XiaoMi-AI文件搜索系统
World File Search System比较研究
基于SWIN的增强遥感图像分类的比较研究
遥感是通过技术设备获取有关所需位置的信息的过程，我们将我们从一定距离放置在选定位置，并在空间，光谱，辐射测量和时间分辨率中分析，显示和监视它，并通过任何距离进行测量，而无需进行任何距离[1]。遥感用于制图，水文学，地质，林业，农业，国防，安全和空间的领域。有具有数据集的平台，例如前哨，Landsat，Maxar，Planet，UC Merced，EuroSat，patternnet，Spacenet和Google Earth Engine。在图像处理和数据挖掘技术中进行了改进，以解决提供大数据和分析数据[2]的问题，而SATLASPRETRAIN [3]数据集是已使用的大数据集之一。
传统与AI驱动方法的比较研究
本研究论文探讨了增强学习（RL）与数据分析的整合，并将其与传统方法进行对比。随着数据分析师在整个行业的决策过程中的作用变得越来越重要，因此对更复杂的工具和方法的需求已经增长。强化学习是机器学习的一部分，为通过试用和错误学习最佳策略来增强决策的有前途的途径。本文研究了强化学习的理论基础，其在数据分析中的应用，并将其有效性与传统方法进行了比较。我们通过讨论RL在数据分析中的未来含义以及进一步研究的潜力来得出结论。
对内部的生成AI模型的比较研究...
Shruti Langhe 1，Prasanna Kandekar 2计算机系，Savitribai Phule University摘要：能源的需求日益增加，因此必须使用非规定的能源来源。太阳是非传统的能源来源。常规太阳能电池板将太阳能转换为电能。塑料太阳能电池是使用有机电子产品的光伏类型的类型，可通过光伏效应来吸收光吸收和电荷传输，从而从阳光下产生电力。聚合物在室温下提供了溶液处理的优势，这是较便宜的，并且可以使用塑料。因此，如果将硅用聚合物纳米线代替，那么太阳能电池将更轻，最终成本降低。这些太阳能电池很薄，直径几微米，并从太阳辐射中清除所有光线。塑料太阳能电池技术基于共轭聚合物和分子。聚合物太阳能电池引起了极大的兴趣，因为它提供了过去几十年来具有环保，柔性，轻巧，低成本，高效太阳能电池的可能性。塑料太阳能电池在使用方面更有效和可行。本文的重点是塑料太阳能电池技术的开发和优化，特别是对传统硅太阳能电池的柔性，轻巧且具有成本效益的替代来源的潜力。本研究工作的重点是找到最佳的有机材料，以提高塑料太阳能电池的效率和稳定性，从共轭聚合物到小有机分子不等。一些主要目标是通过最先进的制造技术（例如滚动打印和逐层沉积）来改善电荷传输机制并优化设备的体系结构。另一个关键方面是该项目评估塑料太阳能电池的环境方面和生命周期，以确保环保生产过程。在高功率转换效率下实现了巨大的初步结果，并且耐用性得到了极大的提高，从便携式电子设备到建筑集成的光伏电动机的范围很广。因此，塑料太阳能电池的发现可能是可再生能源解决方案并克服世界日益增加的能源挑战的主要步骤。关键词：塑料太阳能电池，有机光伏，聚合物太阳能电池，柔性太阳能电池，可再生能源，可再生能源，可持续能源，能源效率，低成本产生，电子传输层。
新兴全球市场：五国比较研究
2005 年，世界新兴经济体的 GDP 占世界总 GDP 的 50% 以上（以购买力平价计算）。这意味着富裕国家（即美国、欧盟、日本）不再控制世界经济。当与数字技术的影响相结合时，这种持续的经济实力转移意味着印刷行业越来越关注新兴市场以寻求机会和利润。这项探索性研究重点关注五个最大的新兴市场：中国、印度、俄罗斯、巴西和墨西哥。研究包括两个阶段。第一阶段涉及收集每个新兴市场国家的公共和行业宏观和微观经济数据。第二阶段涉及采访每个国家的当地印刷专家。
基于条件的飞机机队维护计划优化模型比较研究
