XiaoMi-AI文件搜索系统
World File Search System测试环境
PPI TR-4 HDB/HDS/SDB/PDB/MRS/CRS列出的材料...
3。调整针对应用特定环境的建议评级：PPI发出的HDB/PDB/MRS/SDB建议的评级适用于与获得测试数据获得的条件相当的条件，例如恒定压力，温度和特定的测试环境。各种行业标准或法规提供了适当的设计因素或设计系数，以计算所需应用中使用的管道系统的相应最大允许工作压力。在某些条件下，例如压力循环，更高的温度，更具侵略性的环境或处理和安装质量，所有这些都可能显着降低管道耐用性，应选择更保守的设计因子或设计系数。在PPI TR-9中给出了有关设计因素和设计系数的更多信息，“推荐的设计因子和设计系数为热塑性管道材料的压力施加”。在用于获得这些等级的高温下进行的持续压力测试可能不足以完全评估热塑性材料或管道的热或氧化稳定性性能。
人工智能的工程应用 - 熟练程度
检测集成测试用例之间的依赖关系在软件测试优化领域起着至关重要的作用。将测试用例分为两个主要类别 - 依赖和独立 - 可用于多种测试优化目的，例如并行测试执行、测试自动化、测试用例选择和优先级排序以及测试套件减少。由于测试用例的分布，此任务可以看作是不平衡分类问题。通常，依赖和独立测试用例的数量是不均衡的，这与测试级别、测试环境和被测系统的复杂性有关。在本研究中，我们提出了一种由两个主要步骤组成的新方法。首先，通过使用自然语言处理，我们分析测试用例的规范并将其转换为数字向量。其次，通过使用获得的数据向量，我们将每个测试用例分类为依赖类或独立类。我们采用监督学习方法，使用不同的方法来处理不平衡的数据集。在瑞典庞巴迪运输公司 (Bombardier Transportation) 的两个工业项目中评估了所提出方法的可行性和可能的推广，结果表明结果令人鼓舞。
非机密 JADS JT&E 电子战测试... - DTIC
第 1 阶段（本报告的主题）包括 (1) 在西部试验场 (WTR) 进行风险降低飞行测试，(2) 在 WTR 使用 ALQ-131 干扰吊舱进行基线飞行测试，(3) 在位于德克萨斯州沃斯堡的空军电子战环境模拟器 (AFEWES) 进行短暂的硬件在环 (HITL) 测试，以及 (4) 在位于佛罗里达州埃格林空军基地 (AFB) 的自动多环境模拟器 (AMES) 设施进行系统集成实验室 (SIL) 测试。增加了 HITL 和 SIL 测试以补充基线飞行测试并提供缺失数据。这针对两个指挥制导地对空导弹 (SAM) 站点、一个半主动地对空导弹站点和一个防空炮火 (AAA) 站点建立了环境和干扰器性能数据基线。此场景用于为后续两个 ADS 测试阶段开发 ADS 测试环境，并提供基线数据以与 ADS 测试结果进行比较。此外，性能数据为测试所有三个阶段的关联能力提供了基线。
多域作战研讨会 2022 技术计划
测试资源管理中心 (TRMC) 联合电子战 (EW) T&E 研究 (JETS) 旨在评估当今各军种联合 EW T&E 能力中的关键差距和不足。该研究重点关注机载电子攻击领域中 EW 威胁环境表示的充分性。先进的近对等 EW 威胁能力正变得越来越具有适应性、灵活性和集成性，国防部测试基础设施必须得到改进，以适应并提供更复杂的 EW 威胁 T&E 能力。正确复制战场复杂性和威胁密度可能是 EW T&E 基础设施中的一项挑战；当今的测试基础设施可以在一对一环境中复制和测试 EW 平台，但在多对多测试环境中却面临挑战。建议的 JETS 投资增强将使更多有人驾驶和无人驾驶飞机能够在复杂、真实的威胁环境中进行测试和训练，包括联网靶场和安全设施，以及代表“2020 年代后期”威胁部署的规模和密度。
任何时间协作脑部计算机接口用于增强...
