XiaoMi-AI文件搜索系统
World File Search System检测性能
通过二进制残留神经网络合奏有效的布局热点检测
摘要 - 在物理验证流中，layout热点检测非常重要。深度神经网络模型已应用于热点检测并取得了巨大的成功。布局可以视为二进制图像。因此，二进制的neu-lal网络（BNN）可以适合热点检测问题。在本文中，我们提出了一个基于BNN的新深度学习档案，以加快热点检测中的神经网络。一个新的二进制残留神经网络经过精心设计用于热点检测。ICCAD 2012和2019基准的实验结果表明，我们的体系结构在检测准确性方面优于先前的热点探测器，并且比最佳基于深度学习的解决方案具有8倍的速度。由于基于BNN的模型在计算上是相当有效的，因此可以通过采用集合学习方法来实现良好的权衡。实验结果表明，集成模型比原始速度损失具有更好的热点检测性能。
使用卷积神经网络的火山口检测强大的照明和塑造变化*
作为有关月球和火星的大量数据，勘探任务正在转移到下一步，其目的是确定目标的精确着陆。精确着陆的有前途的技术是地形相对导航（TRN），该技术从地标图像和地图中检测到了地标。火山口检测是TRN的重要技术之一。检测陨石坑的一个问题是由于不融合条件而导致的陨石坑的明显变化。另一个问题是由于火山口降解而导致的形状变化。我们提出了一种基于组合支持向量机（SVM）和卷积神经网络（CNN）的新型火山口检测方法，以使检测性能稳健，以防止明显变化。在线性SVM中，学习了火山口图像数据集的梯度图像。然后使用学习的分类器来计算区域建议的物体得分。接下来，CNN识别提出区域的图像是否是火山口。我们的结果表明，所提出的方法可以在各种照明和形状条件下检测陨石坑，并且比传统的陨石坑具有更好的平均精度。
detdiffusion：增强数据生成和感知的生成和感知模型
当前的感知模型在很大程度上取决于资源密集型数据集，从而促使需要创新。通过从各种注释中构造图像输入来利用综合数据的最新进展，证明对下游任务有益。虽然先前的方法已单独解决了生成和感知模型，但首次降低了两者的谐调，从而解决了为感知模型生成有效数据的挑战。通过感知模型增强图像发生，我们引入了感知感知损失（P.A.损失）通过细分，提高质量和可控性。为了提高特定感知模型的性能，我们的方法通过提取和利用感知意识来定制数据（P.A.attr）在一代中。对象检测任务的实验结果突出显示了detDiffusion的统治性能，建立了布局引导的新最新作品。此外，降低的图像合成可以有效地增强训练数据，从而显着增强下游检测性能。
合作式 GNSS 认证
用户接收器接收到的信号的真实性，这些决策的汇总导致关于 GNSS 位置的可靠性或真实性的最终决策。协作方法在成本、可用性、用户容量和稳健性方面优于集中式客户端-服务器方法。但是，应该意识到每个临时交叉检查接收器的可靠性都低于专用参考接收器。首先，大众市场的 GNSS 接收器，特别是嵌入在智能手机中的接收器，在天线和信号调理电路方面可能不如专用的大地测量级接收器。其次，交叉检查接收器可能“不诚实”，因此其认证决定是伪造的，甚至总是与诚实决定相反。此外，交叉检查接收器也可能被欺骗，有时如果与用户接收器距离不够远，也可能被同一个欺骗者欺骗。我们将在本文中进一步证明，我们提出的方法实际上对这些因素具有很强的鲁棒性。事实上，欺骗检测性能随着数量的增加而呈指数级提高。
机场监视雷达 (ASR-9) 风切变处理器
1991 年 7 月和 8 月，在奥兰多国际机场对联邦航空管理局机场监视雷达 (ASR-9) 上附加的风切变处理器 (WSP) 进行了运行测试。通过测试，可以定量评估 WSP 的信号处理和风切变检测算法，并让空中交通管制员及其主管反馈系统的优势和劣势。测试期间的雷暴活动非常激烈；在 53 个测试日中，有 40 天低空风切变影响了跑道或进近/离场走廊。与之前对美国东南部 WSP 的评估一样，微下击暴流检测性能非常可靠。测试期间影响奥兰多机场的强微下击暴流中有 95% 以上被系统检测到。测试期间的阵风锋检测虽然在操作上有用，但考虑到 WSP 基本反射率和径向速度数据中阵风锋特征的质量，其可靠性并不如预期。随后开发的“机器智能”阵风锋算法显著提高了检测能力。操作测试的结果正在用于 WSP 的持续改进。
固体空气颗粒对激光雷达传感器干扰的建模