摘要：在考虑一组系统的健康预测的同时，在破坏性环境中对飞机机队进行基于条件的维护 (CBM) 调度是一个非常复杂的组合问题，鉴于健康预测中包含的不确定性，该问题变得更具挑战性。此类问题属于不确定条件下资源受限调度问题的大类，通常使用混合整数线性规划 (MILP) 公式来解决。虽然 MILP 框架非常有前景，但问题规模可以随着考虑的飞机数量和考虑的任务数量呈指数级增长，从而导致计算成本显着增加。人工智能的最新进展已经证明了深度强化学习 (DRL) 算法能够缓解这种维数灾难，因为一旦 DRL 代理经过训练，它就可以实现维护计划的实时优化。但是，不能保证最优性。文献中尚未讨论 MILP 和 DRL 公式在飞机机队维护调度问题中的比较优点。本研究是对这一研究空白的回应。我们对 MILP 和 DRL 调度模型进行了比较，这两个模型用于在破坏性环境中为不同规模的飞机机队的各种维护场景得出最佳维护计划，同时考虑健康预测和执行每项任务的可用资源。根据根据实际航空公司实践定义的四个规划目标来评估解决方案的质量。结果表明，DRL 方法在预测驱动任务的调度方面取得了更好的结果，并且需要更少的计算时间，而 MILP 模型可以产生更稳定的维护计划并减少维护地面时间。总体而言，该比较为将健康预测整合到航空公司维护实践中提供了宝贵的见解。
轴承故障检测与分类的决策树模型比较研究
轴承故障诊断对于减少故障、提高旋转机械的功能性和可靠性至关重要。由于振动信号是非线性和非平稳的，提取特征以进行降维和有效的故障检测具有挑战性。本研究旨在评估基于决策树的机器学习模型在轴承故障数据检测和分类中的性能。提出了一种将基于树的分类器与派生的统计特征相结合的机器学习方法，用于局部故障分类。通过时域分析从正常和故障振动信号中提取统计特征，以开发基于树的 AdaBoost (AD)、分类和回归树 (CART)、LogitBoost 树 (LBT) 和随机森林树 (RF) 模型。
基于实时仿真的微电网电池储能系统比较研究
分布式能源资源（尤其是太阳能和风能）在电力系统中的渗透率不断提高，但这些资源的间歇性会对电网造成干扰和不稳定。因此，将储能系统集成到电网中是提高电力系统可靠性和性能、确保电力平衡和满足消费者需求的最佳解决方案之一。不同的储能设备技术已被用于支持可再生能源资源的整合，并有助于提高电力操作系统在电网电力波动等关键情况下的管理效率。这项工作的主要目的是测试电池储能系统在微电网出现扰动时减少有功功率波动的有效性。此外，通过比较用于支持电网的不同电池技术的响应，进行了一项比较研究，以验证适合电力系统的电池技术，特别是在电力波动期间适合微电网能源管理的技术，同时，通过使用实时模拟来评估 BESS 的行为、可行性、性能和有效性。
摩洛哥和意大利两个创新集群的比较研究
摘要。本文属于欧洲项目“Cluster Development Med”（地平线 2020）的研究领域，重点关注可持续发展领域的创新和技术。作者建议进行一项比较研究，选择摩洛哥和意大利最具创新性的集群，并在它们之间进行比较。分析定义了两个被研究集群的弱点和优势，并涵盖了集群活动的三个维度，即所谓的“人力和物力资源、活动、流程和战略”。在本文中，我们首先从全球角度介绍摩洛哥集群、它们的历史和地理位置。作为第一个研究案例，我们主要关注“摩洛哥数字集群”（MNC）的局限性和弱点。因此，在第二个案例研究中，我们介绍了一个集群，它是意大利能源领域卓越表现的核心（伦巴第能源清洁技术集群 LE2C）。本文旨在介绍 LE2C 的优势和成功策略，以便使其适应跨国公司集群，从而能够通过成功的流程再次促进和加速发展。关键词：集群；摩洛哥数字集群；摩洛哥；意大利；集群发展医疗项目；伦巴第能源清洁技术集群对本文的引用如下：El Idrissi，NEA，Zerrouk，I.，Zerrari，N.，Monni，S. 2020。摩洛哥和意大利两个创新集群的比较研究。洞察区域发展，2(1)，400-417。 http://doi.org/10.9770/IRD.2020.2.1(1) JEL 分类：O32、O44 * 本研究由该项目支持，该项目已获得欧盟“地平线 2020”研究与创新计划欧洲研究理事会 (ERC) 资助，隶属于欧盟“地平线 2020”研究与创新计划玛丽居里研究与创新人员交流 ES H2020-MSCA-RISE-2014 CLUSDEVMED（2015-2019）资助协议编号 645730730
一般量子比特中的 LQU 与 LQFI 的比较研究......
