XiaoMi-AI文件搜索系统
World File Search System树结构
使用 XFlow 对分离流进行工业基准模拟
摘要我们使用商用格子波尔兹曼求解器 XFlow 模拟湍流分离流。使用传统的计算流体动力学 (CFD) 软件，工业问题需要耗时的网格划分过程。由于其基于粒子的方法，XFlow 中的网格划分复杂性降低，允许使用八叉树结构轻松解决复杂几何形状。然而，这种网格划分的便利性引发了计算分离流的准确性问题。将针对不同的工业基准展示 XFlow 的性能并与实验数据进行比较。我们选择了四个工业案例：首先，Re = 8 时的 Goldschmied Body 10。9 · 10 4。第二，HLWP-2（第 2 届高升力预测研讨会）19 几何，代表 Re = 1 时的整架飞机。35 · 10 6 和 Re = 15 。1 · 10 6 。第三，NACA0012 15 在 Re = 0 时的动态失速。98 · 10 6，频率降低，k = 0 。1.最后，使用位于 Re / L = 4 时前缘的结节来改善机翼失速的参数研究。66 · 10 6，参考长度 L 。
BT-CNN：一种利用 MRI 成像对脑肿瘤进行分类的平衡二叉树架构
深度学习是当今世界临床诊断和治疗中非常重要的技术。卷积神经网络 (CNN) 是深度学习的最新发展，用于计算机视觉。我们的医学研究重点是脑肿瘤的识别。为了提高脑肿瘤分类性能，提出了一种以二叉树结构为框架的平衡二叉树 CNN (BT-CNN)。它有两个不同的模块 - 卷积和深度可分离卷积组。使用卷积组可实现更短的时间和更高的内存，而深度可分离卷积组则相反。这种平衡二叉树启发的 CNN 平衡了两个组以在时间和空间方面实现最佳性能。在公共数据集上对所提出的模型以及 CNN-KNN 等最先进的模型以及 Musallam 等人、Saikat 等人和 Amin 等人提出的模型进行了实验。在将数据输入模型之前，我们使用 CLAHE、去噪、裁剪和缩放对图像进行预处理。预处理后的数据集根据 5 倍交叉验证分为训练数据集和测试数据集。对所提出的模型进行训练，并将其性能与 CNN-KNN 等最新模型以及 Musallam 等人、Saikat 等人和 Amin 等人提出的模型进行比较。与其他模型相比，所提出的模型报告的平均训练准确率为 99.61%。所提出的模型实现了 96.06% 的测试准确率，而其他模型分别实现了 68.86%、85.8%、86.88% 和 90.41%。此外，所提出的模型在所有折叠中获得了训练和测试准确率的最低标准差，使其对于数据集不变。
进行性脑脑脑疏松率偶然和遗传形式的肌萎缩性侧面硬化症
当前的大多数动作识别算法都是基于堆叠多个卷积，汇总和完全连接层的深网。虽然在文献中广泛研究了卷积和完全连接的操作，但处理动作识别的合并操作的设计，在行动类别中具有不同的时间颗粒状来源，但受到相对较少的关注，并且主要依赖于最大值或平均操作的解决方案。后者显然无能为力，无法完全表现出动作类别的实际时间粒度，从而构成了分类的瓶颈。在本文中，我们引入了一种新型的分层池设计，该设计在动作识别中捕获了不同级别的时间粒度。我们的设计原理是粗到精细的，并使用树结构网络实现；当我们自上而下时，当我们穿越该网络时，汇总操作的不变性越来越少，但及时坚决且本地化。通过解决一个约束的最小化问题来获得该网络中最适合给定的基础真相的操作组合（最适合给定的地面真相），该问题的解决方案对应于捕获全球层次层次合并过程中每个级别（及其时间粒度）贡献的权重分布。除了有原则性和扎根，提出的分层池也是视频长度和分辨率不可知的。对UCF-101，HMDB-51和JHMDB-21数据库进行挑战的广泛实验证实了所有这些陈述。关键字。多重聚合设计2流网络行动cop-nition
