XiaoMi-AI文件搜索系统
World File Search System性能比
2020-SPS-性能标准.pdf - GPS
美国全球定位系统 (GPS) 标准定位服务 (SPS) 由基于空间的定位、导航和授时 (PNT) 信号组成，这些信号免费直接提供给用户，供全球范围内的和平民用、商业和科学用途使用。本 SPS 性能标准 (SPS PS) 规定了广播信号参数和 GPS 星座设计方面的 SPS 性能水平。美国政府致力于达到并超越本 SPS PS 中规定的最低服务水平。自 1993 年首次宣布 GPS 初始作战能力 (IOC) 以来，实际 GPS 性能一直达到并超过 SPS PS 中规定的最低性能水平，并且用户通常可以期待性能比此处描述的最低水平有所提高。例如，以当前 (2018) 的空间信号 (SIS) 精度，精心设计的 GPS 接收器在 95% 的时间内实现了 3 米或更高的水平精度和 5 米或更高的垂直精度。许多美国机构都在持续监测 GPS SPS 的实际性能，其中包括联邦航空管理局 (FAA)，该机构在其国家卫星试验台 (NSTB) 网站 ( http://www.nstb.tc.faa.gov/ ) 上发布季度性能分析报告。我们鼓励感兴趣的读者参考此来源和其他来源以获取最新的 GPS 性能。本版 SPS PS 中的性能规范适用于 L1 (1575.42 MHz) 粗/捕获 (C/A) 信号。信息
PowerEdge R770规格表
Dell PowerEdge R770是一台2U，双插座服务器，旨在具有最佳功率效率和平衡性能的高性能计算，以提高数据中心的生产率。它可以平衡高级计算能力与创新的设计效率最大化机架利用率并最大程度地减少能源消耗。是虚拟化，云本地应用，大规模分析和分布式推论等工作负载的理想选择。PowerEdge R770针对企业和可扩展基础架构进行了专门构建，可轻松地集成到现有环境中，配备了带有E型核的两个Intel®Xeon®6处理器，它的每瓦提供1.69倍的性能比以前的型号高1.69倍，可提高功率效率和提高机架架子的型号。GPU支持的添加进一步扩大了计算能力，从而确保了较低能源使用的高性能。这些服务器可在后部I/O热过道和前I/O冷通道配置中使用。前I/O寒冷过道可提高可服务性，减少维护时间，并提高效率，可靠性和正常运行时间，并通过优化冷却和能源使用来支持您的可持续性目标。它还具有戴尔的智能和冷却技术，可用于空气冷却以大大减少能源消耗，从而有助于长期运营节省。
基于量子态保真度的量子-经典协同训练架构
摘要 最近的进展凸显了当前量子系统的局限性，特别是近期量子设备上可用的量子比特数量有限。这一限制极大地限制了可以利用量子计算机的应用范围。此外，随着可用量子比特的增加，计算复杂性呈指数增长，带来了额外的挑战。因此，迫切需要有效使用量子比特并减轻当前的限制和未来的复杂性。为了解决这个问题，现有的量子应用试图将经典系统和量子系统集成在一个混合框架中。在本文中，我们专注于量子深度学习，并介绍一种名为 co-TenQu 的协作经典量子架构。经典组件采用张量网络进行压缩和特征提取，使高维数据能够编码到具有有限量子比特的逻辑量子电路上。在量子方面，我们提出了一种基于量子态保真度的评估函数，通过双方之间的反馈回路迭代训练网络。co-TenQu 已在模拟器和 IBM-Q 平台上实现和评估。与最先进的方法相比，co-TenQu 在公平环境下将经典深度神经网络的性能提升了 41.72%。此外，它的性能比其他基于量子的方法高出 1.9 倍，在实现相似准确度的同时，使用的量子比特数却减少了 70.59%。
sr-1454 摩擦搅拌焊接的屈曲破坏试验...
