XiaoMi-AI文件搜索系统
World File Search System当前任务
报告文档页面 - 海军研究生院
13.摘要（最多 200 个字）本报告记录了一项系统工程和设计顶点项目，该项目由总舰船系统工程 (TSSE) 教员指导，由海军研究生院 TSSE 项目的学生承担，历时两个学期。它重新审视了现代航空母舰的基本设计和运行，假设有短距起飞和垂直着陆 (STOVL) 飞机，采用燃气涡轮船舶推进，并提供强大的能力来支持人道主义行动。在此处报告的设计研究中，作者采用系统工程方法进行全新的航母设计，这可能最适合下一代航空母舰的要求。主要目标是提供一艘满足现有尼米兹级航母所有当前任务要求的舰船，但平台的生命周期成本要低得多。最终成果是一艘基于“超级岛”概念的舰船；大型岛屿结构，可为飞机加油、重新武装以及其他主要功能提供直通“维修站”。其他主要创新领域包括：武器处理、信息处理和分发、工程布局和人员配备。报告概述了主要船舶系统，并详细讨论了选定的设计领域，以说明对实现设计目标影响最大的系统。14.主题术语船舶设计、航空母舰、STOVL、短距起飞垂直着陆；燃气轮机 15.页数 285
生成的多模式模型是良好的类增量学习者
在班级学习（CIL）方案中，由于阶级的偏见对当前任务的偏见引起的灾难性遗忘者长期以来一直引起了重大挑战。它主要由判别模型的特征引起。随着生成性多模式模型的日益普及，我们将探索用CIL生成的歧视模型代替歧视模型。，从歧视到生成模式过渡需要解决两个关键挑战。主要挑战在于将生成的文本信息转移到不同类别的分类中。在方面，它需要在生成框架内制定CIL的任务。为此，我们提出了一种新颖的生成性多模式模型（GMM）框架，用于类增量学习。我们的方法直接使用改编的生成模型为图像生成Labels。获得详细的文本后，我们使用文本编码器来阐述文本特征，并采用匹配的功能来确定最相似的标签与分类的标签。在传统的CIL设置中，我们在长期序列的任务方案中取得了更好的影响。under少数CIL设置，与所有当前最新方法相比，我们的精度至少提高了14％，而遗忘的遗忘明显较小。我们的代码可在https://github.com/doubleclass/gmm上找到。
通过峰值神经网络的神经途径的自适应重组
人的大脑可以自我组织富有和多样化的稀疏神经途径，以逐步掌握数百项认知任务。但是，大多数现有的深层人工和尖峰神经网络的持续学习算法无法充分自动调节网络中有限的资源，这会导致性能下降，随着任务的增加，能源消耗的增加。在本文中，我们提出了一种脑启发的持续学习算法，并通过自适应重新组织神经途径，该途径采用自组织调节网络来重组单个和有限的神经网络（SOR-SNN），为丰富的稀疏神经途径，以有效地处理增量任务。所提出的模型表明，在各种持续学习任务的性能，能源消耗和记忆能力方面都具有一致的延长性，从类似孩子的简单任务到复杂的任务以及广义CIFAR100和Imagenet数据集。尤其是，SOR-SNN模型擅长学习更复杂的任务以及更多的任务，并能够将过去的知识与当前任务中的信息集成在一起，显示了促进旧任务的向后转移能力。同时，所提出的模型具有不可逆损害的自我修复能力，对于修剪的网络，可以自动分配从保留网络的新途径，以恢复记忆以获取被遗忘的知识。
模拟玻璃驾驶舱环境中眼球运动和疲劳的多模态分析
摘要：飞行员疲劳是与人为错误有关的航空事故的一个重要原因。如果可以利用飞行员的眼球运动测量来预测疲劳，那么与人有关的事故可能会减少。眼动追踪是一种非侵入式的可行方法，不需要飞行员暂停当前任务，并且设备不需要与飞行员直接接触。在本研究中，研究了心理运动警觉测试 (PVT) 测量（即反应时间、误报次数和失误次数）与眼球运动测量（即瞳孔大小、眼球注视次数、眼球注视持续时间、视觉熵）之间的正相关或负相关。然后，开发了疲劳预测模型，使用通过前向和后向逐步回归确定的眼球运动测量来预测疲劳。所提出的方法已在涉及新手和专家飞行员的模拟短途多阶段飞行任务中实施。结果表明，测量值之间的相关性因专业知识而异（即新手与专家）；因此，据此开发了两个预测模型。此外，回归结果表明，单个或部分眼球运动测量值可能足以预测疲劳。结果显示了使用非侵入式眼球运动作为疲劳预测指标的前景，并为我们更接近开发近乎实时的预警系统以防止重大事故奠定了基础。
雨水污染防治计划 Westover 空气储备...