使用大语言模型
在复杂环境中的机器人导航仍然是一项关键的研究挑战。值得注意的是，由于四足机器人的地形适应性和移动敏捷性，四足动导航已取得了重大进展。但是，传统的导航任务将机器人限制在预定义的自由空间中，并专注于避免障碍物，从而限制了它们在更具挑战性的环境中的适用性，例如缺乏可行的目标途径的场景。我们提出了一种交互式导航方法，该方法利用敏捷四足动物的运动来适应各种地形并与环境互动，更改工作区以应对开放且复杂的环境中挑战性的导航任务。我们提出了一棵原始树，用于使用大语言模型（LLM）的高级任务计划，从而促进了长期任务的有效推理和任务分解。树结构允许添加动态节点和修剪，从而对新观测值进行自适应响应，并在导航过程中增强鲁棒性和实时性能。对于低级运动计划，我们采用强化学习来预先培训技能库，其中包含复杂的运动和互动行为，以执行任务。此外，我们引入了一种基于认知的重型方法，该方法由顾问和树木师组成，以应对实时自我的观察。该提出的方法已在多个模拟场景中得到了验证，该方法在不同的情况下阐明了其在各种情况下的有效性和在部分可观察的条件下的实时适应性。
心脏疾病诊断 - 使用 - 诊断 - 与...
摘要：治疗医疗数据的进步每天都会显着增长。准确的数据分类模型可以帮助确定患者疾病并诊断医疗领域的疾病严重程度，从而减轻医生的治疗负担。尽管如此，医疗数据分析列出了由于不确定性，各种测量和数据的高维度之间的相关性而引起的挑战。这些挑战负担统计分类模型。机器学习（ML）和数据挖掘方法已被证明在近年来有效地了解了这些方面的重要性。这项研究采用了名为决策树（DT）的众所周知的监督学习分类模型。dt是一种典型的树结构，由中央节点，连接的分支以及内部和末端节点组成。在每个节点中，我们都必须做出决定，例如基于规则的系统。这种类型的模型可帮助研究人员和医生更好地诊断疾病。为了降低所提出的DT的复杂性，我们使用特征选择（FS）方法探索了更简单的诊断模型，其因素较少。此概念将有助于减少数据收集阶段。在开发的DT和其他各种ML模型之间进行了比较分析，例如Logistic回归（LR），支持向量机（SVM）和Gaussian Naive Bayes（GNB），以证明已开发模型的有效性。DT模型的结果建立了93.78％的明显精度，ROC值为0.94，比其他算法比其他算法。开发的DT模型提供了有希望的结果，并可以帮助诊断心脏病。
crispys：使用CRISPR系统编辑基因家族的多个成员的最佳SGRNA设计
近年来CRISPR - CAS9系统的开发使真核基因组编辑，特别是用于反向遗传学的基因敲除，这是一个简单有效的任务。该系统通过与之基础对的编程单个指定RNA（SGRNA）有关，将其引导到基因组目标位点，随后导致特定于位点特定的修改。然而，真核基因组中的许多基因家族表现出部分重叠的功能，因此，一个基因的敲除可能被另一个基因的功能隐藏。在这种情况下，CRISPR – Cas9系统的特异性降低，这可能会导致与SGRNA不相同的基因组位点的修改，可以同时敲除多个同源基因的同时敲除。我们介绍了Crispys，这是一种用于SGRNA最佳设计的算法，该算法可能针对给定基因家族的多个成员。crispys首先将输入序列中的所有潜在目标簇列为层次树结构，该结构指定了它们之间的相似性。然后，通过在需要的地方嵌入不匹配的情况下，在树的内部节点中提出了SGRNA，以使编辑诱导目标的效率最大化。我们建议使用几种设计最佳单个SGRNA的方法，以及一种计算实验平台允许多个以上的情况下的最佳SGRNA集合的方法。后者可以选择说明基因家庭成员之间的同源关系。我们进一步表明，通过在Solanum lycopersicum基因组中的所有基因家族中，通过在计算机检查中，CRISPYS优于基于比对的技术。©2018 Elsevier Ltd.保留所有权利。