研究表明多波长激光雷达信号有显著影响。本研究的潜在收益是使用红外光谱域中的激光雷达波长来获取更可靠的气溶胶微物理特性。TG Phillips 等人将空气中颗粒对激光雷达传感器的影响分为四种 [12]。作者测试了三种激光雷达传感器，发现所有传感器在类似的测试条件下都表现出相同的行为。激光雷达对灰尘或雾等空气中颗粒的敏感性可能导致感知算法失败，例如自动驾驶汽车检测到假障碍物。Leo Stanislas 等人通过提出基于深度学习方法对激光雷达数据点中的空气中颗粒进行分类的方法来解决这个问题 [10]。总而言之，我们在文献中找到了涉及物理实验数据分析以及尘埃云产生的噪声过滤算法的出版物。在我们的研究中，我们正在分析虚拟测试工具中使用的模拟模型的行为，该模型可以预测极端天气下的检测性能和输出
使用随机森林算法早期检测糖尿病
抽象糖尿病是最慢性和致命的疾病之一。根据世界卫生组织的数据，全世界大约有4.22亿成年人生活在糖尿病中，由于各种因素，预计将来该数字将继续增加。通过专注于提高准确性，已经进行了许多研究以早期检测糖尿病。但是，糖尿病预测中的一个大问题是选择正确的分类算法。本研究旨在通过实施随机森林算法模型来提高糖尿病早期检测的准确性。这项研究是通过数据收集，数据预处理，拆分数据，建模和评估的阶段进行的。这项研究使用了PIMA印度糖尿病数据集。结果表明，使用随机森林算法的糖尿病早期检测模型的准确度为87％。本研究表明，通过使用随机的森林算法模型，可以改善糖尿病的早期检测性能。但是，仍然有优化此性能的余地，建议进一步研究以进行功能选择，数据平衡，更复杂的模型构建以及探索更大的数据。
优雅降级：机载监视雷达...
基于有源电子扫描天线 (AESA) 的雷达具有“优雅降级”这一理想特性。此类雷达使用小型化发射-接收 (TR) 模块，少数模块故障不会导致任务失败。例如，在基于 AESA 的地面 MTI 雷达中，少数模块故障不会影响阵列性能。在这种情况下，静态地面杂波以零频率为中心，没有与运动相关的多普勒频移。然而，在机载 AESA 雷达中，由于平台运动和杂波通过天线旁瓣泄漏，地面杂波具有与角度相关的多普勒频率。因此，天线旁瓣电平决定了要针对其执行目标检测的旁瓣杂波。检测性能受信号与干扰加噪声比 (SINR) 控制。对于机载监视雷达，TR 模块的随机和系统故障及其对 SINR 的影响是特征化的。结果表明，单通道处理不能有效地提供平滑降级功能，因为故障导致的 SINR 损失很大。但是，与随机故障相比，系统故障对 SINR 损失的影响较小。还提出了一种有效的阵列馈电方案。
抗噪模态参数识别与损伤...
摘要目的——地面振动测试对于飞机设计和认证至关重要。快速松弛矢量拟合 (FRVF) 和 Loewner 框架 (LF) 最近扩展到机械系统中的模态参数提取，以解决时间和频域技术的计算挑战，用于航空相关结构的损伤检测。设计/方法/方法——FRVF 和 LF 应用于数值数据集以评估噪声稳健性和损伤检测性能。还评估了计算效率。此外，它们还应用于一种新的高纵横比机翼损伤检测基准，将其性能与最先进的方法 N4SID 进行比较。结果——FRVF 和 LF 可有效检测结构变化；LF 表现出更好的噪声稳健性，而 FRVF 的计算效率更高。实际意义——建议在有噪声的测量中使用 LF。原创性/价值——据作者所知，这是首次应用 LF 和 FRVF 提取航空相关结构中的模态参数的研究。此外，还介绍了一种新型高纵横比机翼损伤检测基准。
自主驾驶中的对象检测技术
摘要：本评论全面研究了自动驾驶的对象检测方法（OD）方法的最新进展，从而强调了它们在确保复杂环境中自动驾驶汽车的安全性和效率方面的关键作用。它讨论了各种方法，包括机器学习（ML）技术的应用，以及Lidar和Radar等传感器的集成，从而增强了系统的准确识别和跟踪附近物体的能力，例如行人，车辆，车辆和障碍，并实时实时。审查综合了从多项研究中的发现，展示了诸如对抗性学习技术的创新，以改善检测性能，尤其是在不良条件下。此外，它解决了重大挑战，包括环境变异性，计算效率以及对抗性攻击所带来的威胁，这可能会损害检测准确性。审查强调了开发更健壮和自适应模型的重要性，并概述了未来的方向，例如增强传感器融合方法，优化模型体系结构以及采用开放世界学习来为意外情况做准备，最终旨在提高自主驱动技术的可靠性和安全性。