XiaoMi-AI文件搜索系统
World File Search System在线控制
在线控制教育...
近年来，技术的快速进步、众多创新和世界数字化改变了公司和机构的工作方式。他们还调整和创造了新的方法和流程，以实现更有效、更具创新性的教育。他们试图让学生的学习过程更轻松 ([10]、[7]) 、更高效。教育的进步也为科学、技术和发展做出了贡献。理想的结果是将教育和研究活动结合起来，创造支持行业的创新 [1]。更好的教育最终可以造福每个人。通过数字化主题可以支持更有效的教育。简化设备设计、理解技术规格、促进设备原型设计，甚至降低制造过程成本，这些只是 3D 硬件数字化众多用途中的一小部分 ([19]、[3])。世界各地有许多三维环境，它们试图整合、运行和模拟来自不同领域的知识 [12]。研究表明，58% 的学生同意模拟、演示和虚拟实验室等方法让他们在实验室课堂上更加自在 [14]。如今，我们可以在几乎每个工作领域观察到数字化的趋势 [4]。它使我们能够在真实情况发生之前面对它们，从中吸取教训，从另一个角度看待问题，更快地做出反应，最终节省成本。
人工智能方法在线控制电力机车车辆的能源效率
摘要。分析了国际上组织电力机车能耗控制的实践。结果得出结论，目前组织电力机车能耗控制问题主要采用分析方法解决。这些方法基于设计仿真模型，这些模型通常基于庞特里亚金最大原理。然而，考虑到电力机车运动参数记录系统以及俄罗斯铁路其他自动化系统的发展，开发和研究用于解决电力机车能耗实时监控问题的人工智能方法和算法似乎是有希望的。还确定了从数据分析的角度来看，大多数现代运动参数记录仪存在许多显著的缺点。这些缺点包括数据不足和可靠性低、记录数据与行程和机车组缺乏关联、无法选择恒定间隔来记录测量结果。此外，在磁带上记录数据时也存在较高的错误概率，缺乏 GPS/GLONASS 卫星导航系统，缺乏无线数据传输，软件不完善，从磁带文件中导出数据不方便且不完整。为了在任意能源跟踪区域内测试电力机车的能源效率评估，根据运动参数记录器的数据开发了相应的软件。然而，要全面实施所提出的消耗跟踪方法，需要开发新的复杂自动化系统。这种系统应该结合电力机车和牵引供电系统的整套测量参数。
HFR和Pallas时代。荷兰研究基础设施| ...
设计目标•样品温度在400-1300°C的范围内•在线控制0-100 MPa范围内样品应力•多个样品可同时分别测量•在线位移测量，精度为<< 1 µm
自然包含函数的间隔信号时间逻辑
摘要 - 我们提出了一个称为Interval信号时间逻辑（I-STL）的信号时间逻辑（STL）的间隔扩展。给定STL公式，我们考虑其每个谓词的间隔包含函数。然后，我们使用最小的最小包含函数和最大函数递归构建一个间隔鲁棒性，这是原始STL公式的鲁棒性的自然包含函数。所产生的间隔语义可容纳，例如，不确定的信号模型为间隔的信号和不确定的谓词，以适当的包含功能建模。在许多情况下，为STL开发的验证或合成算法适用于I-STL的理论和算法最小的变化，并且可以在可忽略不计的计算费用下使用间隔算术套件轻松扩展现有代码。为了证明I-STL，我们提供了一个从硬件实验获得的不符合信号跟踪的频率监视的示例，以及一个强大的在线控制合成典型的示例，从而强制执行具有不确定谓词的STL公式。
使用双侧微电极记录对四肢瘫痪患者的双侧手势进行同时分类
大多数日常任务都需要同时控制双手。在这里，我们使用从四肢瘫痪参与者的双侧运动和体感皮层记录的多单元活动来展示双手手势的同时分类。使用针对每只手分别训练的分层线性判别模型对尝试的手势进行分类。在一项在线实验中，手势被连续分类并用于控制两个机械臂进行中心向外运动任务。需要保持一只手静止的双手试验产生了最佳表现（70.6%），其次是对称运动试验（50%）和非对称运动试验（22.7%）。我们的结果表明，可以使用两个独立训练的手部模型同时解码双手的手势，但随着双手手势组合的复杂性增加，使用这种方法进行在线控制变得更加困难。这项研究展示了使用双侧皮层内脑机接口恢复双手同时控制的潜力。
建筑物控制中的强化学习-UCL Discovery
