XiaoMi-AI文件搜索系统
World File Search System开发程序
将生成式人工智能集成到软件开发生命周期中：对代码质量和维护的影响
生成式人工智能的最新进展已将其描述为软件开发技术中的一种革命性方法，旨在提高代码的可靠性并保持其质量和性能。生成式人工智能工具可以帮助独立开发代码，提出智能解决方案和想法，并借助卓越的算法和机器学习功能增强多种开发程序。本文讨论了如何将生成式人工智能应用于软件开发中以实现以下三个目标：首先，使用自动代码生成/审查来提高代码质量。其次，应通过标准和文档提高代码的可维护性。第三，通过基于人工智能的自动化（即重复任务的自动化和快速原型设计）来提高开发效率。本文还考虑了在这种情况下与人工智能相关的问题和困难：对人工智能的依赖问题、道德和安全问题以及技术缺陷。最后，介绍了生成式人工智能在未来软件开发中的意义，这可以为软件产品的开发开辟新的方向，同时主要指出了管理生成式人工智能引入的过程。通过本文对生成式人工智能的当前可能性和未来前景的评估，可以得出其对软件工程未来的影响。
基于数字双胞胎的机器用于罂粟机器人的运动控制...
智能制造的关键组成部分是第四次工业革命时代的中心概念，由数字双技术，AI和计算机视觉技术组成。在这项研究中，这些技术被用来管理罂粟机器人，这是一种用于教育和研究目的的人形机器人。数字双胞胎创建了一个虚拟环境，能够对机器人动作进行实时模拟，分析和控制。机器人的数字双胞胎是使用3D开发程序Unity构建的。运动数据是在模拟虚拟机器人的物理结构和运动时捕获的。然后将这些数据馈送到基于张量的深神经网络中，以生成一个回归模型，该模型根据机器人手的位置预测运动旋转。通过将此模型与基于Python的机器人控制程序集成，可以有效地管理机器人的运动。此外，使用OpenPose（一种计算机视觉算法）控制了机器人，该算法预测了人体上的特征点。从2D图像中收集了人类关节点的位置数据，并根据此数据计算运动角度。通过在实际机器人上实施这种方法，可以使机器人复制人类运动。
评估行动计划：模板和提示
•一些示例评估问题（过程和结果），指标，数据源/工具以及负责的时间表/人员在本提示表稍后提供的样本评估行动计划矩阵中显示。这些只是示例，您无需使用这些特定问题。您的计划人员；社区利益相关者，包括合作伙伴；评估团队可能有助于开发和选择关键评估问题。•您还可以使用以下资源来帮助您设计和计划程序评估：计划评估指南 - 入门。您可以参考它或与您的团队共享以支持和增强评估工作。•指标：这些是数据类型和措施，可以帮助您回答上面提出的评估问题。•数据源和工具：识别可以帮助回答每个研究问题的数据源很重要。您是否会依靠已经收集的数据，例如辅助数据或其他机构或合作伙伴通常收集的数据？您是否需要开发程序，工具或方法来收集新数据以回答您的研究问题？•时间表：何时收集数据并进行分析？提供一般时间范围。•负责人：谁将收集数据？项目人员或合作伙伴的哪个成员将负责确保根据评估计划收集数据并将数据提供给评估团队？提供可以尽力回答这些问题的信息。
太阳能光伏微电网运行和维护方法回顾
全球对电力需求的担忧和增长，尤其是农村和偏远地区的需求，迫使政府、科学家、工程师和研究人员寻找可再生能源形式的替代解决方案。太阳能技术应用的全球高增长增加了太阳能光伏 (SPV) 系统的运营和维护 (O&M) 的负担。SPV 可靠性和优化的系统性能是确保 SPV 技术成功和持续适应的关键。O&M 在确保 SPV 系统元件的整个运行寿命内的可持续性和长期可用性方面发挥着核心作用，同时增强了最终消费者对太阳能的信心。虽然认识到 SPV 装置本质上需要最少的维护操作，但本文的目的是通过回顾 SPV 微电网系统中的 O&M 方法来重申 O&M 调度在 SPV 系统中的重要性。进一步的讨论重点是该领域采用的各种维护策略，特别强调纠正、预防和预测性维护策略。由于 SPV 系统的设计和开发程序各不相同，因此在开发 SPV 系统的 O&M 计划和评估其性能时缺乏明确的步骤。本文旨在通过开发 O&M 计划的模型来解决这一问题，并描述其成功的关键要素，包括改善风险回报平衡和节省 O&M 支出的管理和执行方法。最后，分析了执行 O&M 计划的三种模式（即内部 O&M 团队、第三方合同或安装公司）。
