XiaoMi-AI文件搜索系统
World File Search System可观测性
使用分布式系统中的可观测性数据的机器学习和人工智能技术
机器学习模型可用于分析可观测性数据，以提高系统的可靠性、性能和安全性。以下是使用可观测性数据的机器学习模型的用例：• 异常检测：机器学习模型可用于检测可观测性数据中的异常，例如 CPU 使用率或内存使用率的突然飙升。这有助于在潜在问题导致停机或性能问题之前识别它们。• 根本原因分析：机器学习模型可用于使用可观测性数据来识别问题的根本原因，以加快故障排除过程并防止问题再次发生。• 预测性维护：ML 模型可以预测设备何时可能出现故障。这有助于在问题发生之前安排维护，从而防止停机和停机。
射频隐身（或低可观测性）和反射频隐身... - CORE
估计此次信息收集的公共报告负担平均为每份回应 1 小时，包括审查说明、搜索现有数据源、收集和维护所需数据以及完成和审查信息收集的时间。请将关于此负担估计或本次信息收集任何其他方面的评论（包括减轻负担的建议）发送至华盛顿总部服务部、信息运营和报告理事会，地址：1215 Jefferson Davis Highway, Suite 1204, Arlington, VA 22202-4302，以及管理和预算办公室、文书工作减少项目 (0704-0188) Washington DC 20503。1. 仅供机构使用（留空）2. 报告日期 2009 年 3 月 3. 报告类型和涵盖日期 硕士论文
瞻博网络和 Kentik 提供人工智能驱动的网络可观测性
Kentik 是一家网络可观测性公司。我们的平台是网络前线的必备工具，无论是数字业务、企业 IT 还是服务提供商。网络专业人员依靠 Kentik 网络可观测性云来规划、运行和修复任何网络，依靠我们无限的粒度、人工智能驱动的洞察力和极快的搜索。Kentik 可以理解网络、云、主机和容器流、互联网路由、性能测试和网络指标。我们向网络专业人士展示他们需要了解的网络性能、健康和安全信息，以使他们的业务关键型服务大放异彩。网络为世界上最有价值的公司提供支持，这些公司信任 Kentik 的网络可观测性。IBM、Box 和 Zoom 等市场领导者依靠 Kentik 实现网络可观测性。请访问 kentik.com 并关注我们 @kentikinc 。
机器学习可观察性 101
ML 可观测性平台使团队能够分析模型退化并找出出现的任何问题的根本原因。通过连接验证和生产之间的点来诊断模型问题的根本原因，这种能力是模型可观测性与传统模型监控的区别所在。虽然模型监控包括针对关键模型性能指标（例如准确性或漂移）设置警报，但模型可观测性意味着更高的目标，即彻底查明性能回归或异常行为。我们感兴趣的是原因。监控只对聚合和警报感兴趣。可观测性感兴趣的是我们可以从模型的预测、可解释性洞察、生产特性数据和训练数据中推断出什么，以了解模型操作背后的原因并构建工作流程来改进。
基于容量的地月空间领域感知架构优化
地月空间通常被定义为地球和月球之间的空间体积。这包括近 385,000 公里的半径。有无数种可能的传感器架构可以构建来搜索这个空间。在构建架构时，人们通常对最大化可观测性感兴趣。调度传感器以优化容量的任务以前被认为是与架构设计不同的问题。虽然这些问题可以单独解决，但将这些问题放在一起看待可以为地月空间领域感知 (SDA) 提供强大的工具。昨天的解决方案不足以解决今天的问题。在架构设计中只考虑可观测性已经不够了。在本文中，我们首先研究优化的架构，然后将其与优化的调度相结合，以同时最大化容量和可观测性。我们将使用贪婪算法和遗传算法的变体来实现这一点。
相对航向估计及其在 GPS 拒绝环境中的目标切换中的应用
摘要 — 在本文中，我们解决了两架无法使用全球定位系统的固定翼飞机之间的目标切换问题。该问题需要估计飞行器之间的相对姿势。我们假设机载惯性测量单元可以提供飞机姿态的横滚和俯仰估计。我们研究了完成切换问题所需的其他相对状态的可观测性。具体来说，我们考虑了两种不同的情况。在第一种情况下，我们假设测量了飞机之间的相对位置，就像雷达或激光雷达传感器的情况一样。我们假设两架飞机不交换空速和转弯速率信息。在温和的假设下，我们表明两架飞机之间的相对航向是可观测的。在第二种情况下，我们假设只测量两架飞机之间的方位角，就像视觉传感器的情况一样。我们证明了与目标跟踪和切换相关的机动的状态可观测性。我们还提出了一种估计算法，该算法使用一组扩展卡尔曼滤波器来估计相对状态。全车动态仿真结果证明了所提方法的可行性。索引术语 — 多机器人系统、非线性滤波器、非线性可观测性、姿势估计、无人机。
统一可观察性在可持续 IT 中的作用
Riverbed 是 AI 可观测性领域的领导者，它利用 AI 自动化来预防、识别和解决 IT 问题，从而帮助组织优化用户体验。Riverbed 在数据收集、AI 和机器学习方面拥有 20 多年的经验，其开放且由 AI 驱动的可观测性平台和解决方案可优化数字体验并大幅提高 IT 效率。Riverbed 还提供业界领先的加速解决方案，可通过任何网络为任何地点的用户提供快速、灵活、安全的加速任何应用。我们与全球数以千计的市场领先客户（包括 95% 的财富 100 强企业）一起，为下一代数字体验赋能。了解更多信息，请访问 riverbed.com。
CSE 473：人工智能
§ 部分可观测性（道路状况、其他驾驶员的计划等）§ 噪声传感器（无线电交通报告、谷歌地图） § 交通建模和预测、安全线等极其复杂§ 缺乏对世界动态的了解（轮胎会爆裂吗？需要 COVID 测试吗？）§ 结合概率论 + 效用理论 -> 决策理论
飞机控制理论 (r15a2113) - mrcet.ac.in
经典控制系统建模的局限性、多输入多输出系统。动态系统的状态空间建模、状态变量定义 - 状态方程。输出变量 - 输出方程。用向量矩阵一阶微分方程表示。矩阵传递函数、状态转换矩阵 - 矩阵指数、属性、状态方程的数值解、示例。状态方程的正则变换，特征值，实数不同，重复。可控性和可观测性-定义-意义。数字控制系统：概述-优点，缺点。
特里普拉邦电气工程理学硕士......
理解 Z 变换、逆 z 变换和离散方程、采样器、保持装置的作用 学生能够分析任何离散数据控制系统的稳定性 分析所考虑的 MIMO 离散时间系统。（状态空间模型、可控性、可观测性） 设计所考虑的离散时间控制系统的状态反馈控制器 为所考虑的系统设计补偿器和离散控制器 教学大纲：采样数据控制系统、采样过程、理想采样器、香农采样定理、采样时间选择、零阶保持（ZOH）。z 变换、ZOH 的逆 Z 变换脉冲传递函数、系统稳定性、z 平面稳定性、极坐标图分析、使用根轨迹图的稳定性分析、Z 平面稳态误差分析、离散时间系统的状态空间模型、可控性和可观测性、通过状态反馈分配特征值、卡尔曼滤波、李雅普诺夫稳定性分析、补偿器设计。书籍：1. BC Kuo，数字控制系统，Oxford2014 2. KMMoudgalya，数字控制，Wiley India2015 3. Gopal，数字控制和状态变量方法，Mc Graw Hill，2014 MEE 903：非传统能源和发电 100 分