XiaoMi-AI文件搜索系统
World File Search System插补
人工智能不插电：为对话式人工智能夏令营设计不插电活动
随着 Siri 和 Alexa 等对话式 AI 应用在儿童中变得无处不在，CS 教育界已开始利用这种流行度作为吸引年轻学习者学习 AI、CS 和 STEM 的潜在机会。然而，向 K-12 学习者教授对话式 AI 仍然具有挑战性且尚未得到探索，部分原因是某些对话式 AI 概念（例如意图和训练短语）具有抽象性和复杂性。一种以引人入胜的方式教授复杂主题的有前途的方法是通过非插电活动，事实证明，这种方法在不使用计算机的情况下非常有效地促进 CS 概念理解。目前正在研究开发用于教授 AI 的非插电活动，但迄今为止很少有研究关注对话式 AI。本经验报告描述了针对中学生的对话式 AI 夏令营的一系列新颖的非插电活动的设计和迭代改进。我们讨论了学习者的反应以及通过实施这些非插电活动获得的经验教训。我们希望这些见解能够支持 CS 教育研究人员使对话式 AI 学习更具吸引力并让所有学习者都能接受。
教授Natalya Shakhovska，理学博士，利沃夫理工大学人工智能系主任
大数据需要额外的资源来实现机器学习模型。Map-reduce 范式仅允许并行化该过程，但计算复杂性会增加。新的机器学习模型集合是为数据预处理（特征选择、错过日期插补等）和数据分析而开发的。
Hi-Drive 系列
描述 Hi-Drive 是一款全数字驱动器，适用于电流为 2 至 450 A 的无刷电机，采用 230 VAC 或 480 VAC 电源供电。Hi-Drive 能够控制感应电机；其目标市场是需要高精度、准确度、性能、现场总线连接和定制应用的市场。Hi-Drive 具有多种内置运动控制功能，包括电流、扭矩和速度控制、梯形轮廓定位、可变比率和相位校正的数字锁定、电子凸轮、实时模式、S 斜坡定位、归位功能和位置捕获。带有 Power PC 400 MHz 微处理器的轴卡能够通过 CANopen DS402 控制多达 32 个插补轴，进一步增强了 Hi-Drive 的功能。Hi-Drive 系列适用于简单和极其复杂的应用，例如：印刷机、木材和金属加工机、送料机、码垛机、具有不同插补轴的应用和机器人。
ssc-469 复合材料补片的强度和疲劳测试...
本研究的目的是探索和实验验证复合材料补片在防止裂纹扩展和延长铝和钢船舶结构寿命方面的应用。复合材料补片通过降低裂纹尖端区域的应力起到裂纹抑制器的作用。目前存在预测复合材料补片配置有效性的分析能力，但这种分析需要特定的理想化和假设，必须通过实验验证才能将这项技术应用于实践。因此，该项目有助于将该技术开发为一种有用且可靠的船舶板层断裂修复工具，并力求促进其在工业上的接受和实施。该项目的资金由船舶结构委员会通过海军水面作战中心卡德罗克分部提供，随后由 BMT 设计师和规划师提供给密歇根大学。研究了两种配置。首先研究了长度为 18.0 英寸、宽度为 12.0 英寸、厚度为 0.25 英寸的钢板，中跨处有 3.0 英寸的初始裂纹，没有使用钢筋。然后使用双面加固检查了其他几何形状相似的板。在板的一端施加了 2.0 到 50.0 千磅之间的周期性载荷。在进行这些测试之前，进行了简单的拉伸强度测试，以确定复合材料补片的材料特性和 s
ssc-469 复合材料补片的强度和疲劳测试...
