XiaoMi-AI文件搜索系统
World File Search System物理系统
MBSESEC的演示应用于确保网络物理系统通信
•使用SYSML模拟对J1939传输协议及其漏洞的了解•按照规定的MBSE方法开发模型•使用该方法为感兴趣系统开发安全控制•评估其有效性•提供建议
非线性物理系统中隐藏的多稳定性
在非线性物理系统中识别逃避直接实验检测的隐藏状态很重要，因为干扰和噪音可以将系统置于隐藏状态，并带来有害后果。我们研究了一个空腔岩石系统，其主要物理学是光子和镁kerr效应。在数值实验中扫描分叉参数（如在实际实验中所做的那样）导致具有两个不同稳定稳态状态的磁滞回路，但是分析计算在环路中赋予了第三个折叠的稳态“隐藏”，这导致了隐藏可粘性的现象。我们提出了一种实验可行的控制方法，将系统驱动到折叠的隐藏状态中。我们通过三元腔镁质系统和基因调节网络证明了这种隐藏的多稳定性实际上很普遍。我们的发现阐明了非线性物理系统中隐藏的动力状态，这些状态不是直接观察到的，但可以在应用中带来挑战和机遇。
保护行业4.0：一种用于网络物理系统安全与可持续性的机器学习方法
摘要。本文提出了一种光电两波方法，用于监测大气中的甲烷含量。光谱特性给出了两种颜色LED模块LED39，LED32，Photodiode PD36和甲烷吸收光谱。已经开发了具有高测量精度的光电传感器，用于监测大气中的甲烷含量，并显示了其框图。在光电传感器中用于监测大气中的甲烷含量的两个彩色LED模块，其发射光谱为3.2微米（参考）（参考）和发射光谱为3.4微米（工作）的LED。为了提高LED（3.2和3.4微米）的光功率，这是一种具有更有效的热量去除量和LED的抛物线反射器设计的设计，该设计以8-10度的角度聚焦IR辐射。具有3.2微米和3.4微米的发射光谱的LED晶体安装在一个外壳中，以确保设备的高精度和灵敏度。
对通用物理系统的自我代表的有原则限制
摘要：自我观察和自我陈述的思想以及自我控制的伴随观念，遍及认知和生命科学，在免疫学和机器人学等领域产生。在这里，我们以非常一般的方式询问这些想法是否有意义。使用一种通用的物理相互作用模型，我们证明了一个定理和几种推论，这些定理严重限制了适用的自我观察，自我代表和自我控制的概念。，我们特别表明，即使在原则上，将观测，表示或控制功能添加到系统的元级组件也不能导致整个系统的完整元级表示。我们得出的结论是，自我代表充其量可以是启发式的，并且通常不能通过实施它们的系统对自我模型进行经验测试。
一种用于自动化现实捕获和可视化的机器人网络物理系统，在施工进度监控
有效的进度监控对于在规定的时间和预算中成功交付建筑项目至关重要。经常通过多个项目利益相关者进行耗时的实际场地访问来不规则地监测建筑项目。使用机器人网络物理系统（CP）进行远程监测可以使过程更有效，更安全。本文为自动化现实捕获和可视化的机器人CP提供了一个概念框架，用于远程进度监视。CPS集成了四倍的机器人，构建信息建模（BIM）和360°现实捕获以自主捕获并可视化最新站点信息。此外，该研究还通过对17个进度监测专家的半结构化访谈探讨了影响拟议机器人CP的因素。这些发现将指导建筑管理团队在建设中采用CP，并推动以人为中心的CPS建设开发的进一步研究。
人类网络物理系统的参考结构
Werner Damm，Carl von Ossietzky Oldenburg大学，德国，David Hess，Vanderbilt大学Mark Schweda，Ossietzky University Oldenburg Janos Sztipano VI TS，Klaus Bengler和Bianca Biebl，Bianca Biebl，Munich Martin fr的MARTIN FREMINFERMIN，HINEM HUSTIN，WILLEM HISTIN，WILLEM HERMIN FREMIN，CAREREN，CARENS MARTIN FREMINFEN， Ossietzky University of Oldenburg, Germany Klas Ihme, DLR - Institute of Transportation Systems, Braunschweig Severin Kacianka, Technical University of Munich Alyssa