XiaoMi-AI文件搜索系统
World File Search System流动结构
湍流射流的人工智能控制
开发了一种人工智能 (AI) 控制系统，以最大限度地提高湍流喷射的混合率。该系统由六个独立操作的非稳定微型喷射执行器、两个放置在喷射器中的热线传感器和用于无监督学习近乎最优控制律的遗传编程组成。该定律的假设包括多频率开环强迫、传感器反馈及其非线性组合。混合性能通过喷射中心线平均速度的衰减率来量化。有趣的是，人工智能控制的学习过程按性能提高的顺序逐一发现了传统控制技术可实现的经典强迫，即轴对称、螺旋和拍打，最终收敛到迄今为止未探索过的强迫。仔细检查控制环境可以揭示学习过程中产生的典型控制定律及其演变。最佳 AI 强制产生复杂的湍流结构，其特点是周期性生成的蘑菇结构、螺旋运动和振荡射流柱，所有这些都提高了混合率并且远远优于其他结构。这种流动结构以前从未被报道过，我们从各个方面对其进行了检查，包括速度谱、平均和波动速度场及其下游演变，以及三个正交平面中的流动可视化图像，并与其他经典流动结构进行了比较。除了对微射流产生的流动及其对主射流初始条件的影响的了解之外，这些方面还为我们了解这种新发现的流动结构高效混合背后的物理原理提供了宝贵的见解。结果表明，人工智能在征服许多执行器和传感器的控制律的巨大机会空间以及优化湍流方面具有巨大潜力。
湍流射流的人工智能控制
开发了一种人工智能 (AI) 控制系统，以最大限度地提高湍流喷射的混合率。该系统由六个独立操作的非稳定微型喷射执行器、两个放置在喷射器中的热线传感器和用于无监督学习近乎最优控制律的遗传编程组成。该定律的假设包括多频率开环强迫、传感器反馈及其非线性组合。混合性能通过喷射中心线平均速度的衰减率来量化。有趣的是，人工智能控制的学习过程按性能提高的顺序逐一发现了传统控制技术可实现的经典强迫，即轴对称、螺旋和拍打，最终收敛到迄今为止未探索过的强迫。仔细检查控制环境可以揭示学习过程中产生的典型控制定律及其演变。最佳 AI 强制产生复杂的湍流结构，其特点是周期性生成的蘑菇结构、螺旋运动和振荡射流柱，所有这些都提高了混合率并且远远优于其他结构。这种流动结构以前从未被报道过，我们从各个方面对其进行了检查，包括速度谱、平均和波动速度场及其下游演变，以及三个正交平面中的流动可视化图像，并与其他经典流动结构进行了比较。除了对微射流产生的流动及其对主射流初始条件的影响的了解之外，这些方面还为我们了解这种新发现的流动结构高效混合背后的物理原理提供了宝贵的见解。结果表明，人工智能在征服许多执行器和传感器的控制律的巨大机会空间以及优化湍流方面具有巨大潜力。
湍流冲击波边界层相互作用和边界层流动的壁面模型大涡模拟
精确模拟高雷诺数可压缩流动具有挑战性。对于直接数值模拟 (DNS)，必须解析所有尺度的流体运动，根据 Choi 和 Moin 1 的说法，网格点的数量按 N ∝ Re 37 / 14 L 缩放。虽然 DNS 是最准确的方法，但它的计算成本也最高。大涡模拟 (LES) 仅解析大能量承载流动结构，未解析（即子网格）结构用子网格应力 (SGS) 模型建模，或直接通过数值方案的扩散（即隐式 LES，ILES）来解释。对于壁面解析 LES (WRLES)，近壁面条纹的平均长度和展向间距为 x + ≈ 1000 和 z + ≈ 100，通过壁面粘度 µ w 和摩擦速度 u τ = p 变为无量纲
低阻力艾哈迈德体的人工智能控制......
