XiaoMi-AI文件搜索系统
World File Search System多任务处理
MH-60S 多任务战斗支援直升机
近海战斗舰 (LCS) 水雷对抗 (MCM) 任务 (MCM) 套件，海军将配备机载激光水雷探测系统 (ALMDS) 和机载水雷中和系统 (AMNS) 的 MH-60S 的 IOT&E 推迟到至少 21 财年。由于海军计划在 2017 财年年初宣布这些系统的初始作战能力 (IOC) 并在 2018 财年之前部署它们，在完成作战测试之前，DOT&E 于 2016 年 6 月发布了一份早期部署报告。该报告得出结论，配备 ALMDS 或 AMNS 的 MH-60S 机载水雷对抗 (AMCM) 直升机在战斗中执行 MCM 任务时，在作战上不会有效或不适合作战。得出这些结论的主要原因是：- 组合 AMCM 系统不可靠。- ALMDS 扫雷能力有限
多任务海上飞机平台性能...
作战概念 多任务海上飞机 (MMA) 计划旨在满足美国海军在传统、联合和联盟角色中维持和改进海上和沿海情报、监视和侦察 (ISR) 能力以应对不断变化和新出现的威胁的需求。MMA 旨在参与涉及武装海上和沿海监视、海上控制和进入、陆地瞄准和打击以及分配给海军航空巡逻和侦察部门的指挥和控制任务的任务。PMA-290，MMA 项目办公室，委托 APL 对用于基线 MMA 的传统 P-3C 飞机传感器子系统的能力进行评估。MMA 平台性能评估于 2001 年 10 月开始，为期一年。评估的目的
通过多任务图表结构学习
鉴定蛋白质 - 蛋白质相互作用（PPI）对于在细胞内的众多生物过程中进行深入见解至关重要，并且在药物开发和疾病治疗等领域具有显着的指导价值。当前，大多数PPI预测方法主要集中于蛋白质序列的研究，忽略了蛋白质内部结构的关键作用。本文提出了一种名为MGSlappi的新型PPI预测方法，该方法将注意力集中在我的蛋白质结构信息上，并通过多任务学习策略增强了蛋白质编码器的表现力。具体来说，我们将端到端PPI预测过程分解为两个阶段：氨基酸残基重建（A2RR）和蛋白质相互作用预测（PIP）。在A2RR阶段，我们采用基于图的基于图的残基重建方法来探索蛋白质的内部关系和特征。在PIP阶段，除了基本的相互作用预测任务外，我们还引入了两个辅助任务，即蛋白质特征重建（PFR）和蒙版相互作用预测（MIP）。PFR任务旨在重建在PIP阶段的蛋白质的表示，而MIP任务则使用部分掩盖的蛋白质特征进行PPI预测，两者都在协调一致地工作以提示MGSlappi捕获更多有用的信息。实验结果表明，MGSlappi在各种数据分配方案下的现有最新方法显着优于现有的最新方法。
疏水素：多任务蛋白
疏水性是由纤维真菌产生的小两亲性细胞外蛋白。它们是表面活性蛋白，它们的功能主要与它们在疏水 - 亲水性接口处自我组装成两亲性单层的能力有关。取决于其水文模式和纯粹的要求，它们被分为I类和II类；两者都在整个序列中均表现出八个保守的半胱氨酸，形成了四个拆桥，它们产生了四个循环，可以使蛋白质以其单体和折叠形式稳定。I类杂菌环比II类杂菌环更扩展，从而导致不同表面的组装差异，并伴随着蛋白质结构的构象变化。 在单体杂素糖基化形式中，疏水素富含β-地表结构，同时在水中组装时 - 空气界面在其结构中增加了β-单表的含量，并且与水的界面和疏水固体在界面上，以及诸如TE的杂化固体，例如TE的形成也诱导了α-α-α-α-α-α-α-elix -Helix -Helix -Helix -Helix -Helix -Helix -Helix -a -Helix -a -Helix -α-固定结构。 由I类生成的单层是稳定的结构，称为纤维或rodlets，II类仅产生聚集体。 I类在其序列中呈现糖基化链。这会导致α-螺旋结构的形成，从而促进有序的组件，这需要它们的稳定性和高不溶性。 原纤维可以与三氟乙酸和甲酸分离，而三乙酸可以展开蛋白质，而60％乙醇和2％十二烷基硫酸钠溶液解散了II类聚集体。I类杂菌环比II类杂菌环更扩展，从而导致不同表面的组装差异，并伴随着蛋白质结构的构象变化。在单体杂素糖基化形式中，疏水素富含β-地表结构，同时在水中组装时 - 空气界面在其结构中增加了β-单表的含量，并且与水的界面和疏水固体在界面上，以及诸如TE的杂化固体，例如TE的形成也诱导了α-α-α-α-α-α-α-elix -Helix -Helix -Helix -Helix -Helix -Helix -Helix -a -Helix -a -Helix -α-固定结构。由I类生成的单层是稳定的结构，称为纤维或rodlets，II类仅产生聚集体。I类在其序列中呈现糖基化链。这会导致α-螺旋结构的形成，从而促进有序的组件，这需要它们的稳定性和高不溶性。 原纤维可以与三氟乙酸和甲酸分离，而三乙酸可以展开蛋白质，而60％乙醇和2％十二烷基硫酸钠溶液解散了II类聚集体。I类在其序列中呈现糖基化链。这会导致α-螺旋结构的形成，从而促进有序的组件，这需要它们的稳定性和高不溶性。原纤维可以与三氟乙酸和甲酸分离，而三乙酸可以展开蛋白质，而60％乙醇和2％十二烷基硫酸钠溶液解散了II类聚集体。
