XiaoMi-AI文件搜索系统
World File Search System计算时间
集装箱船强度评估指南...
可以通过基于相对于波浪的 180° 角度进行分析来评估鞭打的贡献。在直接计算考虑鞭打的长期分析值时，考虑所有相遇角，以 30° 或更小的等距间隔进行计算，并进行长期载荷分析。此时，假设每个航向角的发生概率相同。为了减少过多的非线性计算时间，可以进行长峰波分析，而不考虑短峰波的影响。
采用参数模型降阶法进行功率模块热机械分析
摘要 —本文介绍了一种基于拉格朗日矩阵插值方法的参数模型降阶 (pMOR)，用于具有非线性行为的电力电子模块 (PEM) 的热机械和可靠性研究。模型降阶 (MOR) 研究中的大部分先前研究都报告了使用顺序耦合方法进行的热机械模拟。在本研究中，直接耦合热机械分析同时求解热和结构控制方程，用于获得热和变形结果。此外，对于 pMOR，矩阵插值的线性方法仅限于采样参数点之间的线性变化。因此，采用了一种使用拉格朗日插值方法对系统矩阵进行插值的新方法来有效地实现矩阵插值。通过拉格朗日矩阵插值方法获得的参数降阶模型 (pROM) 解与全阶模型 (FOM) 非常吻合，并且计算时间与矩阵插值的线性（双线性）方法相似。 pROM 模拟可将计算时间缩短高达 85.5%。索引术语 — 有限元法、热机械分析、电力电子模块、可靠性评估、参数模型降阶。
线性和非...
本研究提出了一个基于状态空间表示的简化模型，以识别锂聚合物电池细胞的精确电流电路。参数进行的过程通过三阶段过程表达为非线性优化问题。第一个阶段根据与电池电流和初始SOC条件相关的非线性特征估算了电荷状态（SOC）。在第二阶段，按照在第一个阶段使用的带有不同线性和非线性模型的SOC估算了开路电压。在第三阶段，开发了一种最佳优化算法的平衡算法（EA），用于最佳识别电池参数。根据Taguchi的实验方法设计，对EA的参数进行了调整，以减少计算时间以及获得最佳参数排列所需的实验数量。与实施实施相关的数值模拟在锂离子电池上模拟，以证明所提出的EA的高能力是有效的识别程序。此外，与最近几种针对Artemis驱动周期的优化算法相比，所提出的EA具有很高的精度。，提出的还原模型的解决方案质量改进是通过与电池电压和SOC的实验测量高度接近的。此外，与线性和非线性模型相比，所提出的还原模型获得的计算时间少12％的精度降低了12％。
层次运动计划和离线稳健模型的自动驾驶预测控制
摘要 - 在恶劣条件下在复杂情况下驾驶车辆是自动驾驶汽车（AV）的最大挑战。为了解决这个问题，我们在复杂的场景中使用前主动转向系统提出了层次运动计划和稳健的控制策略，并在各种湿滑的道路粘附系数中，同时考虑车辆不确定的参数。通过智能驾驶员模型（IDM）考虑并以车辆跟随模型的形式考虑人类车辆（HVS）的行为（HVS）。然后，在上层中，运动计划者首先使用人工电位场（APF）算法来生成最佳轨迹，例如，路标，边界和静态/动态障碍物，例如道路标记，边界和静态/动态障碍。为了在下层跟踪生成的最佳trajectory，通过应用线性矩阵不等式（LMI）优化方法，使用线性参数变化（LPV）系统来实现离线约束的输出反馈鲁棒模型预测性控制（RMPC），以确保对模型参数的鲁棒性不适合模型不限制。更重要的是，通过增强系统模型，我们提出的方法称为离线RMPC，与三种现有的RMPC方法相比，具有出色的效率，例如，偏置式挡板offline RMPC，在线rmpc，在线rmpc和离线rmpc无需增强模型（离线rmpc w/o am），在不线rmpc w/o am）（均改进了计算时间），并改进了计算时间和添加时间。
制作狗的沉浸式屏幕界面，以控制其家中的屏幕
对表现出接收场的神经元的分析取决于生物体的空间位置，例如网格，位置或边界细胞，通常是从使用射击速率图绘制其在空间中的活性开始的。然而，映射方法是多种多样的，并取决于通常由实验者定性选择的调音参数，因此在整个研究中都有很大变化。诸如此类参数的小变化可能会显着影响结果，但是迄今为止尚未尝试对发射速率图进行定量研究。使用模拟数据集，我们检查了调谐参数，记录持久性和射击场大小如何影响使用最广泛使用的方法生成的空间图的准确性。对于每种方法，我们都发现了一个明确的参数子集，该参数产生了低误差射击率图并隔离了产生的参数1）可能的误差最小，2）帕托托 - 最佳参数集，这些参数集平衡，计算时间，位置场检测准确性和缺失值的外推。平滑的双变量直方图和平均移位直方图始终与最快的计算时间相关联，同时仍提供准确的地图。自适应平滑和嵌合方法被发现可以最有效地补偿低位置采样。内核平滑的确定性估计还可以很好地补偿了低采样的良好，并获得了准确的地图，但它也是测试最慢的方法之一。总体而言，在大多数情况下，双变量直方图，再加上空间平滑，这可能是最理想的方法。
智能嵌套：使用图形神经网络估算嵌套问题中的几何兼容性