利用人工智能进行发动机燃烧系统建模和燃烧控制
收集了净扭矩和NOx排放量等性能数据。使用基于 APRBS 和 Chirp 信号的输入信号，我们获得了大约 68.9 小时的训练数据和大约 8.3 小时的模型验证数据。此外，为了验证目的，我们还获取了日本目前用于乘用车认证测试的WLTC全球统一测试循环下的30分钟模拟驾驶数据。请注意，用于获取验证数据的 APRBS 和 Chirp 信号不包含在用于获取训练数据的输入信号中。 VDE模型中数据采样周期为0.01秒，数值实验获取的数据点数如表2所示。 2.2 AI引擎模型构建及性能评估 本研究在构建重现VDE特征的AI引擎模型时，采用了神经网络这种机器学习算法，也是一种模仿人类神经系统的数学模型。 AI发动机模型被设想用作第3章中描述的燃烧控制器的状态预测模型。在这里，我们构建了一个模型来预测燃烧控制器控制的三个目标：燃烧重心位置、燃烧周期和净扭矩。表3给出了AI引擎模型的输入和输出参数列表。对于输入参数，事先使用XGBoost（eXtreme Gradient Boosting）9）构建预测模型，并利用SHAP（SHapley Additive exPla-nations）10）进行重要性分析，选取对预测目标影响力较大的参数。此外，对于输入参数，进气压力和进气氧浓度是使用过去四秒的时间序列数据来测量的，同时考虑到瞬态运行期间的响应延迟。 在建立模型时，神经网络中超参数的设置对准确率有很大的影响。因此，在本研究中，我们使用树结构 Parzen 估计器 (TPE)11) 来优化隐藏层的数量和神经元的数量。在 TPE 中，我们设置了最小化评估函数的超参数。
通过从人类反馈中进行强化学习来学习飞机操纵行为的可解释模型
高速喷气式飞机的飞行员需要经过多年的高级训练才能获得出色的操控能力。如果能够将飞行员和其他领域专家的技能、知识和偏好提炼成一个能够捕捉真实操控行为的软件模型，那么这种方法将具有重大的实用价值。这种模型的可扩展性将使其可用于战略规划演习、培训以及其他软件系统的开发和测试。这将使人类驾驶专业知识这一稀缺资源获得更大的回报。这一愿景面临着实际挑战，即准确地获取所需知识以将其编入自动化系统。在许多需要直觉决策和快速运动控制的情况下，专家们一看到良好的操控性就知道，但并不总是能用形式或语言术语表达原因 [1]。∗ 显性知识获取策略也可能非常耗时，任何依赖专家演示的方法也是如此。这促使人们采用一种使用稀疏数据源的基于学习的方法。鉴于透明度对于安全至关重要的航空应用的重要性 [2、3]，任何此类方法都必须学习一个可解释（即人类可读和可理解）的专家知识模型，以促进信任和验证。本文提出了一种可能的解决方案。我们使用人工智能强化学习 (RL) 代理来生成模拟飞行轨迹数据集，然后咨询专家以获得对这些轨迹的成对偏好，表明哪一个是针对给定感兴趣任务的首选解决方案。众所周知，成对偏好引出具有稳健性和时效性，并为组合来自多个专家的数据提供了基础，而无需就共同的评分系统达成一致。然后，我们使用统计学习算法以基于规则的树结构形式构建收集到的偏好的可解释解释模型。反过来，该树被用作奖励函数来训练代理生成更高质量的轨迹，并迭代该过程直至收敛。最终结果是两个不同的输出，它们可以形成未来规划、培训和开发软件的宝贵组成部分：
