XiaoMi-AI文件搜索系统
World File Search System模型参考
监管环境下的人工智能：评估上市公司年度报告
深度学习模型参考多组带标签的训练数据，通过分析嵌入的语义信息来计算内容块与特定上市规则的相关性。带标签的数据被视为正例，其余内容块被视为负例。针对带标签的示例训练分类模型，输出条件概率 P（Y=相关丨内容块），其中不相关的元素块被赋予“0”分数，正确标记的相关块被赋予“1”。所有内容块都有自己的概率，然后按分数排序。
工程创新 - 钻石飞机
此处提供的所有规格、重量、表示、颜色、设备、材料使用和模型参考仅供说明之用，不具有法律约束力，可能会发生变化，并且不保证或保证其真实性或准确性。发动机和/或产品以及所选的可选设备（如果有）应完全符合与 Diamond Aircraft Group（包括姊妹公司 Austro Engine GmbH）的书面协议中定义和约定的特性和规格。引用的 Diamond Aircraft 商标归 Diamond Aircraft Industries GmbH 或其子公司所有。所有其他品牌、产品名称、公司名称、商标和服务标记均为其各自所有者的财产。保留所有权利。
生成式人工智能中的主动风险管理
生成模型参考其数据集来编造连贯的语言或图像，这是让早期用户感到震惊和着迷的原因之一。对于自然语言程序，虽然措辞和语法可能令人信服，但内容可能部分或完全不准确，或者有时在表示有效性陈述时是错误的。这种自然语言应用程序的风险之一是它可以完全自信地“产生”不准确的输出。它甚至可以发明不存在的参考和来源。该模型可以得到原谅，因为它的功能是生成看起来像人类制品的数字制品。然而，连贯的数据和有效数据不一定相同，这使得大型语言模型的最终用户不得不考虑一个雄辩的输出是否具有事实价值。
自适应控制容错自主载体... - SOAR
本文介绍了自适应控制方法在将自主固定翼飞机回收到航空母舰上的应用。所用的控制结构是模型参考自适应控制，在俯仰、滚转、偏航和空速轴上实施，以提供飞机的 6 个自由度控制。控制系统是为 NAVAIR ExJet 飞机模型开发的。控制器的结构包括一阶线性模型跟随器和自适应批评控制器。自适应用于增强自适应批评控制器产生的命令信号，使用以下方法：自适应偏差校正器、最佳控制修改和局部线性模型补偿。基于状态空间模型的逆控制器生成控制效应器命令。控制系统参考输入是旋转速率和空速，提供外环控制器来引导飞机到达着陆点。控制系统设计是通过使用基于标称误差、时间延迟裕度和着陆精度的指标来实现的。在标称、效应器故障和控制系统建模错误条件下评估控制系统。定义的控制系统能够在标称、故障和建模错误条件下提供所需的控制。
自适应控制的未来-Iris Publishers
这项研究提出了一个基于深度强化学习（DRL）的智能自适应控制框架。动态干扰场景下的比较实验表明，与传统的模型参考自适应控制（MRAC）相比，提出的框架将系统稳定时间降低了42％（*P*<0.01），并将控制精度提高1.8个数量级（RMSE：0.08 vs. 1.45）。通过将物理信息的神经网络（PINN）与元强化学习（Meta-RL）整合在一起，混合体系结构解决了常规方法的关键局限性，例如强大的模型依赖性和实时性能不足。在工业机器人臂轨迹跟踪和智能电网频率调节方案中得到验证，该方法的表现优于关键指标的传统方法（平均改进> 35％）。用于边缘计算的轻量级部署方案可在嵌入式设备上实现实时响应（<5ms），为复杂动态系统的智能控制提供了理论和技术基础。
时空信息融合在船舶辅助系统故障检测中的应用
传感器融合一直是数据分析及其应用的重点主题之一。个体传感信息通常用于揭示潜在的过程动态并识别其中的潜在变化。这些系统通常配备具有（可能）不同模态的多个传感器。这些问题表明需要融合分布式和异构信息，以便实时准确推断关键系统的状态。为此，本文开发并验证了分布式物理过程（例如，船上辅助系统）中的故障检测和分类方法。文献中提出了几种传感器融合方法来解决故障检测问题，包括线性和非线性滤波器、自适应模型参考方法和基于神经网络的估计方案。然而，据作者所知，这些技术尚未应用于船上系统，因为存在一些固有的困难，包括：（可能）信号的非平稳行为、过程动态的潜在非线性、输入输出和反馈相互作用、多模态数据的缩放和对齐以及乘性过程噪声。上述一些问题可以在一定程度上简化或通过更简单的解决方案来近似。例如线性和线性化建模和贝叶斯估计技术（例如扩展卡尔曼滤波和粒子滤波）[1][2]。研究人员还使用了软计算
