XiaoMi-AI文件搜索系统
World File Search System数据年龄
将在 SpringerLink 中可视化的章节元数据
摘要 GIS（地理信息系统）等地理空间工具是评估和评价食品环境空间维度的流行技术。虽然可以使用 GIS 分析和 GIS 数据来辅助地方层面的政策决策，但很少有人投入精力来全面了解这些决策所依据的数据。在本文中，我们讨论了高质量地理空间数据的含义，以及地理空间数据开发领域在应用于地方规模食品环境研究时存在的挑战和机遇。我们进一步探讨了通常用于食品环境高规模地理空间数据分析的商业可用业务 (CAB) 数据库的地理空间数据质量评估和质量控制 (QA/QC) 因素。与所有食物来源的物理位置相关的因素，例如杂货店和农贸市场以及个性化车辆交通（道路）评级最高。它们比与土地覆盖、公用设施和分区相关的错误更重要，这些错误在中低规模（国家级）分析中更为重要。在对数据质量的各个维度进行排名时，主题专家发现位置准确性和属性准确性在数据开发中最为重要。但是，与时间准确性（数据年龄）相关的错误在 CAB 数据库中的错误数量最多。这种分歧是该项目的推动力，并进一步解决了概念和实际地理空间数据开发政策和程序之间的挑战。
在机器人情节长期记忆中忘记
摘要 - 人工认知体系结构传统上依靠复杂的记忆模型来编码，存储和检索信息。但是，将所有数据从工作记忆（WM）转移到长期内存（LTM）的常规实践导致高度数据量和有效的信息处理和访问的挑战。确定在机器人LTM中保留或丢弃的信息尤其具有挑战性，因为缺乏有关未来数据利用的知识。从人类忘记本文中汲取灵感，并评估只有在遇到新信息时，才能在机器人的LTM中巩固新颖的遗忘技术。所提出的方法结合了在数据传输到机器人LTM期间的快速过滤，而较慢，更精确的遗忘机制，这些机制会定期评估LTM内部的离线数据删除。我们比较了不同的机制，利用指标，例如数据相似性，数据年龄和合并频率。通过比较两个ARMAR机器人在其LTM中搜索过去的对象位置中以情节为中心的自我图像和机器人状态数据中搜索过去对象位置的任务，可以评估忘记技术的功效。实验结果表明，我们的遗忘技术大大降低了机器人LTM的空间要求，同时保持其成功执行依靠LTM信息的任务的能力。值得注意的是，基于相似性的遗忘方法的表现优于基于频率和时间的方法。与使用单个遗忘策略相比，基于在线频率的，基于在线相似性，基于离线相似性和基于时间的衰减方法的组合显示出卓越的性能。