15.补充说明由船舶结构委员会赞助。由其成员机构共同资助。16.摘要 本研究的目的是为通过搅拌摩擦焊制造的 5000 系列和 6000 系列铝加筋板结构开发机械屈曲破坏试验数据库，并在焊接引起的初始缺陷和极限抗压强度性能方面将这些结构与通过熔焊制造的类似铝板进行比较。讨论了与熔焊和搅拌摩擦焊程序相关的趋势或好处。以下是这些讨论的摘要。• 发现搅拌摩擦对接焊接铝合金的屈服强度和极限拉伸强度与熔焊铝合金相当甚至更好。• 搅拌摩擦焊接引起的初始缺陷往往比熔焊引起的缺陷小。因此，搅拌摩擦焊接工艺在这方面的优势显而易见。• 搅拌摩擦焊接铝结构的极限强度性能比熔焊铝结构高 10-20%。这意味着，只要防止分层，搅拌摩擦焊接工艺在极限抗压强度性能方面肯定优于熔焊工艺。• 然而，所有搅拌摩擦焊接测试结构在达到极限强度之后甚至之前都在焊接区域出现分层。这表明，熔焊工艺在焊接区域的抗压强度性能方面优于搅拌摩擦焊接工艺。• 再次确认非线性有限元方法计算很大程度上取决于所应用的结构建模技术。
基于EEG Microstate分析预测运动图像BCI性能
摘要：电动图像（MI）脑电图（EEG）自然而舒适，并且已成为大脑 - 计算机界面（BCI）领域的研究热点。探索主体间MI-BCI性能变化是MI-BCI应用中的基本问题之一。EEG微晶格可以代表大脑认知功能。在本文中，使用了四个EEG微骨（MS1，MS2，MS3，MS4）进行分析，分析受试者的Mi-BCI性能差异，并计算四个微杆菌特征参数（平均持续时间，每秒出现，时间覆盖率和时间覆盖率和过渡概率）。测量了静息状态EEG Microstate特征参数与受试者的MI-BCI性能之间的相关性。基于MS1的发生的负相关性和MS3平均持续时间的正相关性，提出了静静态微晶格预测指标。28名受试者参加我们的MI实验，以评估我们静止状态的Microstate预测指标的性能。实验结果表明，与频谱熵预测变量相比，我们静止状态的Mi-Crostate预测器的平均面积（AUC）值为0.83，增加了17.9％，表明微骨特征参数可以更好地表明受试者的MI-BCI性能比光谱enterpy enterpropy预测器。此外，在单节水平和平均水平上，Microstate预测指标的AUC高于光谱熵预测变量的AUC。总体而言，我们的静止状态微晶格预测指标可以帮助MI-BCI研究人员更好地选择受试者，节省时间并促进MI-BCI的发展。
利用扩散模型进行自适应在线重新规划
扩散模型已成为一种有前途的数据驱动规划方法，并已展示出令人印象深刻的机器人控制、强化学习和视频规划性能。给定一个有效的规划器，需要考虑的一个重要问题是重新规划——何时应由于动作执行错误和外部环境变化而重新生成给定的计划。直接执行计划而不进行重新规划是有问题的，因为来自单个动作的错误会迅速累积，并且环境是部分可观察和随机的。同时，在每个时间步重新规划会产生大量的计算成本，并且可能会阻止任务成功执行，因为不同的生成计划会阻止任何特定目标的一致进展。在本文中，我们探讨了如何使用扩散模型有效地进行重新规划。我们提出了一种原则性方法来确定何时重新规划，该方法基于扩散模型对现有生成计划的估计可能性。我们进一步提出了一种重新规划现有轨迹的方法，以确保新计划遵循与原始轨迹相同的目标状态，这可以有效地引导先前生成的计划。我们说明了我们提出的附加功能组合如何显著提高扩散规划器的性能，使其在 Maze2D 上的性能比过去的扩散规划方法提高了 38%，并进一步实现了随机和长视界机器人控制任务的处理。视频可在匿名网站上找到：https://vis-www.cs.umass. edu/replandiffuser/ 。
unibev：具有均匀BEV编码器的多模式3D对象检测，以抗缺失传感器方式
摘要 - 多传感器对象检测是自动驾驶中的一个积极研究主题，但是这种检测模型的鲁棒性针对缺失的传感器输入（缺少模态）（例如，由于突然的传感器故障）是一个关键问题，这是一个关键问题，这仍然不足。在这项工作中，我们提出了Unibev，这是一种端到端的多模式3D对象检测框架，旨在稳健性，以防止缺失模式：Unibev可以在Lidar Plus相机输入上运行，但也可以在无激光镜或仅相机输入的情况下操作。为了促进其检测器头以处理不同的输入组合，Unibev旨在从每种可用方式中创建良好的鸟类视图（BEV）特征图。与以前的基于BEV的多模式检测方法不同，所有传感器模态都遵循统一的AP-prach，以从原始传感器坐标系统重新示例到BEV功能。我们还研究了各种融合策略W.R.T.的鲁棒性缺少模态：常用的特征串联，但也通过通道平均，以及对平均定期通道归一化权重的加权平均化的概括。为了验证其有效性，我们将Unibev与所有传感器输入组合的Nuscenes的最新bevfusion和Metabev进行了比较。在这种情况下，对于所有输入组合，Unibev的性能比这些基准更好。一项消融研究表明，通过对常规的con依的加权平均融合的鲁棒性优势，并在每种模态的BEV编码器之间共享查询。我们的代码将在纸上接受时发布。