双轴机载模糊 pid 跟踪控制器... - ijicic
摘要。本文提出了一种基于方位/仰角环跟踪控制器的新型模糊PID控制方案，以提高跟踪实时目标的精度。模糊PID控制器由三个模糊逻辑控制器和一个带模型参考自适应控制的PID控制器组成，其中PID控制器的三个参数的自适应增益由模糊逻辑规则进行微调。所提出的控制算法的隶属函数（MF）与一般算法不同，其中输入和输出的MF彼此不同，例如MF类型，MF数量和显示范围。将所提出的模糊PID控制方法的性能与普通PID控制算法进行了比较。仿真验证了模糊PID控制模型跟踪性能的有效性，该模型具有零超调、良好的瞬态性能和快速收敛跟踪能力。模糊PID跟踪控制算法可以提高系统整体性能，为深入研究基于机载光电稳定平台的控制系统奠定理论基础。关键词：模糊PID，跟踪控制器，优化方案，稳定平台
基于增强学习的数据驱动模型 - 引用自适应控制方法
摘要 - 模型引用自适应系统是指引导植物追踪所需参考轨迹的技术的共同体。通常采用基于Lyapunov，滑动表面和后退的理论的方法来建议自适应控制策略。所产生的解决方案通常是由参考模型的复杂性和派生的控制策略的复杂性来挑战。此外，控制策略对过程动力学和参考动力学模型的明确依赖性可能会导致面对不确定或未知动态的效率降低效率。此处为自主系统开发了一种模型 - 参考自适应解决方案，该解决方案解决了基于错误的结构的汉密尔顿 - 雅各比 - 贝尔曼方程。所提出的方法用整体的时间差方程描述了该过程，并使用积分加强学习机制解决了该过程。这是实时完成的，而无需知道或使用控制策略中的过程或参考模型的动态。采用一类飞机来验证拟议的技术。索引术语 - 模型参考控制，整体钟声方程，积分加强学习，自适应批评家
时空信息融合在船舶辅助系统故障检测中的应用
传感器融合一直是数据分析及其应用领域的焦点话题之一。个体传感信息通常用于揭示底层过程动态并识别其中的潜在变化。这些系统通常配备有（可能）不同模态的多个传感器。这些问题表明需要融合分布式和异构信息，以便实时准确推断关键系统的状态。为此，本文开发并验证了分布式物理过程（例如，船上辅助系统）中的故障检测和分类方法。文献中提出了几种传感器融合方法来解决故障检测问题，包括线性和非线性滤波器、自适应模型参考方法和基于神经网络的估计方案。然而，据作者所知，这些技术尚未应用于船载系统，因为存在一些固有的困难，包括：（可能）信号的非平稳行为、过程动态的潜在非线性、输入输出和反馈相互作用、多模态数据的缩放和对齐以及乘性过程噪声。上述一些问题可以在一定程度上简化或通过更简单的解决方案来近似。示例包括线性和线性化建模和贝叶斯估计技术（例如扩展卡尔曼滤波和粒子滤波）
时空信息融合在船舶辅助系统故障检测中的应用
传感器融合一直是数据分析及其应用的重点主题之一。个体传感信息通常用于揭示潜在的过程动态并识别其中的潜在变化。这些系统通常配备具有（可能）不同模态的多个传感器。这些问题表明需要融合分布式和异构信息，以便实时准确推断关键系统的状态。为此，本文开发并验证了分布式物理过程（例如，船上辅助系统）中的故障检测和分类方法。文献中提出了几种传感器融合方法来解决故障检测问题，包括线性和非线性滤波器、自适应模型参考方法和基于神经网络的估计方案。然而，据作者所知，这些技术尚未应用于船上系统，因为存在一些固有的困难，包括：（可能）信号的非平稳行为、过程动态的潜在非线性、输入输出和反馈相互作用、多模态数据的缩放和对齐以及乘性过程噪声。上述一些问题可以在一定程度上简化或通过更简单的解决方案来近似。例如线性和线性化建模和贝叶斯估计技术（例如扩展卡尔曼滤波和粒子滤波）[1][2]。研究人员还使用了软计算