在本文中，我们介绍并在两个现实的环境中进行测试，即协作脑部计算机界面（CBCIS），它们可以显着提高感知组决策的速度和准确性。这项工作的主要区别特征是：（1）我们的CBCIS结合了行为，生理和神经数据，以便能够在最快的团队成员进行投票后的任何时间提供小组决定，但CBCI-CASS辅助决策的质量可以单调地提高小组决策的时间越长； （2）我们将CBCIS应用于军事相关性的两个现实情况（巡逻黑暗的走廊并在夜间用户需要识别出任何出现的任何身份不明的角色的前哨站），其中决策是基于通过视频供稿传达的信息； （3）我们的CBCIS利用与事件相关的电位（ERP）通过出现潜在威胁引起的大脑活动引起，但独特的是，该系统是自动估计的（而不是不切实际地提供）。由于这些元素，在两个测试环境中，由我们的CBCIS辅助的小组比以更传统的方式整合了单个决策时，使我们的CBCIS辅助更为准确，更快。
面向人工智能驱动的物联网服务的能源消耗和碳足迹测试
摘要 — 能源消耗和碳排放有望成为物联网 (IoT) 应用的关键因素。规模和地理分布都在不断增加，而人工智能 (AI) 进一步渗透到“边缘”，以满足对高响应和智能服务的需求。到目前为止，一些边缘/雾模拟器正在通过支持在整合的测试环境中部署和执行 AI 驱动的物联网服务来满足物联网测试的需求。这些工具可以配置基础设施，使其与边缘设备和物联网网络非常相似。然而，目前的物联网测试套件仍然缺少对 AI 服务测试期间的能耗和碳排放量估计。这项研究强调了 AI 驱动的物联网服务开发人员需要回答的重要问题，以及一系列观察和挑战，旨在帮助研究人员设计物联网测试和基准测试套件以满足用户需求。索引词 — 物联网、边缘计算、软件测试、能源建模、机器学习。
强化学习的参数化量子策略
随着现实世界量子计算的出现，参数化量子计算可用作量子-经典机器学习系统中的假设族的想法越来越受到关注。这种混合系统已经显示出在监督和生成学习中解决现实世界任务的潜力，最近的研究已经证实了它们在特殊人工任务中的优势。然而，在强化学习的情况下，这可以说是最具挑战性的，学习提升将非常有价值，没有任何提案能够成功解决甚至标准的基准测试任务，也没有显示出优于经典算法的理论学习优势。在这项工作中，我们实现了两者。我们提出了一种使用极少量子位的混合量子-经典强化学习模型，我们表明可以有效地训练该模型来解决几个标准基准测试环境。此外，我们展示并正式证明了参数化量子电路能够解决某些学习任务，这些任务对于经典模型（包括当前最先进的深度神经网络）来说是难以解决的，在人们普遍认为的离散对数问题的经典难度下。
适用于 Dell EMC PowerEdge 服务器的 Mellanox ConnectX®-6 VPI 适配器卡用户手册
注意：此硬件、软件或测试套件产品及其相关文档由 MELLANOX TECHNOLOGIES 按原样提供，不包含任何种类的错误，仅用于帮助客户测试在指定解决方案中使用产品的应用程序。客户的制造测试环境未达到 MELLANOX TECHNOLOGIES 设定的标准，无法完全验证产品和/或使用该产品的系统。因此，MELLANOX TECHNOLOGIES 无法保证或担保产品将以最高质量运行。任何明示或暗示的保证，包括但不限于适销性、针对特定目的的适用性和不侵权性的暗示保证，均不予承认。在任何情况下，对于客户或任何第三方因使用产品和相关文档而造成的任何直接、间接、特殊、惩罚性或后果性损害（包括但不限于采购替代货物或服务的付款；使用、数据或利润的损失；或业务中断），无论该损害是如何造成的，也无论基于何种责任理论，无论是合同、严格责任还是侵权（包括疏忽或其他），即使已被告知有此类损害发生的可能，MELLANOX 均不承担任何责任。
一个用于新兴移动系统的数字智能城市
摘要 - 使用连接和自动化车辆的新兴出行系统的需求不断增长，这迫使有必要进行质量测试环境以支持其开发。在本文中，我们引入了一个基于统一的虚拟模拟环境，用于新兴的移动性系统，称为信息和决策科学实验室的规模规模的智能数字城市（IDS 3 d City），旨在与其身体同行及其既定控制框架一起运行。通过使用机器人操作系统，AIRSIM和Unity，我们构建了一个模拟环境，能够迭代设计实验的速度比物理测试床中的可能性要快得多。此环境提供了一个中间步骤，以在实施物理测试台之前验证我们的控制算法的有效性。IDS 3 D City还使我们能够证明我们的控制算法独立于基础车辆动力学，因为Airsim引入的车辆动力学与我们规模的智能城市的规模不同。最后，我们通过在虚拟和物理环境中进行实验并比较它们的输出来证明数字环境的行为。
杂交高粱和自交高粱产量的适应性和可塑性
自交物种中生长时间的延长（Barrett & Charlesworth, 1991）可以解释自交物种中观察到的较低杂种优势水平。杂种优势的程度在物种内测量性状、遗传背景（Tracy & Chandler, 2006）和测试环境（Flint-Garcia et al., 2009; Lippman & Zamir, 2007; Mindaye et al., 2016）之间差异很大。在没有过度遗传漂变或足够基因流的情况下，植物种群倾向于适应来自生物和非生物挑战的人工或自然选择力量，从而导致对环境的局部适应（Janzen et al., 2022; Leimu & Fischer, 2008）。可以在认为当地植物类型相对于外来引进植物具有适应性的环境中测试当地植物和外来植物性能之间的区别（Kawecki & Ebert, 2004）。鉴于遗传分化和杂种优势之间的普遍关联 (Jordan et al., 2003; Moll et al., 1965; Zhang et al., 2010)，不同环境中遗传和表型分化的相互作用对于理解和利用多种来源材料的作物育种计划中的杂种优势至关重要。