使用ROS2 -trepo
在工业用例中，重型移动机器通常用于农业和移动地球。自动化这些机器可能是一项复杂的任务，鉴于用例，自动化水平和环境，可以引入许多不同的建筑问题。在设计自主单元时，可以遵循许多导航和控制范例，例如反应性，审议，基于行为和混合动力。本文探讨了在托盘拾取的用例中实现混合控制体系结构。目的是识别导航系统的不同组件，并以分层体系结构的形式将其分为混合导航系统，该架构可以采用决策层进行广义任务部署。决策可以与许多工具一起使用，例如Petri-Nets和有限的州机器。最近几年从游戏行业部署了一种称为行为树的事物，试图通过利用最小的过渡规则和树结构中的节点之间的状态来提高开发系统组件的可重复性。论文的目的是使用ROS2作为中间件解决方案部署系统，以通过ROS2平台应用程序分发馈回馈电和命令。的目的还是在ROS2中不同解决方案的大生态系统中识别算法软件包和框架，这可以使部署自动企业重型移动机系统更快，更容易。机器控制器暴露了行为树节点可以利用的接口来实现动作的基础。与分层体系结构设计，ROS2和行为树结合使用，可以识别机器的原语和动作，并将它们绑定到机器的功能上，以便在行为树中使用简单的行为使用更复杂的任务部署（例如托盘拾取），并具有分层的体系结构。最后，在论文中，对实现系统体系结构中的成功托盘进行关键组件的性能进行了评估。由于该应用程序主要取决于路径以下的性能，定位，状态估计和操纵器轨迹跟踪，因此它们正在评估中。最后，鉴于Tar-Get Machine中的分布式控制系统中的体系结构和系统部署，在托盘采摘系统中进行了成功的尝试。但是，鉴于系统中的速率主题较高，RCLPY实现表现出CPU性能的性能瓶颈和差可扩展性。
自学计算机故障排除...
自学式计算机故障排除专家系统 Amanuel Ayde Ergado 吉马大学信息科学系，埃塞俄比亚吉马。摘要 在计算机领域，专业人员数量有限，但寻找计算机专业人员的机构数量却很多。本研究的目的是开发自学式专家系统，该系统为信息和通信技术技术人员和计算机用户提供有关计算机系统中出现的问题的故障排除信息，以便有效解决问题，高效地利用计算机和计算机相关资源。使用半结构化访谈技术、观察和文档分析获取领域知识。有目的地选择了领域专家来回答访谈问题。专家系统的概念模型是使用决策树结构设计的，该结构易于理解和解释计算机故障排除中涉及的原因。基于概念模型，使用“if – then”规则开发了专家系统。开发的系统使用后向链接来推断规则并提供适当的建议。根据系统评估者的说法，83.6％的用户对原型感到满意。关键词：专家系统，计算机故障排除，自学习，基于知识的系统 1。简介 计算机系统（硬件，软件和网络连接）不时出现问题并危及机构的功能。这些问题需要信息和通信技术（ICT）技术人员来解决。ICT技术人员遵循传统（手动）方式解决计算机问题，这需要很长时间和高成本才能找到解决方案。智能系统是人工智能的一个组成部分，它像人类专家一样工作，但不能取代人类专家。它支持人类专家做出决策，即它在各个方面都表现得与人类专家相同。有时可互换地用作基于知识的系统，是一种像人类专家一样做出决策的计算机软件 [1, 2]。智能系统优于传统编程语言的好处是它不依赖于代码，而是将数据存储在不同的位置，称为知识库。由于这个原因，智能系统不需要编程，因为领域知识会不时发生变化，或者从一个专家到另一个专家知识都会发生变化。本 SLCTES 旨在表明在现实情况下，智能系统应用于从医疗活动到智能决策目的的不同决策过程 [3]。这种自学习计算机故障排除专家系统 (SLCTES) 可帮助用户针对特定问题寻找具有特定答案的解决方案。