XiaoMi-AI文件搜索系统
World File Search System效率高的
OPF-Learn：用于创建代表性交流最优潮流数据集的开源框架：预印本
摘要 — 可再生能源发电水平的提高激发了人们对数据驱动的交流最优功率流 (AC OPF) 方法的兴趣，以管理不确定性；然而，缺乏规范的数据集创建和基准测试，阻碍了对文献中的方法进行有用的比较。为了树立信心，模型必须能够可靠地预测各种运行条件下的解决方案。本文为 Julia 和 Python 开发了 OPF-Learn 包，它使用一种计算效率高的方法创建代表性数据集，涵盖交流 OPF 可行域的广泛范围。负载曲线是从包含交流 OPF 可行集的凸集中均匀采样的。对于找到的每个不可行的点，使用不可行性证书来减少凸集，这些证书是通过使用宽松公式的性质找到的。与文献中看到的传统技术相比，该框架可以生成更能代表整个可行空间的数据集，从而提高机器学习模型的性能。
从 SPGR 信号准确估计 T1
简介 [1] 图的 T 下标可以通过使用不同翻转角和/或重复时间 (TR) 获取的损坏梯度回忆回波 (SPGR) 图像计算得出。信号强度与翻转角和 TR 之间的关联函数是非线性的，但目前广泛使用的是 Gupta 于 1977 年 [1] 提出的线性形式 [1-6]。利用该线性模型，可以用线性最小二乘 (LLS) 法估计 [1] 的 T 下标，该方法具有计算效率高的优点。然而，我们的初步研究发现，使用这种 LLS 方法估计的 [1] 的 T 下标普遍存在偏差且被高估 [7]。我们提出了一种新的加权线性最小二乘 (WLLS) 方法，该方法在拟合中使用调整后的不确定性。所提出的 WLLS 方法用不确定性对每个数据点进行加权，该不确定性可校正由非线性模型转换为线性模型产生的噪声贡献。使用数值和人脑数据模拟来比较使用 LLS、WLLS 和非线性最小二乘 (NLS) 方法估计的 [1] 的 T 下标的准确性。
脑电信号分类深度架构优化：使用进化算法的 AutoML 方法
摘要：由于信噪比低且通常存在来自不同来源的伪影，脑电图 (EEG) 信号分类是一项具有挑战性的任务。之前已经提出了不同的分类技术，这些技术通常基于从 EEG 频带功率分布图中提取的一组预定义特征。然而，EEG 的分类仍然是一个挑战，这取决于实验条件和要捕获的反应。在这种情况下，深度神经网络的使用提供了新的机会来提高分类性能，而无需使用一组预定义的特征。然而，深度学习架构包含大量超参数，模型的性能依赖于这些超参数。在本文中，我们提出了一种优化深度学习模型的方法，不仅是超参数，还有它们的结构，该方法能够提出由不同层组合组成的不同架构的解决方案。实验结果证实，通过我们的方法优化的深度架构优于基线方法，并产生计算效率高的模型。此外，我们证明优化的架构相对于基线模型提高了能源效率。
优化针对物联网应用的新颖LGA软件包的板级可靠性
应用程序互联网应用程序的抽象技术开发正在从天文学上增长，增加了对运行和为大量连接的机器和物体供电的较小，更快和较低功率解决方案的需求。LS1012A是当今市场上最小的64位处理器，具有新颖的211 LGA软件包，可创建机械稳健且效率高的空间组件。但是，为了满足各种物联网应用需求，需要出色的董事会级别可靠性。这项研究通过执行单室热机械循环，单调弯曲测试和JEDEC Drop测试来评估211 LGA的板级别可靠性。本研究的目的是完全优化211 LGA的董事会级别性能，而不会大大更改包装设计。应用了两次重大的董事会级别更改，以实现大量董事会级别的性能，超过了所有预计的应用程序用途。关键词板级别的可靠性，焊料联合可靠性，土地网格阵列，热机械循环，物联网
