XiaoMi-AI文件搜索系统
World File Search System实时系统
eMaintenance - 信息驱动的维护和支持
当今，现代飞机维护和在役支持提供商面临着重大挑战。飞机和其他复杂技术系统的维护和支持的核心问题是管理不断增加的信息流和系统复杂性。军事和商业运营商都需要减少停机时间，而实现这一目标的一种方法是加快计划内和计划外维护的周转时间，甚至更好的方法是通过实施基于条件的维护来减少停机需求。为了在全球支持环境中实施这些改进的支持解决方案，电子维护被视为一个重要的构建模块。电子维护包括全天候 (24/7) 监控、收集、记录和分发实时系统健康数据、维护生成的数据以及其他决策和绩效支持，不受组织或地理位置的限制。电子维护有可能改善与维护过程相关的活动的管理和性能，从而提高关键系统的可靠性、安全性和生命周期成本。这是通过在整个维护和支持过程中应用信息和通信技术 (ICT) 来实现的，从而整合了内置测试、不同维护层级的外部测试、技术信息、诊断、预测和其他支持信息来源。目的
用于飞行控制系统的光纤 AFDX - Zenodo
航空电子全双工交换以太网 (AFDX) 是 ARINC 664 飞机数据网络第 7 部分中指定的一种光纤航空电子总线规范，用于空客 A380、波音 787 等飞机。它被设计为标准以太网协议的升级，增加了有保证的确定性以及有界的抖动和延迟。这样做是为了让硬实时关键系统使用标准 IEEE 802.3 以太网协议进行通信。它使用双冗余和全双工链路来最大限度地减少抖动和延迟并消除数据包冲突。尽管 AFDX 在设计时考虑了硬实时系统，但它尚未用于安全关键型飞行控制系统。空客已表示有兴趣将 AFDX 的使用范围从任务关键型系统扩展到飞行关键型系统 [1] 。与 MIL STD 1553 和 ARINC 429 (A429) 等传统系统相比，在飞行控制系统中使用 AFDX 可以带来许多好处。确实存在其他光纤总线，包括 MIL STD 1773、ARINC 629、ARINC 636 和光纤通道，但这些总线目前不用于飞行控制，并且与这些总线的比较超出了本研究的范围。
数字系统II-理工学院
3.6。 div>RS232，RS422和RS485。 div>4。编程。 div>4.1。 div>结构化编程。 div>4.2。 div>汇编语言。 div>4.3。 div>语言C. 5。其他微控制器。 div>5.1。 div>PIC 16F877。 div>5.2。 div>64HC11。 div>5.3。 div>AT89S8252。 div>6。实时系统简介。 div>6.1。 div>实时定义（实时）。 div>6.2。 div>实时系统的示例。 div>6.3。 div>实时设计设计技术。 div>6.4。 div>操作系统简介。 div>6.5。 div><实时内核。 div>7。<实时内核。 div>7.1。 div>调查的循环系统。 div>7.2。 div>由中断管理的系统。 div>7.3。 div>缓冲数据。 div>7.4。 div>邮箱。 div>7.5。 div><消息的发言人。 div>7.6。 div>交通信号灯。 div>7.7。 div>关键区域。 div>7.8。 div>事件标志。 div>7.9。 div>内存管理。 div>7.10。 div>任务管理。 div>7.11。 div>时间管理。 div>8。带有微控制器的项目。 div>
人工智能和专家系统在
