XiaoMi-AI文件搜索系统
World File Search System离线
并网微电网储能系统的强化学习：在线与离线实施对比研究
摘要：由可再生能源、电池存储和负载组成的并网微电网需要适当的能源管理系统来控制电池的运行。传统上，使用离线优化技术，利用 24 小时的负载需求和可再生能源 (RES) 发电预测数据来优化电池的运行，其中电池操作（充电/放电/空闲）是在一天开始之前确定的。强化学习 (RL) 最近被建议作为这些传统技术的替代方案，因为它能够使用真实数据在线学习最佳策略。文献中提出了两种 RL 方法，即离线和在线。在离线 RL 中，代理使用预测的发电和负载数据学习最佳策略。一旦实现收敛，就会实时发送电池命令。这种方法类似于传统方法，因为它依赖于预测数据。另一方面，在在线 RL 中，代理通过使用真实数据实时与系统交互来学习最佳策略。本文研究了这两种方法的有效性。将具有不同标准差的高斯白噪声添加到真实数据中以创建合成预测数据来验证该方法。在第一种方法中，离线 RL 算法使用预测数据。在第二种方法中，在线 RL 算法与真实流数据实时交互，并使用真实数据训练代理。当比较这两种方法的能量成本时，发现如果真实数据和预测数据之间的差异大于 1.6%，则在线 RL 比离线方法提供更好的结果。
计算空间中机器人操纵器的离线直接教学
本文提出了一种使用增强和虚拟现实技术的机器人教学方法。机器人教学对于机器人完成工业生产的几项任务至关重要。尽管有各种方法可以执行机器人操纵的运动计划，但仍需要机器人教学才能进行精确和可靠性。在线教学，其中物理机器人在真实空间中移动以获得所需的运动，并且由于其易于性和可靠性而被广泛执行。但是，需要实际的机器人移动。相比之下，可以在计算空间中完全实现局部教学，并且需要将机器人的周围构造为计算机图形模型。此外，planar显示器不提供3D场景上的精通信息。我们提出的方法可以作为频道教学的使用，但是操作员可以使用头部安装的设备和虚拟3D空间中的指定控制器来直观地操纵机器人。我们通过增强和虚拟现实技术展示了机器人教学的两种方法，并显示了一些实验结果。
离线双额阳极经颅直流电刺激可减少总睡眠时间，且不会干扰夜间记忆巩固
几十年来，识别学习背后的神经机制并寻找改进它们的新方法一直是一个重要的研究课题。迄今为止，睡眠是影响记忆巩固的最受关注的因素之一。有人提出，睡眠期间海马皮质会重放记忆痕迹，以逐渐强化记忆表征 (1)。据推测，这种影响是通过以下相互作用实现的：通过主动神经元重放记忆表征来强化相关突触，通过下调非相关突触来锐化表征 (2)。非快速眼动睡眠 (NREM) EEG 特征，例如慢振荡、纺锤波和丘脑涟漪，被认为可以协调这一过程 (3 – 5)。经颅直流电刺激 (tDCS) 等非侵入性脑刺激技术已被引入作为调节记忆表征神经整合的工具 (6)。经颅电刺激装置产生的慢电波（慢振荡 tDCS，so-tDCS；经颅交流电刺激，tACS）已被证明能够诱发内源性慢振荡并增强慢
SpikeDeep-classifier：一种基于深度学习的全自动离线脉冲分类算法
摘要 目的。电极设计的进步已导致微电极阵列具有数百个通道，可用于单细胞记录。在由此产生的电生理记录中，每个植入电极可以记录一个或多个神经元的尖峰活动 (SA) 以及背景活动 (BA)。本研究的目的是分离每个神经源的 SA。此过程称为尖峰排序或尖峰分类。高级尖峰排序算法非常耗时，因为在流程的各个阶段都需要人工干预。当前方法缺乏泛化能力，因为超参数的值并不固定，即使对于同一受试者的多个记录会话也是如此。在本研究中，提出了一种称为“SpikeDeep-Classifier”的全自动尖峰排序算法。所有评估数据的超参数值都保持不变。方法。提出的方法基于我们之前的研究 (SpikeDeeptector) 和一种新颖的背景活动拒绝器 (BAR)，它们都是监督学习算法和无监督学习算法 (K-means)。 SpikeDeeptector 和 BAR 分别用于提取有意义的通道并从提取的有意义的通道中去除 BA。一旦从数据中完全去除 BA，聚类过程就会变得简单。然后，对仅来自神经源的剩余数据应用具有预定义最大聚类数的 K 均值。最后，使用基于相似性的标准和阈值来保留不同的聚类并合并看起来相似的聚类。所提出的方法称为聚类接受或合并 (CAOM)，它只有两个超参数（最大聚类数和相似性阈值），在调整后对于所有评估数据保持不变。