抽象减少材料浪费和计算时间是切割和包装问题的主要目标（C＆P）。解决C＆P问题的解决方案包括许多步骤，包括要嵌套的项目的分组以及在大物体上分组项目的排列。当前的算法使用元赫尔术直接解决布置问题，而无需明确解决分组问题。在本文中，我们为嵌套问题提出了一条新的管道，该管道始于将要嵌套的项目分组，然后将其排列在大物体上。为此，我们介绍并激发了一个新概念，即几何兼容性指数（GCI）。具有较高GCI的项目应聚集在一起。由于GCIS不存在标签，因此我们建议将GCIS建模为图形的双向加权边缘，我们称之为几何关系图（GRG）。我们提出了一个基于增强学习的新型框架，该框架由两个以类似于演员的方式学习GCI的训练的图形神经网络组成。然后，要将项目分组为群集，我们将GRG建模为电容的车辆路由问题图，并使用元使用术解决方案。在带有定期和不规则形状的项目的私人数据集上进行的实验表明，与开放式嵌套软件相比，该算法可以显着减少计算时间（30％至48％），而开放式嵌套软件则可以在定期损失上获得类似的固定物品，并且对不规则物品的三倍损失进行了相似的修剪损失。
用于预测滚珠轴承系统的机器学习模型的比较分析
摘要：在工业4.0及以后的时代，球轴承仍然是工业系统的重要组成部分。滚珠轴承的失败会导致工厂停机时间，效率低下的操作和大量的维护费用。尽管常规的预防性维护机制（例如基于时间的维护，常规检查和手动数据分析）提供了一定程度的预防故障，但它们通常是反应性，耗时和不精确的。另一方面，机器学习算法可以尽早检测异常，处理大量数据，几乎实时不断改进，进而大大提高了现代工业系统的效率。在这项工作中，我们比较了不同的机器学习和深度学习技术，以优化滚珠轴承系统的预测维护，这反过来又可以降低停机时间并提高当前和未来的工业系统的效率。为此，我们评估和比较分类算法，例如逻辑回归和支持向量机，以及随机森林和极端梯度提升等集合算法。我们还探索和评估长期记忆，这是一种复发性神经网络。我们根据这些模型的准确性，精度，召回，F1分数和计算要求评估和比较这些模型。我们的比较结果表明，就整体绩效和计算时间而言，极端梯度提升可以提供最佳的权衡。对于2155个振动信号的数据集，极端梯度提升的精度为96.61％，而训练时间仅为0.76 s。此外，在获得大于80％的精度的技术中，极端梯度提升还提供了最佳的准确性与计算时间比率。
No.15 人工智能可以预测河流水位吗？
目前的预报技术是采用存储函数法和分布式模型来模拟雨水随时间如何流入流域内的河流，然后预测水位。 从历史上看，即使在观测网络较差、数据稀缺的情况下，也可以使用分析模型（物理模型）来提高准确性。 然而，以目前的方法，模型构建已经变得越来越复杂，只有有限数量的工程师能够处理它，并且更新模型需要大量的精力和时间。另一方面，提高预测技术依赖于确定分析模型所使用的参数，同时也需要客观性，预测需要计算时间。
计算机科学（CSCI）
CSCI U421算法的设计和分析3个学时概念和算法设计的基本策略；计算时间和内存要求的分析；计算复杂性理论（NP-HARD和NP完整）；图形操纵算法（连接的组件，最小跨越树，旅行推销员，图表中的周期以及图形的着色）；搜索算法（第一个深度，第一个，最佳和alpha-beta minimax）；和计算算法（矩阵乘法，线性方程系统，表达评估和排序）。先决条件：CSCI U321中的C等级或更高；或讲师的同意。
追逐更高的拖鞋以获取更快的神经网络
为设计快速神经网络，许多作品一直集中在减少浮点操作数量（FLOPS）的数量上。我们观察到，这种减少的失败并不一定会导致潜伏期的相似水平。这主要源于每秒效率低下的低浮点操作（拖鞋）。为了实现更快的网络，我们重新审视了流行的运营商，并认为如此低的拖鞋主要是由于操作员的频繁访问，尤其是深度方向的访问。因此，我们提出了一种新型的部分卷积（PCONV），该卷积通过同时减少冗余计算和内存访问来提取空间特征。在我们的PCONV上，我们进一步构建了一个新的神经网络家族Fasternet，它的运行速度比在各种设备上的其他设备都高得多，而没有损害各种视觉任务的准确性。，例如，在Imagenet-1K上，我们的Tiny Forpernet-T0为2。8×，3。 3×和2。 4×比GPU，CPU和ARM处理器上的移动电视-XX快速快，同时准确2.9％。 与新兴的SWIN-B相当，我们的大型fornet-l可以达到令人印象深刻的83.5％Top-1精确度，而GPU上的Incrence吞吐量提高了36％，并节省了CPU上的37％的计算时间。 代码可在https：// github上找到。 com/jierunchen/fasternet。8×，3。3×和2。4×比GPU，CPU和ARM处理器上的移动电视-XX快速快，同时准确2.9％。与新兴的SWIN-B相当，我们的大型fornet-l可以达到令人印象深刻的83.5％Top-1精确度，而GPU上的Incrence吞吐量提高了36％，并节省了CPU上的37％的计算时间。代码可在https：// github上找到。com/jierunchen/fasternet。