的陷阱。然后，我们确定部分可观察到的环境的条件，即确定性的滤波器条件，在该条件下，专家蒸馏实现了两个多项式的样品和计算复杂性。此外，我们研究了不对称参与者 - 批评者的另一个有用的经验范式，并专注于更具挑战性的可观察到的部分可观察到的马尔可夫决策过程。我们开发了一种具有多项式样本和准多项式计算复杂性的信念加权不对称的演员算法，其中一个关键成分是一种新的可培养的甲骨文，用于学习信念，可在不指定的模型下保留过滤器稳定性，这可能是独立的。最后，我们还可以使用特权信息来介绍部分可观察到的多代理RL（MARL）的可证明的效率。与最近的一些相关理论研究相比，我们的重点是理解实际启发的算法范式，而无需进行棘手的甲壳。我们开发了具有集中式训练 - 二级化 - 执行的算法，这是经验MARL中的流行框架，具有多项式样本和（Quasi-）多项式组成的复杂性，在上述两个范式中。