强化学习（RL）在建筑物控制方面发挥了巨大的潜力，以使建筑物的运作更加节能。已经研究了各种RL算法的建筑控件性能，因此在整个功能范围内对这些算法进行基准测试对于提供概述并加深对RL应用程序的理解至关重要。因此，本研究旨在比较和分析各种RL算法的有效性，其中包括基于价值的，策略梯度，参与者 - 批评和基于模型的RL考虑模型可用性和策略表示的整个RL类别。还研究了根据RL的成本函数量化累积奖励的控制绩效，研究了超参数调整的稳定性。开源的健身房ePlus框架被选为训练和测试不同RL代理的虚拟环境。结果表明，在能耗和热舒适性方面，无模型和基于模型的RL代理都超过了基线规则的控制，并且RL代理能够评估短期和长期奖励，以连续地与在线控制过程中连续实现适应性控制优化。基于模型的RL代理提高了数据采样效率，但在经过测试的夏季表现出了相对牺牲的控制性能。
偏差、最佳线性估计以及基于脉冲的脑机接口算法的开环模拟和闭环性能之间的差异
同时记录的数十个神经元的活动可用于控制机械臂或计算机屏幕上光标的运动。这种运动神经假体技术激发了人们对推断运动意图的算法的兴趣。这些算法中最简单的是群体向量算法 (PVA)，其中每个细胞的活动用于加权指向该神经元首选方向的向量。离线时，可以证明更复杂的算法（例如最佳线性估计器 (OLE)）可以大大提高重建手部运动的准确性，优于 PVA。我们称之为开环性能。相反，这种性能差异可能不存在于闭环在线控制中。开环和闭环控制之间的明显差异是适应当时使用的解码器的具体情况的能力。为了预测算法在闭环控制中可能产生的性能提升，有必要建立一个模型来捕捉这种适应过程的各个方面。这里我们提出了一个用于对 PVA 和 OLE 的闭环性能进行建模的框架。通过模拟和实验，我们表明 (1) 某些解码器的性能增益可能远低于离线结果的预测，(2) 受试者能够补偿解码器中某些类型的偏差，以及 (3) 必须小心确保估计误差不会降低理论上最佳解码器的性能。© 2009 Elsevier Ltd. 保留所有权利。
能量感知分布式推理的视角
摘要 — 对快速响应的高质量人工智能生成内容 (AIGC) 的追求推动了自然语言处理 (NLP) 服务的发展，尤其是在边缘启用的服务 (即边缘 NLP)。具体来说，我们研究了下一个单词预测的分布式推理，这是用户设备上移动键盘的流行边缘 NLP 服务。因此，我们优化了耦合指标，即最大化预测点击率 (CTR) 以提高服务质量 (QoS)，最小化用户不耐烦以增强体验质量 (QoE)，并将能耗控制在可持续发展的预算范围内。此外，我们考虑了现实世界的环境，其中没有关于异构 NLP 模型预测准确性的先验知识。通过集成在线学习和在线控制，我们提出了一种新颖的分布式推理算法，用于考虑用户不耐烦的在线下一个单词预测 (DONUT)，以估计模型的预测准确性并平衡耦合指标之间的权衡。我们的理论分析表明，DONUT 实现了亚线性遗憾（CTR 损失），确保了有限的用户不耐烦，并保持了预算内的能耗。通过数值模拟，我们不仅证明了 DONUT 优于其他基线方法的性能，还证明了其对各种设置的适应性。
模型识别自适应控制 – 实施案例...
对不断提高飞机性能的需求导致了飞行控制系统的引入，而现在这些系统已经变得非常复杂。通常应用的控制设计方法（例如增益调度、动态逆）需要精确的系统动态模型，并使用数值和实验方法进行复杂的空气动力学分析，并进行远远超出确保符合法规要求的飞行测试。随着模块化无人机的普及，需要快速、更便宜、可扩展的设计方法，从而导致自调节、自适应控制器领域的出现。自适应控制器不需要精确的工厂模型，它们可以根据配置偏差和飞行条件进行调整。这样可以增强控制系统的稳健性。自适应控制器的设计成本较低，并且可以轻松定制已经应用的控制器以适应给定飞机配置的要求。本文选择了模型识别自适应控制（MIAC，也称为间接自适应控制）框架（而不是更常用的模型参考自适应控制），因为它的适用范围更广（可以容纳任意零极点位置）并且可以分阶段引入。一旦确定模型识别的正确操作，就可以应用在线控制重新设计来完成自适应。本文的目的是研究 MIAC 对非线性多输入多输出 (MIMO) 系统的适用性，主要关注识别和参数自适应，这将导致自适应控制设计。对于