对新概念的开发和定性评估，以促进自动化
摘要。在BMWK [1]资助的项目Karli中，开发了用于Au tomed驾驶的HMI系统，以确保符合级别的驾驶员行为，以确定SAE水平为0-4 [2]。Karli的目标是开发一个新的整体系统，以确保由用户以用户为中心的迭代开发程序安全驾驶。设计思维方法用于开发思想和概念，以全面促进符合水平的驾驶员行为。这些想法被阐述为概念（例如学习系统，游戏化，信任校准），并以用户叙事的形式以低保真原型的形式进行。这些是基于文本的方案，其中使用户有形这些概念。定性研究的目的是评估旨在在接受和进一步发展的潜力方面促进级别驱动器行为而开发的概念。用户叙述中的概念在用户研究中进行了评估。进行了十二个指导的个人访谈（M = 74分钟）。样本合作有不同需求的人群。分析基于定性内容分析[3]。结果表明，除其他外，偏好是混合的偏好。根据结果，建议使用游戏化/经典干预或信任校准/经典干预和紧急停止的学习系统组合系统。本文提供了有关Karli研究项目用户中心方法的见解，并报告了定性评估研究的关键发现。基于关键发现，将提供以用户为中心的开发的建议和前景。
动物营养实验室程序...
前言 本文试图总结和整合大量与动物营养研究中常用的实验室程序和实验技术相关的信息。它最初被设计为新墨西哥州立大学动物科学 507 营养实验室技术的补充和参考，随后修订用于西德克萨斯 A&M 大学的 AnSc 5507 动物营养研究技术。因此，本文的发展很大程度上归功于课程以及多年来教授和开发这门课程的人员。G. S. Smith 博士多年来为这门课程所做的工作值得特别表扬，多年来编写和开发程序的众多实验室技术人员也值得特别表扬。基本上，本文是作者课程笔记的大纲，并尝试在可能的情况下进行扩展和引用。许多例子都与反刍动物有关，因为作者对它们最熟悉；然而，这不应损害其对其他牲畜甚至人类营养的普遍适用性。文本可分为几个一般领域，包括实验室安全、近似分析、分光光度法、液体闪烁计数、营养研究中标记物的使用以及反刍动物的微生物学。它并不打算在每个细节上都做到完美，学生通常需要课外阅读。然而，作者希望，在未来的几年里，对于那些选择实验动物营养作为职业的学生来说，这篇文章将是一个有用的参考。最初编写于 1980 年 8 月。修订于 1982 年 7 月、1983 年 6 月、1984 年 6 月、1985 年 5 月、1986 年 5 月、1987 年 5 月、1988 年 6 月、1989 年 5 月、1990 年 5 月、1991 年 8 月、1992 年 8 月、1997 年 5 月和 2010 年 5 月。
特别公告 - 威斯康星州自然资源部