II.关键术语定义 人工智能 根据 Russell & Norvig (2003) 的说法，人工智能 (AI) 是机器或软件所展现的智能，是开发具有智能的机器和软件的计算机科学分支。主要的人工智能研究人员和教科书将该领域定义为“智能代理的研究和设计”，其中智能代理是一个感知其环境并采取行动以最大程度地提高其成功率的系统。专家系统 McCarthy (2006) 指出，专家系统是一种解决问题的计算机程序，它在被认为困难且需要专业知识和技能的专门问题领域中表现出色。例如，专家系统用于为人和机器提供服务的诊断应用程序。他们还制定财务规划决策、配置计算机、监控实时系统、承保保险单以及执行许多其他以前需要人类专业知识的服务。Zim Asset ZimAsset 是津巴布韦可持续社会经济转型议程的缩写。这是津巴布韦政府制定的一项计划，旨在实现可持续发展和社会公平，以本土化、赋权和创造就业机会为基础，这将主要通过明智地开发该国丰富的人力和自然资源来推动（zim.gov.zw inc）。图 1.1 津巴布韦地图
混合自动机简介
混合系统是嵌入在模拟环境中的数字实时系统。混合系统的一个典型例子是用于模拟工厂环境（如熔炉或飞机）的数字嵌入式控制程序：控制器状态在控制模式之间离散移动，在每种控制模式下，工厂状态根据物理定律连续演变。这些系统结合了离散和连续动态。这些方面已在计算机科学和控制理论中得到研究。计算机科学家引入了混合自动机 [Hen00]，这是一种将离散控制图（通常称为有限状态自动机）与连续演变变量相结合的形式化模型。混合自动机表现出两种状态变化：离散跳跃转换瞬间发生，连续流转换随时间流逝而发生。混合系统通常是安全关键系统。因此，它们的可靠性是一个核心问题。例如，监测核反应堆温度的数字控制器的正确性至关重要。我们将混合自动机作为定义混合系统轨迹（行为）的形式模型。混合系统的属性为其轨迹分配值：例如，它们可以将轨迹分类为好或坏。混合自动机的行为通常很复杂，因此很难对其进行推理。这就是为什么自早期关于混合自动机的研究以来，重点一直是
yolov11变体的性能基准测试 -
使用指标（例如平均平均精度（MAP，标准度量测量检测准确性）在整个交叉点（IOU）阈值从50％到95％（定义了预测和地面实现框之间的重叠），精度，召回和GPU和CPU的跨越速度。The results highlight trade-offs between model complexity and performance: smaller variants like YOLOv11-n achieved faster inference speeds (170.74 FPS on GPU and 5.86 ms on GPU), while larger models like YOLOv11-x excelled in detection accuracy and recall but at the cost of slower speeds (240.03 FPS on GPU and 4.17 ms on GPU).yolov11-s提供了最高FPS（1120.46 GPU FPS）的平衡，但准确性和回忆为中等。这些发现证明了Yolov11变体对应用程序要求的适应性，从高速实时系统到优先级检测准确性的场景。这项研究通过为yolov11变体提供详细的性能基准来推进对象检测。它提供了在不同领域中部署Yolov11的实用见解，包括物流，交付跟踪和其他需要有效且准确的对象检测的域。关键字：Yolo; Yolov11;对象检测模型；深度学习计算机视觉；神经网络；
UML-MARTE 安全关键实时系统的时间属性验证框架
摘要：时间属性是安全关键型实时系统 (RTS) 可靠性的关键要求。UML 和 MARTE 是标准化建模语言，被工业设计师广泛接受用于使用模型驱动工程 (MDE) 设计 RTS。然而，在系统生命周期的早期阶段对 UML-MARTE 模型进行形式化验证仍然是一个悬而未决的问题。在本文中 1 ，我们提出了一个针对 UML-MARTE 安全关键型 RTS 的时间属性验证框架。该框架依赖于从 UML 架构和行为模型到用时间 Petri 网 (TPN) 表示的可执行和可验证模型的属性驱动转换。同时，它将时间属性转换为一组属性模式，对应于 TPN 观察者。然后对生成的 TPN 执行基于观察者的模型检查方法。该验证框架可以评估时间属性，例如循环和缓冲区的上限、最佳/最坏情况响应时间、最佳/最坏情况执行时间、最佳/最坏情况遍历时间、可调度性和同步相关属性（同步、巧合、排除、优先、子发生、因果关系）。此外，它还可以验证一些行为属性，例如没有死锁或死分支。该框架通过一个代表性案例研究进行了说明。本文还提供了实验结果并评估了该方法的性能。