我们推导出混合量子比特-量子三体轴对称 (AS) 状态的局部量子不确定性 (LQU) 和局部量子 Fisher 信息 (LQFI) 的紧凑闭式形式。这使我们能够详细研究量子关联，并为自旋 (1/2, 1) 系统提供一些本质上新颖的结果，该系统的哈密顿量包含十种独立的物理重要参数。作为推导公式的应用，我们研究了这两个量子关联度量在热平衡下的行为。在它们的行为中观察到了对量子信息处理很重要的新特征。具体而言，在温度或相互作用参数平稳变化的情况下，LQU 和 LQFI 的行为会出现一系列突然变化。有趣的是，在某些情况下，在 LQU 的行为中观察到突然转变，但在 LQFI 中没有观察到，反之亦然。此外，我们的紧凑公式为将它们应用于其他问题开辟了一条道路，例如，在研究环境对开放系统中量子关联的影响时。
意大利文化遗产的视觉语言模型的比较研究
摘要：人类的交流长期以来一直依赖视觉媒体进行交互，并通过访问视觉数据的电子设备来促进。传统上，这种交换是单向的，受到基于文本的查询的约束。但是，人类 - 计算机互动的进步已经引入了诸如逆向图像搜索和大语言模型（LLM）之类的技术，从而使文本和视觉查询既可以进行。这些创新在文化遗产应用中特别有价值，例如在城市访问期间将游客与利益识别系统联系起来。本文研究了各种视觉语言模型（VLM）用于文化遗产视觉问题的使用，包括带有GPT-4的Bing的搜索引擎以及Qwen2-VL和Pixtral等开放模型。选择了二十个意大利地标进行研究，包括罗马斗兽场，米兰大教堂和米开朗基罗的大卫。对于每个地标，选择了两张图像：一个来自Wikipedia的图像，另一个来自科学数据库或私人收藏。这些图像输入了每个VLM，并具有有关其内容的文本查询。我们根据其完整性研究了响应的质量，评估了查询中各种细节的影响。此外，我们探讨了语言（英语与意大利语）对模型提供准确答案的能力的影响。我们的发现表明，在多语言数据集中训练的较大模型，例如qwen2-vl和bing+chatgpt-4，在英语和意大利语中都表现更好。令人惊讶的是，Wikimedia数据集的性能没有按预期执行，模型之间的结果有所不同。标志性的地标，例如罗马斗兽场和佛罗伦萨的Duomo，很容易被认可，并提供背景（例如，城市）证明了识别精度。可以在消费者工作站上运行的QWEN2-VL之类的开放模型显示出类似于较大型号的性能。虽然该算法表现出很强的结果，但它们还产生了偶尔的幻觉措施，强调了对文化遗产应用程序的AI系统进行持续改进的必要性。