安装雨水污染防治小组 (SWPPT) 负责制定、实施和管理 SWPPP。安装补充 - 概述和范围本 SWPPP 旨在全面涵盖韦斯托弗空军预备基地 (ARB) 所有适用的工业运营。该计划涵盖第 439 空运联队 (439 AW) 及其租户的运营。本 SWPPP 的编写和实施符合美国环境保护署 (EPA) 国家污染物排放消除系统 (NPDES) 多部门通用许可证 (MSGP) 的要求，该许可证适用于与工业活动相关的雨水排放（许可证号 MAR050000），自 2021 年 3 月 1 日起生效，至 2026 年 2 月 28 日到期，其副本见附录 E 。2021 MSGP 涵盖的意向通知 (NOI) 副本见附录 F在 Westover ARB，工业活动主要发生在 S 区航空运输下。Westover ARB 中只有涉及飞机和/或地面车辆和设备维护（包括机械维修、喷漆、加油和润滑）、设备清洁操作和/或除冰/防冰操作的部分才包括在 S 区中。在整个 SWPPP 中，参考 MSGP 中的相应部分，使用斜体和章节标题旁边的括号来定义要求。第 7.0 节中引用了 S 区的具体要求。1.1 物理描述和当前任务（MSGP 第 6.2.2 部分）
对不同类型目标的视觉扫描模式研究...
商用飞机的驾驶舱非常复杂，在正确的时间搜索必要的信息有时是一项挑战。本研究通过眼动追踪技术研究了飞行员与两种不同设计的机组警报系统交互时的视觉参数。共有 24 名航空专业人士参与了本次实验，包括商用飞行员、私人飞行员和航空电子工程师。与传统设计相比，新的集成设计应用了邻近兼容性原则来帮助飞行员搜索必要的信息以应对紧急情况。结果表明，集成设计在提供由视觉行为决定的准确指令方面优于传统设计。但是，集成设计通过将注意力从当前任务转移到最关键的任务来提高飞行员的态势感知能力，但总注视持续时间更长。飞行员的视觉参数在与 PFD（主要为数字）、ND（主要为符号）和 EICAS（显示文本信息）交互时表现出显著差异。因此，驾驶舱设计必须采用整体方法，因为飞行员的视觉注意力在各种不同类型的显示器之间转移以获得态势感知，而不是只关注一个显示器。集成 EICAS 的设计可以提供详细的指示来处理紧急情况，这会引起更高的认知负荷，因为飞行员的瞳孔扩张比与传统设计交互时要大得多。通过眼动追踪技术，可以设计以人为本的驾驶舱，以提高航空安全性和人机性能。
e1757232024.完整版.pdf
中脑导水管周围灰质 (PAG) 是一种小型中脑结构，环绕着中脑导水管，调节大脑与身体之间的通讯，人们经常研究它在应对威胁的“战斗或逃跑”和“冻结”反应中的作用。我们使用超高场 7 T fMRI 来分辨人类的 PAG 并将其与中脑导水管区分开来，并在工作记忆任务 (N = 87) 中检查其在体内的功能。轻度和中度认知需求均引发空间相似的全脑血氧水平依赖性 (BOLD) 反应模式，并且中度认知需求引发脑干中广泛高于基线的 BOLD 增加。值得注意的是，这些脑干的增加并不显著高于轻度需求条件下的增加，这表明轻度认知需求也发生了低于阈值的脑干 BOLD 增加。对特定于受试者的面具进行分组以检查 PAG 反应。在 PAG 中，轻度和中度要求都会在腹外侧 PAG 中引发明确的反应，该区域被认为在功能上与人类和非人类动物的预期疼痛威胁有关——然而，当前任务仅构成最小的（如果有的话）“威胁”，所使用的认知任务大约与记住电话号码一样具有挑战性。这些发现表明，即使在没有威胁的情况下，PAG 也可能在内脏运动调节中发挥更普遍的作用。
运营评估创新
我非常高兴地介绍了Allied Command Transformation在功能发展系列中的新创新系列的首届卷。本系列的目的是在高质量的同行评审的编辑卷中捕获支持北约能力发展的创新思想和概念，以鼓励广泛使用和刺激公开辩论。第一卷涉及进行操作评估的概念和过程，该功能衡量了军事操作的进步，从而获得了支持和建议的见解和建议。随着当前任务的复杂性和持续时间以及“成功”的无形性质，至关重要的是要确保我们继续评估我们的进度并对我们的行动进行必要的调整。我们通过本卷的出色工作观察到，尽管这项工作面临许多挑战，但也有有希望的解决方案。总部最高盟军的指挥官转型在提高北约的运营评估能力方面具有重要作用，包括流行的北约运营评估手册，对综合运营计划指令评估的贡献，以及开发和执行北约北约北约北约学校Oberampergau的北约官方官方培训课程。本卷以这三种产品为基础，包含许多新的概念和想法，可以帮助研究人员和评估的实践。它捕获了有关如何进行ACT员工和其他公认专家进行高质量运营评估的新兴见解和经验教训。我认为，这一卷是对北约和我们联盟国家运营评估的发展的重要贡献，我期待着这一卷会鼓励的新思想。
