XiaoMi-AI文件搜索系统
World File Search System噪声数据
CH-47D 和 AH-64 的运行噪声数据 - DTIC
它们正在取代 CH-47C 和 AH-1G。除了在最高速度下，速度变化对声音的影响并不是很大。就声音随负载变化而言，CH-47D 在满载平飞时发出的声音实际上比轻载时小，尽管在起飞和着陆时声音确实会随着负载而增加。与其他飞机一样，CH-47D 在着陆时发出的声音比在平飞或起飞时更大，但 AH-64 的声级几乎与操作无关。
三维中消除漂移的姿态和位置估计算法
融合它们的噪声数据，以便准确评估疾病。到目前为止，这是一个尚未解决的问题。通常，卡尔曼滤波器或其非线性、非高斯版本用于估计姿态 - 而这反过来对于位置估计至关重要。但是，所需的采样率和大状态向量使它们对于低成本可穿戴传感器的有限容量电池来说是不可接受的。
人工智能中的数据分析方法
神经网络是一组算法，旨在模仿人脑。它也被称为“人工神经元网络”。神经网络在数据挖掘中的应用非常广泛。它们对噪声数据的接受能力强，结果准确率高。根据需要，目前正在使用多种类型的神经网络，其中很少是循环神经网络和卷积神经网络。卷积神经网络主要用于图像处理、自然语言处理和推荐系统。循环神经网络主要用于手写和语音识别。
结合机器学习、知识表示和符号推理的神经符号......
为了处理现实世界中的噪声数据和不完整信息，我们将机器学习的通用性和抗噪性与知识表示和符号推理的严谨性和可重用性相结合，构建能够灵活应对未知情况的强大人工智能。我们还旨在将AI应用到以前从未应用过的领域，例如估计COVID-19的基因网络，预测辐射下的细胞动态以及基于媒体数据分析行为。
基于数据的自动飞机预计到达时间预测
具有高复杂度、多维度和高非线性的特点。一个性能良好的预测框架应该能够处理异常值、缺失值或噪声数据 [13]。此外，一些研究需要复杂的预处理步骤，这是预测性能和计算效率之间的权衡，需要仔细权衡。此外，大多数当前模型缺乏通用性和自动化。它们仅适用于一架或几架航班、飞机类型或出发/到达程序。如果问题是 30
量子信息和计算的机器学习
本汇编论文探讨了机器学习，量子信息和计算的合并。受神经网络和基于梯度的学习的成功的启发，论文探讨了如何适应这些想法，以解决量子系统建模和控制过程中出现的复杂问题，例如具有噪声数据的量子层析成像或通过结合物理学的约束来解决具有噪声数据或优化量子操作的量子层析成像。我们还使用物理意义的先验讨论了对量子状态的贝叶斯估计。古典机器学习可以激发新的量子计算算法。提出了一个这样的想法，以使用隐式分化扩展变异量子算法的功能，从而可以直接计算量子计算机上的物理有趣数量作为梯度。隐式分化还导致了一种新的方法，可以生成多部分纠缠量子状态并允许对量子机学习算法进行超参数调整。Several new experiments were possible due to the theoretical and numer- ical techniques developed in the thesis — robust generation of a Gottesman- Kitaev-Preskill and cubic phase state in a 3D cavity, fast process tomography of a new family of superconducting gates with known noise, efficient process tomography of a physical operation implementing a logical gate on a bosonic error-correction code, and the reconstruction of a光电子的量子状态。
金属构件疲劳寿命的概率设计方法
在本研究中，开发了一个通用概率设计框架，用于预测金属硬件的循环疲劳寿命，所采用的方法解决了实验数据和计算模型中的不确定性。该方法涉及：（i）在 Ti6Al4V 材料试样上进行的疲劳试验数据，（ii）基于连续损伤力学 (CDM) 的材料本构模型，用于模拟材料的循环疲劳行为，（iii）基于方差的全局灵敏度分析，（iv）用于模型校准和不确定性量化的贝叶斯框架，以及（v）在不确定性下的计算寿命预测和概率设计决策。使用实验数据进行计算分析的结果证明了在存在不完整和噪声数据的情况下，概率设计方法用于模型校准的可行性。此外，使用概率设计方法可以评估计算模型预测的疲劳寿命的可靠性。[DOI: 10.1115/1.4038372]
利用自适应变分量子动力学计算多体格林函数
摘要：我们提出了一种使用自适应变分量子动力学模拟方法计算多体实时格林函数的方法。实时格林函数涉及带有一个额外电子的量子态相对于基态波函数的时间演化，该波函数首先表示为状态向量的线性 - 线性组合。通过将各个状态向量的动态组合成线性组合，可以获得实时演化和格林函数。使用自适应协议使我们能够在运行模拟时即时生成紧凑的假设。为了提高光谱特征的收敛性，应用了 Pade 近似值来获得格林函数的傅里叶变换。我们在 IBM Q 量子计算机上演示了格林函数的评估。作为我们错误缓解策略的一部分，我们开发了一种分辨率增强方法，并成功地将其应用于来自实量子硬件的噪声数据。
EEG 到文本模型有效吗？
这项工作批判性地分析了现有的开放词汇 EEG 到文本翻译模型。我们发现了一个关键的局限性：以前的研究在评估过程中经常采用隐性教师强制，人为地夸大了性能指标。此外，他们缺乏一个关键的基准——比较纯噪声输入上的模型性能。我们提出了一种方法来区分真正从 EEG 信号中学习的模型和仅仅记忆训练数据的模型。我们的分析表明，模型在噪声数据上的性能可以与在 EEG 数据上的性能相媲美。这些发现强调了 EEG 到文本研究中需要更严格的评估实践，强调透明的报告和对噪声输入的严格基准测试。这种方法将带来更可靠的模型能力评估，并为强大的 EEG 到文本通信系统铺平道路。代码可在 https://github.com/NeuSpeech/EEG-To-Text 获得
隧道磁阻效应的动态噪声特性...
隧道磁电阻（TMR）传感器具有灵敏度高、易于小型化、功耗低等优点，有很大潜力成为高性能的磁场测量传感器。由于TMR磁传感器具有复杂的噪声特性，探究TMR磁传感器的噪声特性对指导其应用具有重要意义。本文研究了不同激励下TMR磁传感器的噪声特性。研究发现，交流激励下TMR磁传感器的噪声分离为：一部分噪声依赖于激励，与输出信号同步移至激励频率。剩余部分噪声与激励无关，停留在低频带。通过噪声数据的定量分析，我们发现与激励相关的噪声约占总噪声的70%，与激励无关的噪声约占30%。结果表明，在交流激励下，70%的噪声被同步调制，30%的噪声从信号中分离出来，为TMR磁传感器的应用提供了重要的指导。