J. Kerscher, Vanderbilt University Sebastian Lehnhoff, Carl von Ossietzky Oldenburg Andreas Luedtke, DLR - Institute for Systems Engineering for future mobility,奥斯蒂兹基大学奥尔登堡大学奥尔登堡（Oldenburg）的卡尔·丹尼尔·桑纳特（Daniel Sonntag），卡尔·冯·奥塞茨基大学奥尔斯特斯基大学奥尔登堡（Oldenburg）和DFKI-GERMAN研究中心，奥斯泰斯基大学（Ossietzky University Oldenburg Daniel Sonntag）和DFKI-GERMAN研究中心，Ossietzky University Oldenburg Carl和Ossietzky University Oldenburg的Carl，Oldenburg Alexander Pretschner和Jochem Rieger，NDS。Maike Schwammberger，Ossietzky大学Oldenburg Benedikt Austel的Carl，DLR-未来流动性系统工程研究所，Oldenburg Anirudh Unni，Ossietzky University Oldenburg Eric Veith的Carl，Offis e。 V.，Oldenburg
PHY 631 量子信息物理系统和材料
残障支持服务 (DSS)：如果您有身体、心理、医疗或学习障碍，可能会影响您的课程学习，请联系残障支持服务 (631) 632-6748 或访问 http://studentaffairs.stonybrook.edu/dss/。他们将与您一起确定哪些便利设施是必要且适当的。所有信息和文件均保密。鼓励在紧急疏散期间需要帮助的学生与教授和残障支持服务讨论他们的需求。有关程序和信息，请访问以下网站：http://www.stonybrook.edu/ehs/fire/disabilities/asp。
一个智能的医学网络 - 物理系统，用于支持心脏瓣膜筛查和诊断
心血管疾病目前是全球死亡的主要原因。在预防心血管问题的策略中，心脏声音异常的自动分类是检测心脏病或其他无症状（甚至无症状的并发症）早期迹象的有效方法，对于及时的干预措施非常有效。尽管该领域有显着改善，但由于缺乏解决方案，可用的数据集和差（主要是二进制 - 正常与异常）分类模型和算法，仍然存在局限性。本文及时提出了一种医学网络物理系统（MCP），以自动对心脏瓣膜疾病进行自动分类。实际上，拟议的MCP可以通过一种高效易于访问的工具来部署到个人和移动设备中，以解决对患者，医疗保健从业人员和研究人员的现有解决方案的局限性。它结合了在新的意大利数据集中训练的不同的神经网络模型，该模型涉及132名成年患者，涵盖了9个心脏声音类别（1个正常和8个异常），也针对两个主要的开放式访问（Physionet/Cinc Challence 2016和韩语）数据集进行了验证。总体MCPS性能（时间，处理和能源资源利用率）和模型的高精度（高达98％）证明了提出的解决方案的可行性，即使数据很少。可应要求提供支持本文发现的数据集。
数字孪生驱动的网络物理系统的异常检测框架
近年来，数字孪生已成为现代信息物理系统 (CPS) 中活跃的研究领域之一。数字孪生与其物理对应物（称为工厂）高度交织在一起，因此它们不断交换数据以揭示有关整个系统的有用信息。这类 CPS 需要对各种类型的干扰（例如故障传感器和模型差异）具有鲁棒性，因为物理工厂的运行与数字孪生的模拟之间的相互作用可能会导致不良甚至破坏性的影响。为了解决这个问题，本文介绍了一种灵活的异常检测框架，用于监控基于数字孪生的 CPS 中的异常行为。具体而言，我们的方法集成了数字孪生和数据驱动技术，可检测和分类由于建模错误（例如不完整的模型）以及传感器和物理系统故障而导致的异常行为。该框架可以部署到任何通用 CPS，而无需完全了解数字孪生的内部模型。因此，我们的方法适用于各种类型的数字孪生实现，从而增强了传统的数据驱动异常检测机制。我们使用田纳西伊士曼过程模型展示了我们方法的性能。实验结果表明，即使在某种组合的情况下，我们的方法也能够有效地检测和分类来自物理工厂、传感器和数字孪生的异常源
