XiaoMi-AI文件搜索系统
World File Search System模型误差
飞机起飞重量的统计建模
摘要 — 飞机的起飞重量 (TOW) 是飞机性能的一个重要方面，会影响从飞行轨迹到燃油消耗的大量特性。由于其依赖于乘客和货物载重因素以及运营策略等因素，特定航班的 TOW 通常不提供给运营航空公司以外的实体。上述观察结果促使开发准确的 TOW 估计值，可用于燃油消耗估计或轨迹预测。本文提出了一种基于高斯过程回归 (GPR) 的统计方法，使用从起飞地面滑行观测到的数据来确定 TOW 的平均估计值和相关的置信区间。选择预测变量时要同时考虑它们的易用性和底层飞机动力学。模型开发和验证是使用飞行数据记录器档案进行的，该档案还提供地面真实数据。发现所提出的模型的平均 TOW 误差为 3%，平均适用于八种不同类型的飞机，比飞机噪声和性能 (ANP) 数据库中的模型误差小近 50%。与仅提供 TOW 点估计的 ANP 数据库相比，GPR 模型通过提供概率分布来量化估计中的不确定性。最后，开发的模型用于估计飞机上升过程中的燃油流量。GPR 模型估计的 TOW 用作燃油流量估计的输入。与确定性 ANP 模型或不使用 TOW 作为明确输入的模型相比，所提出的 TOW 统计模型能够更好地量化燃油流量的不确定性。索引术语 — 统计建模；起飞重量 (TOW)；燃油流量；飞行数据记录器 (FDR)；起飞地面滑行
人类计算机互动的深度学习
研究。数据集应代表各种用户和不同的上下文，以捕获各种变化。之后，我们需要准备数据并训练模型。训练将重复一百甚至一千次，以找到最合适的模型结构和超参数，这些模型结构和超级参数会导致使用试用和误差或网格搜索的测试集中最低模型误差。由于成千上万的迭代可能导致对测试集的过度拟合，因此必须使用先前看不见的数据评估模型的推广性，以评估所选模型和超参数是否已过拟合到验证集或推广到看不见的数据。深度学习社区在开发模型时通常会使用训练验证测试分解。在训练集和验证集用于迭代模型开发时，测试集用于一次性验证模型。但是，传统的机器学习评估指标（例如，准确性，精度，召回和错误率，以描述模型对看不见的数据的推广程度）并不描述系统的可用性。UCD过程的主要重点是实现高可用性。而不是软件指标，例如推理错误对可用性，模型稳定性和研究系统的有用性等因素。这可能涉及基本问题，例如对给定用例感知的可用性以及影响力的影响程度以及随着时间的推移估计的噪音多么嘈杂。在互动中应用深度学习技术由于系统使用了多种用户，在不同的情况下，验证还需要评估该模型是否可以推广到数据收集研究中使用的任务。虽然先前的工作认为准确性超过80％以至于足够[6]，但充分性取决于用例，只能通过用户反馈来评估，例如，该动作的后果是否可恢复以及后果对用户的影响有多大。总而言之，一个深度学习的典型过程描述了开发和评估黑盒模型的迭代性质。但是，深度学习开发过程并未考虑模型的可用性以及最终系统的可用性。
面向线状柔性物体的机器人操作研究进展与展望
此类任务同样可以先离线学习状态转移预测模 型再使用 MPC 计算控制输入 [28-29] ，或直接使用强 化学习方法 [68-69] ，但需要大量训练数据且泛化性较 差。在准静态的局部形变控制中，更常用的方法是 在线估计局部线性模型。该模型假设线状柔性体形 状变化速度与机器人末端运动速度在局部由一个雅 可比矩阵 JJJ 线性地联系起来，即 ˙ xxx ( t ) = JJJ ( t ) ˙ rrr ( t ) ，其 中 ˙ xxx 为柔性体形变速度， ˙ rrr 为机器人末端运动速度。 由于使用高频率的闭环反馈来补偿模型误差，因此 完成任务不需要非常精确的雅可比矩阵。 Berenson 等 [70-71] 提出了刚度衰减（ diminishing rigidity ）的概 念，即离抓取点越远的位置与抓取点之间呈现越弱 的刚性关系，并据此给出了雅可比矩阵的近似数学 表示。此外，常用的方法是根据实时操作数据在线 估计雅可比矩阵，即基于少量实际操作中实时收集 的局部运动数据 ˙ xxx 和 ˙ rrr ，使用 Broyden 更新规则 [72] 、 梯度下降法 [73] 、（加权）最小二乘法 [33-34,74] 或卡尔 曼滤波 [75] 等方法在线地对雅可比矩阵进行估计。 该模型的线性形式给在线估计提供了便利。然而， 雅可比矩阵的值与柔性体形状相关，因此在操作 过程中具有时变性，这使得在线更新结果具有滞 后性，即利用过往数据更新雅可比矩阵后，柔性体 已经移动至新的形状，而新形状对应的雅可比矩阵 与过往数据可能并不一致。同时，完整估计雅可比 矩阵的全部元素需要机器人在所有自由度上的运 动数据，这在实际操作过程中难以实现，为此一些 工作提出根据数据的奇异值进行选择性更新或加 权更新 [74] 。此外，此类方法需要雅可比矩阵的初 值，一般在操作前控制机器人沿所有自由度依次运 动，收集数据估计初始位置的雅可比矩阵。受上述 问题影响，在线估计方法往往仅适用于局部小形变 的定点控制，难以用于长距离大形变的轨迹跟踪。 Yu 等 [31] 提出 ˙ xxx = JJJ ( xxx , rrr ) ˙ rrr 的模型形式，其中 JJJ ( · ) 为 当前状态至雅可比矩阵的非线性映射，待估计参数 为时不变形式。基于该模型，该方法将离线学习与 在线更新无缝结合，实现了稳定、平滑的大变形控 制。 Yang 等 [76-77] 使用模态分析方法建立柔性体模