生物医学信号处理和控制
全球，心血管疾病是死亡的主要原因。基于临床数据，机器学习（ML）系统可以在早期阶段检测心脏病，从而降低死亡率。然而，在ML中，不平衡和高维数据一直是持续的挑战，在许多现实世界中（例如检测心血管疾病的检测）阻碍了准确的预测数据分析。为了解决这个问题，已经开发了针对心脏病检测的计算方法。但是，他们的表现仍然不足。因此，本研究为心脏病模型（称为SPFHD）提供了一个新的堆栈预测因子。SPFHD使用五种基于树的基于树的集合学习算法作为心脏病检测的基本模型。此外，使用支持向量机算法的基础模型的预测进行了整合，以增强心脏病检测的准确性。开发了一种新的条件变异自动编码器（CVAE）方法来克服不平衡问题，该方法的性能比常规平衡方法更好。最后，SPFHD模型是通过贝叶斯优化调整的。结果表明，所提出的SPFHD模型的表现优于四个数据集的最新方法，分别为HD Clinical，Z-Alizadeh Sani，Statlog和Cleveland的HD Clinical，HD Clinical，HD Clinical，HD Clinical clinical of 4.68％，4.55％，2％和1％。此外，这个新框架提供了重要的解释，通过利用强大的Shapley添加说明（SHAP）算法来帮助理解模型成功。这重点介绍了检测心脏病的最重要属性，并克服了当前无法揭示特征之间因果关系的当前“黑盒”方法的局限性。
神经科学方法杂志
背景：要了解单个神经元中的信息编码，需要分析阈下突触事件、动作电位 (AP) 及其在不同行为状态下的相互关系。然而，由于突触事件的信噪比不佳、频率高、幅度波动和时间过程多变，检测行为动物的兴奋性突触后电位 (EPSP) 或电流 (EPSC) 仍然具有挑战性。新方法：我们开发了一种突触事件检测方法，称为 MOD（机器学习最优滤波检测程序），它结合了监督机器学习和最优维纳滤波的概念。要求专家手动对短时间的数据进行评分。该算法经过训练以获得维纳滤波器的最优滤波系数和最优检测阈值。然后使用最优滤波器处理评分和未评分的数据，并将事件检测为高于阈值的峰值。结果：我们在小鼠体内空间导航过程中用 EPSP 轨迹测试 MOD，并在增强递质释放的条件下用切片体外 EPSC 轨迹测试 MOD。受试者工作特征 (ROC) 曲线下面积 (AUC) 平均为体内数据集 0.894 和体外数据集 0.969，表明检测精度高、效率高。与现有方法的比较：当使用 (1 − AUC) − 1 指标进行基准测试时，MOD 在体内数据集上的平均性能比以前的方法 (模板拟合、反卷积和贝叶斯方法) 高出 3.13 倍，但显示出相当 (模板拟合、反卷积) 或更高 (贝叶斯) 的计算效率。结论：MOD 可能成为大规模实时分析突触活动的重要新工具。
在尼日利亚南部，机器学习在洪水预测和评估中的应用
这项研究探讨了尼日利亚南部的机器学习技术在洪水预测和分析中的应用。机器学习是一种人工智能技术，它使用基于计算机的指令分析和将数据转换为有用的信息，以使系统能够进行预测。传统的洪水预测和分析方法通常无法提供有效灾难管理的准确和及时信息。更重要的是，由于无法将复杂的大气动力学简化为简单方程式，因此对19世纪的洪水灾害的数值预测不是很准确。在这里，我们使用了机器学习（ML）技术，包括随机森林（RF），逻辑回归（LR），幼稚的贝叶斯（NB），支持向量机（SVM）和神经网络（NN）来建模引起洪水泛滥的复杂物理过程。数据集包含59个具有目标特征“事件类型”的案例，其中包括39例洪水和20例洪水/暴雨。基于使用历史记录创建的模型的评估指标的比较，结果表明，NB的性能比所有其他技术都更好，其次是RF。开发的模型可用于预测洪水事件的频率。大多数洪水场景表明，该事件对人们的生命构成了重大风险。因此，每个紧急响应要素都需要足够了解洪水事件，持续的预警服务和准确的预测模型。本研究可以扩大有关弱势领域洪水预测建模的知识和研究，以告知有效，可持续的应急计划，政策和管理洪水灾害事件的行动，特别是在其他技术欠发达的环境中。