![arxiv：2401.16951v1 [cond-mat.mtrl-sci] 2024年1月30日](/simg/g:\will\search\icon\source\a\ac976b75fbfc6fb0537e43bd89309e7daeef3e75.webp)
arxiv：2401.16951v1 [cond-mat.mtrl-sci] 2024年1月30日
摘要 - LARGE语言模型（LLM）被认为具有自动化安全任务的有希望的潜力，例如在安全操作中心（SOCS）中发现的任务。作为评估这种感知潜力的第一步，我们调查了LLM在软件pentesting中的使用，其中主要任务是自动识别源代码中的软件安全漏洞。我们假设基于LLM的AI代理可以随着时间的推移而改进，因为人类操作员与之互动，可以为特定的安全任务进行特定的安全任务。可以通过第一个步骤来通过工程提示根据产生的响应提示为LLM提供的第一个步骤，以包括相关的上下文和结构，以便模型提供更准确的结果。如果经过精心设计的提示在当前任务上产生更好的结果，也会为未来的未知任务产生更好的结果，则此类工程工作将变得可持续。为了审查这一假设，我们利用OWASP基准项目1.2，其中包含2,740个手工制作的源代码测试案例，其中包含各种类型的漏洞。我们将测试用例分为培训和测试数据，在该数据中，我们根据培训数据（仅）来设计提示，并在测试数据上评估最终系统。我们将AI代理在测试数据上的性能与没有及时工程的代理商的性能进行了比较。我们还将AI代理的结果与Sonarqube的结果进行了比较，Sonarqube是一种用于安全测试的静态代码分析器。结果表明，使用LLMS是一种可行的方法，用于构建用于填充软件的AI代理，可以通过重复使用和及时的工程来改进。我们使用不同的现成的LLMS（Google的Gemini-Pro）以及OpenAI的GPT-3.5-Turbo和GPT-4-Turbo（带有聊天完成和Assistant Apis）构建并测试了AI代理的多个版本。
利用试验和行为环节之间的相关性来改善神经解码
为了找到一个可解释的解决方案，需要一个简单而有效的模型来在许多会话中共享行为相关的神经变化。同样，动物的行为不仅受当前任务的影响，也受动物以前试验的经验的影响。例如，[10]发现小鼠的决策表现出在数十到数百次试验中持续存在的内部状态，这可以通过隐马尔可夫模型（HMM）有效地建模。这些潜在状态可以在不同动物和实验会话中重现。许多神经科学实验表现出由这种可重现的潜在状态引起的试验间行为相关性。除了对会话间神经相似性进行建模之外，明确考虑连续试验中的这些行为相关性还可以潜在地提高神经解码性能。在这项工作中，我们开发了两种互补的方法来利用这些神经和行为相关性来改进神经解码。对于神经数据，我们采用多会话降秩模型，该模型在跨会话时具有相似的神经活动时间模式，同时保留会话特定的差异以适应个体差异。对于行为数据，我们使用多会话状态空间模型从多个会话中动物行为的试验间相关性中学习潜在行为状态。然后使用这些学习到的神经和行为表征来改进单次试验、单会话解码器。与现有的通过复杂黑盒模型在会话间共享数据的深度学习方法不同，我们的模型简单、可解释性强且易于拟合。我们使用来自国际脑实验室 [ 11 ， 12 ] 的小鼠神经像素记录来评估我们的神经和行为数据共享模型，其中包括 433 个会话和 270 个大脑区域。结果显示，在不同行为任务中解码准确率有所提高。我们的方法在计算上是高效的，使我们能够创建与行为相关的时间尺度的全脑图，并识别与每个行为任务相关的关键神经元。