主要结果。我们将算法的结果与真实标签进行了比较。该算法在人类患者数据和公开可用的标记非人类灵长类动物 (NHP) 数据集上进行了评估。BAR 在人类患者数据集上的平均准确率为 92.3%，在 (K-means + CAOM) 之后进一步降低到 88.03%。此外，BAR 在公开可用的 NHP 标记数据集上的平均准确率为 95.40%，经过 (K-mean + CAOM) 后降至 86.95%。最后，我们将 SpikeDeep-Classifier 的性能与两位人类专家进行了比较，其中 SpikeDeep-Classifier 产生了可比的结果。意义。SpikeDeep-Classifier 在不同物种、不同大脑区域的多个记录会话的数据集上进行了评估
基于智能手机的糖尿病黄斑水肿离线人工智能筛查
(OCT) 图像，一些研究成功地使用 AI 来检测单一疾病表现的存在，例如视网膜内积液的存在、视网膜黄斑硬化症的存在或黄斑液的量化。2–4 该领域的一种可能的 AI 应用是为居住在缺乏眼科医生或训练有素的验光师的地区患者提供筛查和诊断帮助。然而，现代网络包含数百万个学习到的连接。总的趋势是设计更深、更复杂的网络以实现更高的准确性。这些人工智能程序通常需要高科技和昂贵的计算机系统，其中包含先进的图形处理单元，而这些单元通常是医疗保健不足或低收入地区的公用事业所负担不起的。在这种情况下，基于智能手机的高精度、低设备要求的移动人工智能系统极其重要和有用。智能手机应用程序 (app) 和移动机器人通常只需要较低的内存和能耗。5 因此，开发了一种高效的网络架构 MobileNet，以满足移动和嵌入式视觉应用程序的设计要求。更小更快的模型使用宽度乘数和分辨率乘数，以合理的精度来减少尺寸和延迟。与其他模型相比，使用 MobileNets 的程序表现出优越的尺寸、速度和精度特性。6
CALITAS：一种用于计算机模拟离线的 CRISPR/Cas 感知 ALiner......
重要的是，CALITAS 返回一个独特的位点列表，适合构建脱靶验证面板 *、† 对于 CRISPRitz 和 Cas-OFFinder，使用 bedtools cluster 和 pandas groupby 删除了冗余位点
游戏中的人工智能：使用离线蒙特卡洛树搜索训练简单且计算高效的游戏模型
对于给定的角色（玩家）：a – 动作s – 当前状态Q（s，a） – 在状态s下采取行动a时的平均游戏结果N（s） – 迄今为止访问状态s的次数N（s，a） – 迄今为止在状态s下选择动作a的次数
基于 Raspberry Pi 的 Andriod 离线数据流
具有 Wi-Fi 功能的 Android 手机可提供智能浏览功能。通过利用此功能，我们将使用每个用户都可以使用的离线数据流，并且可以享受管理员存储在 Raspberry Pi 中的不同媒体。由于，我们将使用具有内置 Wi-Fi 热点功能的 Raspberry Pi 来广播媒体。在 Raspberry Pi 中有一个静态 IP，其中有一些 PHP 文件将访问用户端，并且他们将能够访问 PHP 页面上可用的任何数据。所有这些工作都将在包含 XAMPP 服务器的 Raspbian OS 平台上完成。通过连接到 Raspberry Pi 提供的 WI-FI，您的手机、平板电脑或笔记本电脑能够通过 Raspberry Pi 提供的离线服务器访问数据。可以从用户 android 应用程序中加载、下载和阅读视频、书籍和通知。该系统为管理员和用户提供访问系统的功能。通过此系统，管理员可以添加任何
DX6210 高功率因数、低 THD、隔离离线 LED 控制器
注意：1.我们强烈建议客户在购买我们的产品时仔细检查商标，如果有任何问题，请随时与我们联系。2.电路设计时请不要超过设备的绝对最大额定值。3.Winsemi Microelectronics Co., Ltd 保留对本规格书进行更改的权利，如有更改，恕不另行通知。
非隔离降压离线 LED 驱动器
注意：1.我们强烈建议客户在购买我们的产品时仔细检查商标，如果有任何问题，请随时与我们联系。2.电路设计时请不要超过设备的绝对最大额定值。3.Winsemi Microelectronics Co., Ltd 保留对本规格书进行更改的权利，如有更改，恕不另行通知。