XiaoMi-AI文件搜索系统
World File Search System平均误差
自主横向控制系统的论文设计...
这项研究分析了模糊逻辑控制器（FLC）类型-2用于自动车辆方向盘控制的应用，使用误差形式的输入值和从主控制器产生的输出与从脉冲机构计算获得的转向角度值之间的差异的输入值。然后通过ROS（机器人操作系统）处理此数据。本研究将FLC -2类型的性能与7个成员和5个成员以及在各种情况下的PID控制器进行了比较。结果表明，具有7个成员的FLC -2平均误差为4.97％，比5个误差为7.71％的成员的配置要好。在避免障碍测试中，FLC型-2显示出卓越的准确性，人类回避的平均误差为1.54％，一辆停车车的4.28％，左侧两辆停车车的平均误差为1.2％，左侧两辆停车车为2.13％，左侧为1.2％。与PID控制器进行了比较，PID控制器记录了分别为2.19％，3.49％，1.12％和3.49％的错误。从电气工程部门到工程学院的完整路线测试，FLC型-2型的平均误差为8.87％，而PID的平均误差为12.35％，而PID的FLC型误差为4.52％，FLC型-2型和7.57％。flc型-2具有7个成员的被证明在保持动态驾驶条件下的准确性和性能更有效，尽管PID对较小的误差值的响应更平滑。 这一发现显示了FLC -2型在提高转向准确性和整体自动驾驶汽车性能方面的潜力。被证明在保持动态驾驶条件下的准确性和性能更有效，尽管PID对较小的误差值的响应更平滑。这一发现显示了FLC -2型在提高转向准确性和整体自动驾驶汽车性能方面的潜力。关键字：自动驾驶汽车，FLC型-2，PID控制器，转向角，5个成员，7个成员
空中交通管制 (ATC) 的脑力工作量...
从22×8螺旋桨（弦长4.5cm）的测试设备上的误差对比结果来看，误差差最大为7.143%，最小为2.663%，平均误差为4.178%。 22×8螺旋桨（5cm弦）最大误差差为8.824%，最小误差为1.893%，平均误差为3.719%。 4 结论 已对 dle-55cc 发动机推力进行了计算和测试。然后通过比较静态推力计算器值和已进行的测试设备测试数据来验证获得的发动机测试结果，然后查找所使用的燃油消耗值。将测得的推力结果与静态推力计算器值进行比较，得到平均差值。从测试设备上的误差比较来看，22×8螺旋桨（弦长4.5cm）得到的平均误差为4.178%。同时，产生的22×8螺旋桨（5cm弦）误差为3.719%，获得的燃油消耗值为588,600-20,708（N/kW.hr），这显示出良好的降低水平，因此所使用的发动机更加高效。在使用中。从测试结果来看，该发动机试验台具有准确性，能够产生良好的发动机性能，可作为测试和其他学习工具。参考文献 [1] Arismunandar, W. 2002。 “燃气轮机和推进电机简介”。万隆：ITB。 [2] 安德烈·德索萨. 2017.“无人机推进试验台开发
钓鱼者：使用轻量级水下车辆操纵器系统的干预任务的自主框架
摘要 - 为轻量级的水下车辆操纵器系统（UVM）开发自主干预措施在近年来引起了极大的关注，因为这些系统有机会降低干预运营成本。开发自主UVMS功能是具有挑战性的，因为缺乏可用的标准软件框架和管道。以前的作品为水下车辆提供了模拟环境和部署管道，但没有提供完整的UVMS软件框架。我们通过创建钓鱼者来解决此差距：用于开发本地化，控制和决策算法的软件框架，并支持模拟传输。我们通过实现最新的控制架构来验证此框架，并证明具有平均误差低于0.25 m的平均误差和Waypoint跟踪的能力，平均最终误差为0.398 m。
将机器学习的债券解离预测扩展到药物和环境相关的化学空间
除了实验测量外，量子力学（QM）计算在评估和预测BDE值方面已经成为关键。新兴的计算方法用于自动枚举和探索反应机制的枚举和探索使用估计的BDE值，以识别众多可能性之间的能量有利路径。在0 K（d 0）的BDES综合计算中，可以实现10个高水平的精度。例如，CBS-QB3方法的平均误差（MAE）为0.58 kcal mol-l相对于小分子（例如硅藻，碳氢化合物和N，S，S，BE，LI和SI）的实验值的平均误差（MAE）。11,12然而，密度功能理论（DFT）计算对于较大的，构象上的thy-facible化合物而言更为实用，并且越来越多地用于计算BDES：13 M06-2X混合Meta-GGA函数可提供2.1 kcal mol - 1
石墨/铁磷酸锂-ARPI
锂离子电池的准确建模对于从电动汽车（EV）到网格存储的一系列AP平板优化性能和安全至关重要。本文使用60 AH Prismatic石墨/锂磷酸铁电池作为案例研究，对两种普遍的电池建模方法进行了两种普遍的电池建模方法：等效电路模型（ECM）和基于物理的模型（PBM）。这项工作的重点是通过在恒定和可变的电流密度下的不同环境温度下的一组全面的电气测试（包括全球协调的轻型车辆测试周期（WLTC）协议），通过在不同环境温度下进行全面的电气测试来开发，参数化和交叉验证这些方法。此评估不仅评估了ECM和PBM的准确性和可靠性，还强调了其优势和局限性。ECM在其校准范围内和可变电流轮廓内显示了计算速度，易于校准和准确性的优势。然而，其准确性在较高的电流下会降低，尤其是对于延长的电流脉冲以及校准范围之外的延长，这在1C以上的充电方案中证明了这一点。相反，PBM在校准数据集之外保持准确性，但需要估计许多物理参数，艰苦的校准过程以及用于可变当前情况的扩展计算时间。在所研究的条件范围内（从C/3到2C之间的10℃和40℃），ECM的电压预测的平均误差为51.5 mV，PBM的平均误差为19.3 mV，而ECM的平均误差为0.9℃，而对于温度预测，PBM的平均值为0.9°C。总而言之，虽然ECM适用于以短暂和低强度的电荷脉冲来重现恒定放电或类似WLTC的轮廓，但PBM强度在于其对高速运营的预测性，使其成为模拟现实的EV负载操作和优化快速收费协议的互补工具。这些见解有助于电池技术的持续发展，重点是现实且适用的模型开发和参数化。