一种自主互联网光谱传感系统，用于葡萄成熟的原位光学监测：设计，表征和操作
目前的工作提出了一种新颖的自动互联网（IoT）光谱传感系统，用于通过反射信号对葡萄成熟的现场光学监测。为此，开发，表征和操作在实验室和现场条件下量身定制的硬件。它包括三个互补模块：光学模块，主机模块和控制器模块。光学模块包括四个光电探测器和四个LED，最大发射波长为530、630、690和730 nm，它们与葡萄浆果直接接触。主机模块包括LED驱动程序和模拟前端，以获取信号。最后，控制器模块提供了对系统的完全控制，并确保数据存储，电源管理和连接性。该系统能够通过线性响应（R 2> 998）在4 - 100％的范围内测量反射率，并且在不同的光学单元之间具有很高的可重复性。这种设计使从红色收集反射信号成为可能（cv。Touriga Nacional）和白色（cv。Loureiro）实验室和现场环境中的葡萄品种。在整个成熟期（大约两个月）中，这种光学指纹（由不同的反射强度组成）与葡萄浆果质量参数的演变之间的关系进行了分析和讨论。实验室数据用于建立一个基于部分最小二乘正方形的多元模型，以预测两个品种中总可溶性固体（TSS）含量。ir）甚至荧光。模型误差（交叉验证中的均方根误差）分别为2.31和0.73°，Touriga Nacional和Loureiro分别为Brix。在系统实时预测TSS的潜力的说明性示例中，将该模型应用于在现场获取的数据。监测期内收集的现场观察结果还提供了有关光传感器无人值守操作期间可能发生的潜在问题的相关信息。此外，所提出的光学模块的模块化体系结构使使用不同的LED和光电视图以及光学过滤器的组装成为可能。这创造了使用相同原理在不同光谱范围内测量反射率的可能性（例如，本文所述的结果为这项技术的未来发展铺平了工作，其中包括基于反射数据的最相关的葡萄成熟参数的预测模型，以及作为无线传感器网络的一部分的操作。
温室气体排放及其在过去三十年中的趋势
摘要。《巴黎协定》（PA）的一个关键目标是到2050年全球范围内净零温室气体（GHG）排放，这需要所有国家的缓解工作。非洲迅速增长的人口和国内生产总值（GDP）使该大陆对于温室气体排放趋势很重要。在本文中，我们研究了非洲二氧化碳（CO 2），甲烷（CH 4）和一氧化二氮（N 2 O）的排放，超过30年（1990年至2018年）。我们比较自下而上的方法（BU）方法，包括关于气候变化的联合国公约框架（UNFCCC）国家库存，FAO，PRIMAP-HIST，基于过程的基于过程的生态系统模型，用于土地利用中的CO 2流量，土地使用变化和林业（Lulucf）部门和全球大气逆转。对于反转，我们应用了不同的方法将人为CH 4排放分离。BU库存表明，在2010年至2018年的十年中，不到10个国家 /地区占非洲化石公司2排放量的75％以上。平均为1373吨Co 2年-1，非洲化石CO 2的总数在2010 - 2018年中仅占全球化石排放量的4％。但是，这些排放量从1990 - 1999年至2000 - 2009年增长了34％，从2000- 2009年到2010- 2018年增长了 + 31％，在30年内代表了一倍以上。该增长率比化石CO 2排放的全球增长率快2倍以上。CH 4的人为排放量从1990 - 1999年至2000 - 2009年增长了5％，从2000- 2009年至2010- 2018年增长了14.8％。N 2 O排放量从1990 - 1999年至2000- 2009年增长了19.5％，从2000- 2009年到2010- 2018年增长了20.8％。（2022）。使用UNFCCC报告（包括土地使用部门）的估计平均值并从异常值进行更正时，非洲是2622 3239 2186 MT CO 2 EQ的温室气体的平均来源。yr -1来自所有BU估计值（下标和上标表示最小–max范围的不确定性）和 + 2637 5873 1761 MT CO 2等级。yr-1在2001年至2017年的重叠期内从自上而下的方法（TD）方法。尽管平均值是一致的，但TD估计值的范围大于BU估计值之一，这表明稀疏的大气观测值和传输模型误差不允许我们使用反转来减少BU估计中的不确定性。不确定性的主要来源来自Lulucf领域的CO 2频道，为此，跨反转的分布大于50％，尤其是在中非。根据格拉西等人的方法，使用最新的国家来源，使用少数国家的大型水槽纠正到更合理的价值，这取决于国家联合国通信通信的估计明显不同。基于卫星检索和表面站网络的反转中CH 4排放的中值在大陆尺度上彼此一致。倒置合奏还提供了与诸如PRIMAP-HIST这样的BU库存的人为CH 4排放的一致估计。对于n 2 o，反演在系统上显示出比清单更高的排放，平均比primap-hist高约4.5倍，因为天然n 2 o