XiaoMi-AI文件搜索系统
World File Search System实用系统
导航应用程序的因素图：教程
在导航中，从多个传感器中集成数据的能力是一个essen tial元素。如果已知系统的动力学（即可以随机建模），则可以将测量值随时间集成在一起以估计系统的状态。数十年来，Kalman过滤家族（包括线性，扩展，无味和许多其他变体）一直是传感器融合的主力，用于导航。是线性的卡尔曼滤波器，这是当（a）测量和动力学是线性和（b）所有噪声源的最佳最大似然估计器，Gaussian和White（Maybeck，1990）。不幸的是，大多数实用系统不符合这些要求，从而解释了社区中使用的大量Kalman过滤器变体。
一种基于共识控制多...
摘要 - 基于收益的多代理系统的控制在许多领域具有广泛的应用程序。，例如自主计算，无线传感器网络和机器人技术等。它在分布式发电的数据挖掘和经济学调度问题中聚集了几个有趣的结果。使用共识方法已将许多理论分析用于此类问题，但仍需要一种基于共识的多代理系统控制的实用方法。本文介绍了使用共识算法的理论和实用系统，用于智能网格。经济调度问题是智能电网中的主要问题，通过分布式共识方法解决。出于实验目的，选择了Arduino IDE的框架进行分析，沟通和模拟。每个Arduino董事会都是一个智能且自主的代理商，正在与其所有邻居的节点进行通信，以适应智能电网中需求变化和生成功率的变化。此外，系统的动态变化行为也是本文的重点。
使用生成AI
本文基于如何使用AI自动化进行软件开发的方式，主要处理代码合成和重写框架。尽管没有AI技术对软件开发的重点定义，但它们在开发过程中的应用不太可能在成熟并提供更高的生产率，提高代码质量以及增强开发重复任务的能力的能力。自动编码意味着预定义的工具可以带来代码建议，显示和应用重构功能，并执行编码标准，以便开发人员可以将精力投入到软件开发的其他方面。以下论文描述了在将AI纳入软件开发之前应采用的实用系统。它还涵盖了有关人工智能的正确使用，例如道德，安全和质量方面的基本因素。最后，本文着重于将来的方向和创新，包括特定领域的AI模型，更好的AI解决方案解释性以及可以根据改进和修改的开发实践来工作的协作工具。该框架旨在平衡机器学习与人类的经验，以帮助开发人员利用基于AI的软件开发框架可以提供的好处。
使用相干状态
摘要：我们提出了一个具有连贯状态的一维双向连续变量量子键分布协议，在该协议中，发件人调节了相干状态的单个正交，而不是两个二次化，以简化双向系统的结构。安全分析是通过一般攻击策略（称为两模式攻击）进行的，这有助于减少分析中的限制。在所有可访问的两模式攻击下以固定距离的距离进行了协议的性能。此外，从中获得了两种典型的两模式攻击策略，这是一模式攻击策略和最佳的两模式攻击策略。之间，单模式攻击是两种模式攻击的最简单形式，而最佳的两模式攻击是最复杂的攻击。模拟显示，尽管简化了系统，但具有一维调制的双向协议的性能仍然可与具有高斯调制的对应物相当，即使在Eve的能力最大化时，甚至针对最佳的两模式攻击也是如此。因此，提出的协议简化了双向系统，同时保证其性能在一定程度上。尤其是在传输距离短且高度噪声的实用系统中，该协议具有良好的应用前景。
分散任务在边缘计算中卸载
摘要 - 在合作边缘节点中流动的室内化任务已成为提高资源利用并改善边缘计算中用户的经验质量（QOE）的有前途的解决方案。但是，当前的分散方法（例如启发式方法和基于游戏理论的方法）可以优化贪婪或依赖于刚性假设，无法适应动态边缘环境。现有的基于DRL的方法在模拟中训练该模型，然后将其应用于实用系统。由于实际系统与模拟环境之间的差异，这些方法的性能可能很差。其他直接训练模型和部署模型的方法将面临一个冷启动的问题，这将在模型收敛之前减少用户的QOE。本文提出了一本名为（o2o-drl）的drl-on-Online DRL小说。它使用启发式任务日志来启动lim的DRL模型。但是，频道和在线数据具有不同的分布，因此，使用局部方法进行在线调整会破坏所学的局部策略。为了避免此问题，我们使用派利DRL来调整模型并防止价值高估。我们在模拟和基于Kubernetes的测试台中使用其他方法评估O2O-DRL。性能结果表明，O2O-DRL胜过其他方法，并解决了冷门问题。
使用 DSTATCOM 和 DVR 降低电能质量
2 印度北方邦勒克瑙玛赫西信息技术大学电子电气工程系助理教授 1 ------------------------------------------------------------------***-------------------------------------------------------------------------------- 摘要 - 随着对电子设备、高效变速驱动器、电力电子控制器以及电力系统中越来越多的非线性负载进行监测、控制和保护的需求不断增加，电能质量已成为公用事业和客户日益关注的问题。本文介绍了与电能质量或电能质量问题及其缓解技术相关的问题。考虑了一个实用系统来分析电压骤降、谐波和瞬变等电能质量问题，并使用 DSTATCOM 并结合应用 DVR 和 DSTATCOM 补偿装置，并通过 MATLAB/Simulink 模型进行介绍。关键词：电能质量、DVR、DSTATCOM。1. 介绍电能质量已成为电力公司和客户关注的主要问题。在许多国家，电能质量不足的影响每年导致数十亿美元的浪费。这是由于大多数行业粗心大意，没有升级其工厂，从而导致产品损失、生产时间损失、清理和重新校准过程而产生非常高的成本。电气设备中新技术的复杂性和敏感性是造成电能质量问题（例如供电网络上的电压扰动）的主要原因之一。电力电子设备对电压扰动更为敏感，导致电压扰动大幅增加。很难检测导致电能质量问题的来源。大多数电能质量问题的因素超出了公用事业的控制范围，并且永远无法完全消除。一些电能质量问题的来源按发生频率排序如下[1,3]：
Dempster-Shafer 可信 AI 方法及其在胎儿脑部 MRI 分割中的应用
摘要 — 对于病理病例和在不同中心获取的图像（而不是训练图像），用于医学图像分割的深度学习模型可能会意外且严重地失败，其标记错误违反了专家知识。此类错误破坏了用于医学图像分割的深度学习模型的可信度。检测和纠正此类故障的机制对于安全地将这项技术转化为临床应用至关重要，并且很可能成为未来人工智能 (AI) 法规的要求。在这项工作中，我们提出了一个值得信赖的 AI 理论框架和一个实用系统，该系统可以使用基于 Dempster-Shafer 理论的回退方法和故障安全机制来增强任何骨干 AI 系统。我们的方法依赖于可操作的可信 AI 定义。我们的方法会自动丢弃由骨干 AI 预测的违反专家知识的体素级标记，并依赖于这些体素的回退。我们在最大的已报告胎儿 MRI 注释数据集上证明了所提出的可信 AI 方法的有效性，该数据集由来自 13 个中心的 540 个手动注释的胎儿大脑 3D T2w MRI 组成。我们值得信赖的 AI 方法提高了四个骨干 AI 模型的稳健性，这些模型适用于在不同中心获取的胎儿脑部 MRI 以及患有各种脑部异常的胎儿。我们的代码可在此处公开获取。