一种基于...的 DTM 误差估计新方法
摘要：我们研究的主题是基于机载激光扫描 (ALS) 得出的数字地形模型 (DTM)。本文基于常用的统计数据分析了 DTM 的垂直精度，即平均误差和标准差，假设误差呈正态 (高斯) 分布。还测试了另一种方法，即所谓的稳健方法 (Höhle, Höhle 2009)，其中中位数代替平均误差，标准化中位数绝对偏差 (NMAD) 代替标准差。本文提出了一种基于拉普拉斯函数的替代方法来描述概率密度函数，其中提出了拉普拉斯函数的参数用于 DTM 误差估计。测试区域位于意大利伊斯普拉联合研究中心附近； 2005 年收集了覆盖测试区域的原始 ALS 数据，并对其进行了处理以生成 DTM。精度分析基于 DTM 与原始 ALS 数据和现场高度测量的比较。从 ALS 数据计算出的 DTM 误差分布明显不正常，证实了文献中报告的其他结果。高斯分布函数大大高估了垂直 DTM 误差；然而，稳健方法低估了它们。拉普拉斯函数与误差直方图的匹配度最高，从该函数得出的精度参数可以被视为 DTM 精度评估的替代方法。1.简介
利用机器学习来增强最佳库存管理 - 案例：航空业Spart Parts
本文解决了全球航空平台面临的库存管理挑战。特别重点是案例公司GA Teleasis，这是一家全方位服务的空中维护和组件服务提供商。探索了优化库存水平的策略，包括根据历史用法，成本和汇总的发动机模型对项目进行分类，以识别关键项目并利用ABC/XYZ分析以及机器学习以进行库存管理。定量研究方法学通过机器学习模型进行了动作研究方法，该模型具有自回归的整体移动平均值（ARIMA），支持向量机器（SVM），线性回归（LR），毕业增强（GB），统计技术和统计技术，包括平均误差（ME），平均误差（ME），均值误差（ME），MASE绝对（RMSE），MME（MME），MME（MME），MME（MME）根据案件公司的IFS系统采购记录采购的基于数值数据的需求。此外，对关键人员的访谈还提供了对公司面临的现实世界挑战的见解，允许该研究提出专门针对解决这些问题的解决方案。这项研究的关键发现是Arima模型在需求预测中表现出卓越的性能，证实了现有文献并验证了其在航空部门中的有效性。
开发负压的简单控制系统
糖尿病性溃疡是糖尿病患者腿上发现的伤口。不当治疗打开了败血症和骨髓炎等并发症的风险。一种显着的治疗方法是通过负压伤口疗法（NPWT）装置。该装置通过去除渗出液，增加血流并通过负压促进细胞增殖来帮助溃疡恢复。这项研究的目的是通过开发简单的低成本NPWT原型来增加一种负担得起的糖尿病性溃疡治疗方法的本地含量。这是通过使用Arduino uno微控制器来实现的，其中包括PID控件，MPXV4115VC6U传感器读取功能，一个内置的计时器，两种模式和一个警报系统。在测试之前对所得的原型进行校准，以降低错误率。使用气流分析仪和溃疡伤口幻影进行测试。使用75、85和125 mmHg的负压设置用于测试，并在两种模式下进行30分钟。从这些测试中发现，原型可以达到负压阈值，最小平均误差最少为-1.81％。具有伤口幻影，连续和间歇性模式的平均误差分别为-0.56％和-0.20％。这种小方差可以忽略不计，因为NPWT治疗具有可接受的负压，即60-80 mmHg和80-125 mmHg，具体取决于伤口类型。总而言之，一个简单的基于Arduino Uno的系统可以用作NPWT治疗装置，以帮助糖尿病性溃疡恢复，而误差最小。
使用 X 射线手部图像进行基于人工智能的年龄估计
骨龄评估有多种用途。它可以帮助儿科医生预测生长、青春期开始、识别疾病，并评估缺乏适当身份证明的人是否是未成年人。这是一个耗时的过程，也容易出现观察者内差异，从而导致许多问题。本论文尝试通过使用不同的物体检测方法来检测和分割对评估具有解剖学重要性的骨骼，并使用这些分割的骨骼来训练深度学习模型来预测骨龄，从而改善和加快骨龄评估。使用了一个包含 12811 张婴儿至 19 岁人群的 X 射线手部图像的数据集。在第一个研究问题中，我们比较了三种最先进的物体检测模型的性能：Mask R-CNN、Yolo 和 RetinaNet。我们选择了性能最佳的模型 Yolo，以分割数据集中指骨的所有生长板。我们继续使用分割和未分割的数据集训练四种不同的预训练模型：Xception、InceptionV3、VGG19 和 ResNet152，并比较了性能。我们使用未分割和分割的数据集都取得了良好的结果，尽管使用未分割的数据集的性能略好。分析表明，通过增加腕骨、骨骺和骨干的生长板检测，我们可能能够使用分割数据集实现更高的准确率。性能最佳的模型是 Xception，使用未分割的数据集实现了 1.007 年的平均误差，使用分割的数据集实现了 1.193 年的平均误差。