本研究提出了一种机器学习或人工智能 (AI) 控制低阻力 Ahmed 体的方法，其后倾角 ϕ = 35°，旨在找到有效减阻 (DR) 的策略。根据机身横截面积的平方根，所研究的雷诺数 Re 为 1.7 × 10 5。控制系统包括五个独立操作的稳定微喷射阵列，沿后窗和垂直底座的边缘吹出，车身尾部的二十六个压力抽头，以及一个基于蚁群算法的控制器，用于无监督学习近乎最优的控制律。成本函数的设计同时考虑了 DR 和控制功率输入。AI 控制的学习过程发现强迫产生高达 18 % 的 DR，相当于阻力系数降低 0.06，大大超过了之前报道的这种机身的任何 DR。此外，发现的强迫因素可能提供替代解决方案，即在 DR 略微牺牲的情况下大幅提高控制效率。在有控制和无控制的情况下进行的大量流量测量表明，车身周围的流动结构发生了显著变化，例如后窗上的流动分离、再循环气泡和 C 柱涡流，这些都与窗户和底座上的压力上升有关。揭示了 DR 的物理机制，以及在最佳控制或最大 DR 下改变的流动结构的概念模型。进一步将该机制与最高控制效率下的机制进行了比较。
斜压湍流的涡旋气体标度机制
大气和海洋的平均状态是通过外部强迫（辐射、风、热量和淡水通量）与产生的湍流之间的平衡来确定的，湍流将能量转移到耗散结构。这种强迫在大气中产生喷流，在海洋中产生洋流，这些涡流通过斜压不稳定性自发地形成湍流涡流。气候理论发展的一个关键步骤是正确地纳入涡流引起的热量、水分和碳等特性的湍流输送。在线性阶段，斜压不稳定性在罗斯贝变形半径处产生流动结构，罗斯贝变形半径在大气中的长度为 1,000 公里量级，在海洋中为 100 公里量级，分别小于行星尺度和海洋盆地的典型范围。因此，温度等特性的大尺度梯度与随机平流温度的小涡流之间存在尺度分离，从而引起有效扩散。数值解表明，只要大气和海洋底部有足够的阻力，这种尺度分离就会在强非线性湍流状态下保持下去。我们计算了控制与斜压湍流相关的涡流驱动输送的尺度定律。首先，我们为以前研究中报告的经验尺度定律提供了理论基础，适用于底部阻力定律的不同公式。其次，这些尺度定律为准确的局部闭合提供了重要的第一步，以预测斜压湍流对大气和海洋大尺度温度分布的影响。
Ralph SinkusCIMET人类视觉和计算机视觉
CIMET Human Vision and Computer Vision Course name: Human Vision and Computer Vision Course code: CIMET HVCV Course level: Master ECTS Credits: 5.00 Course instructors: Sérgio Nascimento & Juan Luis Nieves (University of Granada) Education period (Dates): 2 nd semester Language of instruction: English Prerequisite(s): Module “Color Science” (1 st semester) Expected prior-knowledge: Modules光子学和光学基本原理”（第1个学期）和辐射测定法，来源和探测器”（第二学期）的目标和学习成果：课程的目的是提供对视觉过程的稳固而综合的视野，重点是物理方面以及自动处理信息的自动处理。这种更定量的方法与视网膜和皮质组织的概念以及视觉心理物理学的基本原理相辅相成。尽管该课程的目的是在理论上扎实的基础上，但将在适当和独立的项目开发和研究的情况下，将被视为实践问题和解决问题。在完成本课程后，学生将能够：•在解剖学和功能上确定人类视觉系统的主要组成部分。•应用视觉光学以描述眼睛中的成像过程。•确定对视觉系统施加的物理约束，并将它们与视觉性能的限制联系起来。•识别并描述人类视力的主要心理物理方面，并描述基本的心理物理技术。视觉感知和人类视觉系统的主要组成部分。接受场，LGN和皮层处理。人类视力中的基本数字。•在要教的自动视觉问题主题的背景下描述并应用基本图像处理算法（可以修改）：•视觉感知引入。视觉过程：图像形成，转导，编码，视网膜和皮质处理。•视觉光学器件。眼睛的光学，球形和散光的差异，畸变。放大倍数。住宿。对比灵敏度。•光波和苏格兰视觉。光波和苏格兰视觉：光波，苏格兰和介质视觉。光谱敏感性和浦肯野的偏移。晚上近视。视野，空间和时间求和。外部。•颜色感知。颜色感知的基本原理：颜色匹配和三色，光感受器的光谱敏感性。色相取消和对手颜色。颜色恒定。彩色幻觉。获得并继承了色觉不足。•视觉感知的空间和时间方面。对象和形状的感知。对运动的感知。双眼视力和深度感知。立体视力。眼动。Troxler现象强化。•图像质量。评估图像感知质量的图像质量和心理物理方法。•计算机视觉简介。计算机视觉简介：什么是计算机视觉？MARR范式和场景重建，基于模型的视觉。光度立体声。其他用于图像分析的范例：自下而上，自上而下，神经网络，反馈。像素，线，边界，区域和对象表示。“低级”，“中级”和“高级”视觉。•计算机视觉的应用。图像处理形状从X形从阴影发出。阻塞轮廓检测。运动分析。运动检测和运动流动结构。基于对象识别模型的方法。基于外观的方法。不变。