本研究的目的是探索和实验验证复合材料补片在防止裂纹扩展和延长铝和钢船舶结构寿命方面的应用。复合材料补片通过降低裂纹尖端区域的应力起到裂纹抑制器的作用。目前存在预测复合材料补片配置有效性的分析能力，但这种分析需要特定的理想化和假设，必须通过实验验证才能将这项技术应用于实践。因此，该项目有助于将该技术开发为一种有用且可靠的船舶板层断裂修复工具，并力求促进其在工业上的接受和实施。该项目的资金由船舶结构委员会通过海军水面作战中心卡德罗克分部提供，随后由 BMT 设计师和规划师提供给密歇根大学。研究了两种配置。首先研究了长度为 18.0 英寸、宽度为 12.0 英寸、厚度为 0.25 英寸的钢板，中跨处有 3.0 英寸的初始裂纹，没有使用钢筋。然后使用双面加固检查了其他几何形状相似的板。在板的一端施加了 2.0 到 50.0 千磅之间的周期性载荷。在进行这些测试之前，进行了简单的拉伸强度测试，以确定复合材料补片的材料特性和 s
将增强和缺失的像素归合组合
遥感图像分类在各种领域至关重要，包括农业，城市规划和环境监测。但是，有限的标记数据和缺失的像素对实现准确的分类构成了挑战。在这项研究中，我们提出了一个综合框架，该框架使用潜在扩散模型和基于强化学习的基于基于学习的缺失像素插补来整合数据，以增强深度学习模型的分类性能。该框架由三层组成：数据增强，缺少像素的插补以及使用修改后的VGG16体系结构进行分类。基准数据集上的广泛实验证明了我们的框架的重大影响，通过显着提高分类准确性和鲁棒性，超过了最新技术。结果突出了我们的增强和归纳技术的有效性，分别达到97.56％，97.34％和97.34％的骰子得分，准确性和召回指标。我们提出的框架为准确的遥感图像分类提供了一个宝贵的解决方案，解决了有限数据和缺失像素的挑战，并且在各个域中具有广泛的应用程序。关键字：VGG 16，卷积神经网络，扩散模型，遥感，卫星图像。
通过模态混合和深度监督进行脑部疾病诊断的多模态连接组的不完全学习
近年来，多模态脑网络研究通过刻画脑网络的多种连接类型及其内在的互补信息，大大提高了脑疾病诊断的效率。尽管多模态技术取得了令人鼓舞的性能，但大多数现有的多模态方法只能从具有完整模态的样本中学习，这浪费了大量的单模态数据。此外，大多数现有的数据插补方法仍然依赖于大量具有完整模态的样本。在本研究中，我们提出了一种模态混合数据插补方法，通过随机抽取不完整样本并将其合成为完整数据进行辅助训练。此外，为了减轻合成数据中不配对模态间互补信息的噪声，我们引入了一个具有深度监督的双边网络，以使用疾病特定信息改进和规范单模态表示。在 ADNI 数据集上的实验证明了我们提出的方法在不同完整模态样本率方面的疾病分类优势。关键词：脑连接组，不完全学习，深度监督，脑功能障碍，缺失模态
测量 - 符号优化，用于平均部分观察到的协方差矩阵
对称的正定定义（SPD）矩阵渗透到许多科学学科，包括机器学习，优化和信号处理。配备了Riemannian的几何形状，SPD矩阵的空间受到了引人注目的特性及其所使用的riemannian Means，现在是某些应用中的金标准，例如脑部计算机界面（BCI）。本文解决了平均变量缺失的协方差矩阵的问题。这种情况通常发生在廉价或不可靠的传感器中，或者当伪影抑制技术删除导致等级矩阵的损坏的传感器时，阻碍了基于协方差的方法中Riemannian几何形状的使用。一种替代但可疑的方法包括删除缺少变量的矩阵，从而降低了训练集的大小。我们解决了这些局限性，并提出了一种基于大地凸的新配方。我们的方法在生成的数据集上进行了评估，这些数据集具有受控数量的丢失变量和已知基线，证明了所提出的估计器的鲁棒性。在实际BCI数据集上评估了这种方法的实际利益。我们的结果表明，所提出的平均值比经典数据插补方法更适合分类。关键字：SPD矩阵，平均值，缺少数据，数据插补。