在 HPC 基础设施上扩展脉冲神经网络
1 机器人、人工智能与实时系统，慕尼黑工业大学信息学院，德国慕尼黑，2 于利希超级计算中心 (JSC) 神经科学模拟与数据实验室，高级模拟研究所，JARA，于利希研究中心有限公司，德国于利希，3 瑞士国家超级计算中心 (CSCS)，苏黎世联邦理工学院，瑞士卢加诺，4 神经计算单元，冲绳科学技术研究生院，日本冲绳，5 机器人与人工智能卓越系，生物机器人研究所，Scuola Superiore Sant'Anna，意大利蓬泰代拉，6 计算机架构与技术系，格拉纳达大学信息与通信技术研究中心，西班牙格拉纳达，7 图像处理研究团队，日本理化学研究所先进光子学中心，和光，8 计算工程应用单元，信息系统与网络安全总部，理化学研究所，日本和光市、9 日本东京电气通信大学信息与工程研究生院、10 德国于利希研究中心、神经科学与医学研究所 (INM-6)、高级模拟研究所 (IAS-6)、JARA BRAIN 研究所 I、11 德国亚琛工业大学计算机科学 3-软件工程、12 日本神户理化学研究所计算科学中心
使用新的基于注意力的深卷积神经网络的实时交通标志识别方法
摘要：汽车行业中的人工智能（AI）允许汽车制造商通过整合AI驱动的高级驾驶员辅助系统（ADAS）和/或自动化驾驶系统（ADS）（例如Traffiffififififient识别（TSR）系统），从而为智能和自动驾驶汽车提供智能和自动驾驶汽车。现有的TSR解决方案集中在他们认识的某些标志上。出于这个原因，提出了一种TSR方法，其中涵盖了更多的道路标志类别，例如警告，监管，强制性和优先符号，以构建一个智能和实时系统，能够分析，检测和分类为正确类别。提出的方法基于对不同的特征符号检测（TSD）和Traffim符号分类（TSC）的概述，旨在在准确性和处理时间方面选择最佳的特征。因此，提出的方法将HAAR级联技术与深CNN模型分类结合在一起。开发的TSC模型在GTSRB数据集上进行了培训，然后在各种路标上进行了测试。所达到的测试精度率达到98.56％。为了提高分类性能，我们提出了一个新的基于注意力的深卷积神经网络。由于获得的测试准确性和F1测量率分别达到99.91％和99％，因此所达到的结果比其他符号分类研究中存在的结果更好。在Raspberry Pi 4板上评估并验证了开发的TSR系统。实验结果证实了建议的方法的可靠性。
从传感器到解决方案：动态分析的一个例子
油气井会遇到许多类型的不良事件，包括意外关闭、结垢、抽油泵故障、突破和流体涌入，这只是一些常见事件。本文介绍了一种实时事件检测系统，该系统在油井中检测到事件时，会显示视觉报告并向石油工程师发出警报。该系统对高频和低频地面和井下测量使用高级时间序列分析。该系统使石油工程师能够从被动监控事件（然后需要补救）切换到主动监控解决方案，从而使工程师能够优化油井干预策略。事件可以同时发生或快速发生，也可以在较长时间内被掩盖。我们在从模拟数据和公开数据中收到的数据上测试了所提出的方法，以展示如何使用部署到数据流中的多个模型来检测大量油井事件。在我们的演示中，我们展示了我们的实时系统如何检测由潜在流体过压事件导致的泥浆马达压力故障。提前向钻井人员发出电机状态和潜在故障警告，可以减少因这些故障导致的非生产时间，从而每年为操作员节省数百万美元。减少非生产时间对于降低建井运营成本和通过缩短首次采油时间改善现金流至关重要。