基于PMU测量和多任务学习
相量测量单元和机器学习算法的总用法为开发基于响应的宽区域系统完整性保护方案提供了针对电源系统中短暂不稳定性的机会。但是，文献中通常只预测瞬态稳定性状态，这不足以实时决策以基于响应的紧急控制。在本文中，提出了一种综合方法。首先提出了基于GRU的预测指标，以用于扰动后触及瞬态稳定性预测。在此基础上，提出了一个多任务学习框架，以识别不稳定的机器以及对生成脱落的估计。对IEEE 39总线系统的案例研究表明，除了瞬态稳定性预测的基本任务外，提出的基于GRU的多任务预测器可以正确预测不稳定机器的分组。此外，根据估计的发电量，生成的补救控制动作可以保留电力系统的同步。
多模式和多任务自动驾驶数据集
当前用于自动驾驶计算机视觉的深层神经网络（DNNS）通常在仅涉及单一类型的数据和urban场景的特定数据集上进行培训。因此，这些模型努力使新物体，噪音，夜间条件和各种情况，这对于安全至关重要的应用至关重要。尽管持续不断努力增强计算机视觉DNN的弹性，但进展一直缓慢，部分原因是缺乏具有多种模式的基准。我们介绍了一个名为Infraparis的新颖和多功能数据集，该数据集支持三种模式的多个任务：RGB，DEPTH和INDRARED。我们评估了各种最先进的基线技术，涵盖了语义分割，对象检测和深度估计的任务。更多可视化和
超级核武器的多任务学习
多任务学习体系结构通过在网络之间共享参数来利用共享知识并提高实现的能力来同时建模多个相关任务。设计多任务体系结构是由于参数效率和在所有网络层上灵活建模任务差异的能力之间的权衡而具有挑战性的。我们提出了多任务Hyper Nnetworks，这是一种新颖的多任务学习体系结构，绕过这种权衡，从而生成柔性任务网络，每个任务的参数数量最少。我们的方法使用超网络来从小任务特定的嵌入中为每个任务生成不同的网络权重，并在任务之间启用抽象知识转移。我们的方法从现有的多任务学习架构中脱颖而出，通过提供附加功能来利用任务级元数据来明确学习任务关系和任务功能。我们从经验上表明，多任务超级核武器的表现优于小型禁忌数据问题的许多最先进的多任务学习架构，并且比现有方法更有效地利用元数据。
多任务学习的触觉嵌入
摘要 - 触觉传感在人类的感知和操纵任务中起关键作用，使我们能够直观地理解任务动态并实时适应我们的行动。将这种触觉智能传输到机器人系统将有助于智能代理理解任务约束，并准确地解释他们正在与之交互的对象和自己的操作的动态。尽管由于触觉传感器形式的多样性，操纵任务和学习目标的多样性，虽然将机器人带入这种触觉智能方面已经取得了重大进展，但仍在有效地利用触觉信息。为了应对这一挑战，我们提出了一个统一的触觉嵌入空间，能够预测多种以任务为中心的质量。我们从各种任务中的人类演示中收集触觉数据，并利用此数据来构建一个共享的潜在空间，以进行任务阶段分类，对象动态估计和触觉动态预测。通过实验和消融研究，我们证明了我们共享的触觉潜在空间的有效性，以实现更准确和适应能力的触觉网络，显示出在单任务训练中的提高高达84％。
基于脑电图的多任务相关心理负荷识别
Lipo Wang 新加坡南洋理工大学电气与电子工程学院 ELPWang@ntu.edu.sg 摘要 — 心理负荷可以通过脑电图 (EEG) 识别，并可用于评估用户执行不同任务时的心理努力。在这项工作中，我们设计并实施了一项与无任务、视觉任务、听觉任务和多任务表现相关的心理负荷识别实验。使用同步容量 SIMKAP 测试在 12 名受试者中诱发与多任务相关的不同程度的心理负荷。使用 Emotiv 设备收集 EEG 数据，使用功率、统计、分形维数 (FD) 特征与支持向量机 (SVM) 和 k-最近邻 (k-NN) 分类器进行处理和分析。当使用统计和 FD 特征组合时，使用 SVM 对 2 个类的最佳准确率为 90.39%，对 4 个类的最佳准确率为 80.09%。所提出的算法可以应用于心理负荷监测。
多任务记忆电容网络 - PDXScholar
摘要 — 最近的研究表明，记忆电容设备网络为储存器计算系统提供了低功耗的理想计算平台。随机、交叉或小世界幂律 (SWPL) 结构是储存器基底计算单个任务的常见拓扑结构。然而，神经学研究表明，与不同功能相关的皮层大脑区域互连形成富俱乐部结构。这种结构允许人类大脑同时执行多项活动。到目前为止，记忆电容储存器只能执行单一任务。在这里，我们首次提出了集群网络作为记忆电容储存器同时执行多项任务。我们的结果表明，在三个任务上，集群网络分别比交叉和 SWPL 网络高出 4.1 × 、5.2 × 和 1.7 × 倍：孤立口语数字、MNIST 和 CIFAR-10。与我们之前和已发表结果中的单任务网络相比，多任务集群网络可以实现类似的准确率，分别为 MNIST、孤立口语数字和 CIFAR-10 的 86%、94.4% 和 27.9%。我们的扩展模拟表明，输入信号幅度和集群间连接都会影响集群网络的准确性。选择信号幅度和集群间链接的最佳值是获得高分类准确率和低功耗的关键。我们的结果说明了记忆电容式大脑启发集群网络的前景及其同时解决多项任务的能力。这种新颖的计算架构有可能使边缘应用程序更高效，并允许无法重新配置的系统解决多项任务。