国防设备销售管理局 - GOV.UK
欢迎阅读我们新的政府对政府销售手册，其中展示了我们提供的一些英国国防部 (MOD) 剩余的国防资产和设备。还有机会直接与工业界合作，并与工业界一起努力提供满足您要求的功能。我期待在未来几个月内与您重新建立关系并结识新客户。如果您不了解我们，国防设备销售管理局 (DESA) 是英国国防部下属的一个组织，负责通过英国政府合同管理英国武装部队剩余军事装备的销售和转让。作为一家获得 ISO9001 认证的组织，我们在提供高性能、经过实战检验的军事装备方面有着良好的记录，这些装备直接来自英国国防库存，是购买新装备的一种成本和时间效率高的替代方案。作为一个透明和值得信赖的政府部门，我们希望与我们的国际合作伙伴建立长期互利的国防关系。通过遍布全球的英国国防武官和国防顾问网络、在我们所在的贸易展览和活动中以及直接联系我们非常容易：电子邮件：DES-DESA-sales@mod.gov.uk
使用人工蜂群算法实现微电网中的最优功率共享
摘要：在智能电网中，将多种可再生能源 (RES) 与存储和备用系统相结合的混合可再生能源系统可以提供最具成本效益和稳定的能源供应。然而，最近研究解决的最紧迫问题之一是如何最好地设计混合可再生能源系统的组件，以尽可能低的成本和最佳的可靠性满足所有负载要求。由于混合可再生能源系统的优化难度，找到一种提供可靠解决方案的有效优化方法至关重要。因此，在本研究中，优化了微电网之间的电力传输，以最大限度地降低整个系统和每个微电网的成本。为此，人工蜂群 (ABC) 被用作优化算法，旨在最大限度地降低微电网外部的成本和电力传输。ABC 算法优于其他基于种群的算法，并且具有需要更少控制参数的额外优势。ABC 算法还具有良好的弹性、快速收敛和强大的通用性。本研究进行了多项实验，以证明所提出的基于 ABC 的方法的有效性。模拟结果表明，所提出的方法是一种有效的优化方法，因为它可以以非常简单且计算效率高的方式实现全局最优。
一个用于优化深神经网络体系结构和超参数
在本文中，我们提出了Dragon（用于定向的无环形优化），这是一种自动生成效率高的深神经网络体系结构并优化其相关超参数的算法框架。该框架基于不断发展的无环图（DAG），定义比文献中现有的搜索空间更具灵活的搜索空间。它允许进行不同的古典操作的混合物：卷积，相互作用和密集的层，但也有更多新的操作，例如自我注意力。基于此搜索空间，我们建议邻里和进化搜索操作员，以选择网络的体系结构和超参数。这些搜索操作员可以与能够处理混合搜索空间的任何元疗法一起使用。我们在时间序列预测基准的时间序列上使用异步进化算法测试了我们的算法框架。结果表明，龙的表现优于最先进的手工制作的模型和汽车技术，用于在众多数据集上预测时间序列。Dragon已被实施为Python开源软件包1。关键字：神经体系结构搜索，超参数优化，元启发式学，进化算法，时间序列预测
靶向疟原虫作为疟疾治疗的潜在靶标