宣布发布威斯康星州指南第 2 版 美国陆军工程兵团圣保罗地区监管部门 (Corps) 和威斯康星州自然资源部 (Wisconsin DNR) 宣布发布威斯康星州指南第 2 版草案 (威斯康星州指南)。这两个机构已将威斯康星州指南制定为两份文件，一份专门为赞助商量身定制，名为《威斯康星州湿地补偿缓解场地开发程序》，另一份专门为申请人/许可证持有人量身定制，名为《威斯康星州补偿缓解要求项目支持者程序》。这些机构此前曾于 2023 年 5 月 24 日就这两项程序的草案大纲征求反馈意见，并于 2023 年 7 月 6 日举办了一次听证会。这些文件共同概述了州和联邦缓解计划、法规和要求，适用于需要提供补偿缓解措施的申请人和豁免项目支持者（统称为项目支持者），以及正在规划、建造和监测湿地补偿缓解站点的缓解银行赞助商、代收费用站点赞助商和许可证持有人负责的缓解项目支持者（统称为赞助商）。这些文件取代了 2013 年威斯康星州指南，并澄清了《清洁水法》第 404 条和威斯康星州统计局第 281.36 条规定的湿地影响的现有要求。工程兵团和威斯康星州自然资源部正在这一特别公共通知期间就这些文件征求公众反馈。我们还将于 2024 年 7 月 23 日举办虚拟聆听会，以回答问题并口头收集反馈。如果您在陆军工程兵团的缓解相关公告电子邮件分发列表中，一旦我们安排聆听会，您将收到 Leslie Day 的邀请。如果您目前不在电子邮件分发列表中，请联系 Leslie Day，邮箱地址为 Leslie.E.Day@usace.army.mil，以接收日历邀请。陆军工程兵团和威斯康星州自然资源部欢迎任何与威斯康星州指南的内容和使用相关的评论，并将在最终确定这些威斯康星州指南以供在威斯康星州使用之前考虑所有评论。您可以将评论通过电子邮件发送给 Leslie.E.Day@usace.army.mil 和 Thomas.Pearce@wisconsin.gov@wisconsin.gov。如果没有电子邮件，您可将意见邮寄至：美国陆军工程兵团圣保罗地区监管部，地址：c/o Leslie Day, 332 Minnesota Street, Suite E1500, St. Paul, Minnesota 55101。
介导药物处置 (TMDD)
摘要靶介导药物处置 (TMDD) 模型用于模拟非线性药代动力学 (PK)，因为一种药物与其药理靶标以高亲和力结合，影响药代动力学特性。TMDD 近似模型的出现是因为在有限的数据下难以实现完整的 TMDD 模型来解决复杂模型的过度参数化问题。传统的群体 TMDD 模型开发既耗时又主观，需要建模者的经验。本论文提出了一种 TMDD 模型开发和排序策略，可以实现自动 TMDD 模型开发。当前的工作旨在建立一种可以自动化扩展到 Pharmpy/Pharmr 包的 TMDD 模型开发策略，以使自动模型开发 (AMD) 工具能够对非线性 PK 进行更复杂的描述。使用已发布的五种化合物 TMDD 模型的模拟数据来开发和测试 TMDD 模型开发策略。首先，根据文献和自动模型开发程序的实际考虑选择合适的估计方法，以提高建模效率。其次，提出了一种在模型开发过程中设置新参数初始估计值的算法，并在两个具有潜在代表性的 TMDD 近似模型上进行了测试，以便于估计收敛。测试了似然比检验 (LRT) 和贝叶斯信息准则 (BIC) 作为模型选择标准。最后，提出了完整的 TMDD 模型开发策略，并用五个模拟数据进行了测试。在结构模型搜索后，选择准稳态模型 (QSS) 而不是米氏近似模型 (MMAPP) 作为代表性 TMDD 近似模型，并发现足以识别正确的结构模型。其他 TMDD 模型从 QSS 模型更新了初始估计值，其中目标降解速率常数 (KDEG) 和基线目标浓度 (R0) 的初始估计值的不同梯度也提供了合理的目标函数值 (OFV)。鉴于 BIC 的排序标准和模型开发策略，每个数据的最佳模型至少与模拟模型一样复杂。此外，4/5 的数据对那些非目标相关参数给出了准确的估计，并且 OFV 并不比以“真实”参数作为初始估计的模型差很多。总之，所提出的 TMDD 模型开发策略简化了 TMDD 模型的开发和选择，并且有可能在 AMD 中实施以实现自动 TMDD 模型开发。