疟疾是一种寄生疾病，代表了全球公共卫生问题。质子属的原生动物负责引起人类疟疾。 疟原虫具有复杂的生命周期，需要翻译后的修饰（PTMS）在时间和空间上控制细胞活性，并调节关键蛋白质的水平和细胞机制，以维持效率高的感染和免疫逃避。 sumoylation是由小型泛素样蛋白与蛋白质底物上赖氨酸残基的共价连接形成的PTM。 该PTM是可逆的，是由三种酶的顺序作用触发的：E1激活，E2-共轭和E3连接酶。 在另一端，酵母中的泛素样蛋白特异性蛋白酶和哺乳动物中的哨兵特异性蛋白酶负责处理SUMO肽和对sumoypy的部分偶联。 进一步的研究对于理解疟原虫中SUMO的分子机制和细胞功能是必要的。 抗药性疟疾寄生虫的出现促使通过新颖的作用机理发现了新靶标和抗疟药。 在这种情况下，由疟疾寄生虫中的Sumoylation调节的保守生物学过程，例如基因表达调节，氧化应激反应，泛素化和蛋白酶体途径，建议PF SUMO作为一种新的潜在药物靶标。负责引起人类疟疾。疟原虫具有复杂的生命周期，需要翻译后的修饰（PTMS）在时间和空间上控制细胞活性，并调节关键蛋白质的水平和细胞机制，以维持效率高的感染和免疫逃避。sumoylation是由小型泛素样蛋白与蛋白质底物上赖氨酸残基的共价连接形成的PTM。该PTM是可逆的，是由三种酶的顺序作用触发的：E1激活，E2-共轭和E3连接酶。在另一端，酵母中的泛素样蛋白特异性蛋白酶和哺乳动物中的哨兵特异性蛋白酶负责处理SUMO肽和对sumoypy的部分偶联。进一步的研究对于理解疟原虫中SUMO的分子机制和细胞功能是必要的。抗药性疟疾寄生虫的出现促使通过新颖的作用机理发现了新靶标和抗疟药。在这种情况下，由疟疾寄生虫中的Sumoylation调节的保守生物学过程，例如基因表达调节，氧化应激反应，泛素化和蛋白酶体途径，建议PF SUMO作为一种新的潜在药物靶标。这种微型审查的重点是当前对疟原虫协调的多步生命周期作用机理的理解，并将它们作为寄生虫特异性抑制剂的发展和对疟疾疾病的治疗干预的有吸引力的新靶蛋白进行了讨论。
优化工业能源-VU研究存储库
本研究提出了一种新型的，生态效率高的混合系统，旨在同时生产功率，氧气和甲醇。它利用可乐厂的能量，并结合了最先进的废热恢复过程（WHRP）。该系统有效地将电力和甲醇生产与WHRP合并，从而改善了工业能源转型的环境可持续性和经济可行性。它由燃料改革和燃烧单元，废热恢复单元，通过水电解产生氢气的单元以及甲醇合成模块。这种配置可产生12.72兆瓦的电力，0.51 kg/s的氧气和0.53 kg/s的甲醇，可实现46.8％的能源生产率，并且运气效率为85.13％。经济分析表明，电力的竞争成本为每千瓦时0.099美元，甲醇的竞争成本为0.56美元。该系统超过了热力学效率，运营和产品成本的当前技术，并降低了CO 2排放，证明了它作为对工业能源挑战的可持续且经济上可持续的解决方案的潜力。它支持循环经济概念中的全球可持续性计划和适合。
基于分层脉冲的模型，通过增强特征提取和编码实现高效图像分类
摘要 — 由于其事件驱动的特性，脉冲神经网络 (SNN) 被认为是计算效率高的模型。脉冲神经元编码有用的时间事实并具有高抗噪性。然而，时空复杂性的高质量编码及其对 SNN 的训练优化受到当前问题的限制，本文提出了一种新颖的分层事件驱动视觉设备，以探索信息如何通过生物可控机制在视网膜中传输和表示。该认知模型是一个增强脉冲的框架，包括 CNN 的功能学习能力和 SNN 的认知能力。此外，该视觉设备以生物现实主义的方式建模，具有无监督学习规则和高级脉冲发放率编码方法。我们在一些图像数据集（MNIST、CIFAR10 及其嘈杂版本）上对它们进行训练和测试，以表明我们的模型可以处理比现有认知模型更有价值的数据。本文还提出了一种新颖的量化方法，使所提出的基于脉冲的模型更适合神经形态硬件实现。结果表明，这种联合 CNN-SNN 模型可以获得更高的聚焦精度并获得更有效的泛化能力。