XiaoMi-AI文件搜索系统
World File Search System计算时间
基于模型的系统工程中的关键参数管理
该软件环境支持实施基于不确定性的多学科优化。非支配排序遗传算法 NSGA-II 强调了性能优化和成本降低之间的权衡及其对优化设计的影响。基于可靠性的约束减少了解决方案空间，并通过将帕累托前沿从最佳目标值移开来影响飞机的最终设计。ModelCenter 提供了有效的工具来应对不确定性下优化的高复杂性。虽然虚拟机上的并行模拟提高了计算性能，但 DOE 筛选可以通过消除不相关的输入来减少设计空间。将多目标转换为单目标函数将对最优的搜索集中在全局帕累托前沿的一部分上，并显著缩短了计算时间。但是，此解决方案需要在目标之间建立层次结构，从而留下了非支配设计解决方案。
使用智能手机驱动的增强生物多样性监测，...
非编码RNA参与生物学过程和疾病使其特征至关重要，从而需要对可以对大型非编码RNA进行分类的计算方法。近年来，深度学习在各个领域的成功导致其应用于非编码RNA分类。已经开发了多个新颖的架构，但是这些范围并未被当前的文献评论所涵盖。我们对最先进的不同方法和数据集进行了详尽的比较。此外，文献缺乏客观的基准。我们执行实验，以公平地评估流行数据集上非编码RNA分类的各种工具的性能。我们还测量计算时间和CO 2排放。关于这些结果，我们评估了不同建筑选择的相关性，并提供了未来方法的建议。数据集和可再现代码可在https://evryrna.ibisc.univ-evry.fr/evryrna/ncbench上找到。
使用大脑变形的地图集和限制的卡尔曼滤波器
摘要 - 基于术前图像的术语脑移位降低了神经元研究系统的准确性。在本文中，可以通过计算脑移位的估计来解决此问题，该估计可用于更新术前的大脑图像。因此，可以提高导航的精度。在这方面，使用大脑变形和受约束的卡尔曼过滤器（ACKF）提出了一种脑移位估计方法。另外，当风险函数是估计误差方差时，获得的ACKF估计是最佳无偏见的最小值估计。此外，在ACKF和两种现有方法（即受约束的卡尔曼滤波器（CKF）和基于地图集的方法）之间进行了比较。比较表明，ACKF会导致更准确的估计，并且需要更少的计算时间。最后，通过模拟说明了提出的ACKF方法对CKF和基于ATLAS的方法的至高无上。
利用优化模型实现梯级水电站收益最大化
本文重点研究短期梯级水力调度问题，特别是在竞争环境，即市场条件下。提出了一种非线性随机优化方法，将水力发电量作为每小时电力市场价格和水释放率的函数。为了解决基于土耳其梯级水力发电设施之一的案例研究，所提出的方法已成功应用于各种问题，计算时间可忽略不计，同时提供更高的利润。本文展示了应用基于拟牛顿法的模型可以实现的好处，该方法可以找到解决某种类型优化函数的零点或局部最大值和最小值，因为它可以更好地处理问题的不确定性、约束和复杂性。十年每小时水流入数据和电力市场价格被用作输入，并比较了级联和单一优化的结果。与每个水电站 (HPP) 的运行分别进行的比较研究表明，使用级联变体可获得 18% 的收入。
水能关系新闻
了解废水成分的传统方法需要大量采样。该过程可能耗费大量资源，并且仍可能产生不完整的数据集。CoDaRT 提供了一种有效的替代方案。用户可以通过选择各种数据类型、分类特征、算法参数和其他变量来定制该工具以适合自己的分析。通过进行这些定制，用户可以确保 CoDaRT 满足他们独特的分析需求——无需额外的实地工作。该工具通过一个用户友好的界面进行操作，允许用户以 .csv 格式输入他们的数据。处理数据后，CoDaRT 会选择“最佳拟合”模型来替换缺失的成分。输出包括重要信息，例如成分浓度、模型性能指标和计算时间，使 CoDaRT 成为研究人员和行业利益相关者的宝贵资源。该工具由 FECM 资助，现已在 EDX 上使用。
基于模型的系统工程中的关键参数管理
软件环境支持实施基于不确定性的多学科优化。非支配排序遗传算法 NSGA-II 强调了性能优化和成本降低之间的权衡及其对最佳设计的影响。基于可靠性的约束减少了解决方案空间，并通过将帕累托前沿移离最佳目标值来影响飞机的最终设计。ModelCenter 提供了有效的工具来应对不确定性下优化的高复杂性。虽然虚拟机上的并行模拟提高了计算性能，但 DOE 筛选可以通过消除不相关的输入来减少设计空间。将多目标转换为单目标函数将寻找最优解的重点放在全局帕累托前沿的一部分上，并大大缩短了计算时间。然而，这种解决方案需要在目标之间建立一个层次结构，因此留下了非支配设计解决方案。
在具有速度障碍的大型动作空间中为移动机器人计划移动机器人的蒙特卡洛
动态环境中的抽象运动计划是一项具有挑战性的机器人任务，需要避免碰撞和实时计算。最新的在线方法作为速度障碍（VO）保证安全的本地计划，而基于强化学习或图形离散化的全球计划方法在计算上效率低下或不可证明是碰撞的安全性。在本文中，我们将蒙特卡洛树搜索（MCT）与VO结合起来，以修剪不安全的动作（即相撞速度）。以这种方式，即使在非常大的动作空间（60个动作）中，我们可以进行极少的MCT模拟计划，比使用许多模拟的纯MCT获得更高的累积奖励和更低的计算时间。此外，由于与VO的动作修剪，我们的方法可以保证避免碰撞，而纯MCT则没有。在本文中铺平了在实际机器人和多代理分散运动计划上计划MCT计划的道路。
使用人工神经网络预测钒氧化还原液流电池的电压和过电位
摘要：本文探讨了经过训练的人工神经网络 (ANN) 在预测钒氧化还原液流电池行为方面的新应用，并将其性能与二维数值模型进行了比较。目的是评估两个 ANN 的能力，一个用于预测电池电位，一个用于预测各种操作条件下的过电位。先前用实验数据验证过的二维模型用于生成数据来训练和测试 ANN。结果表明，第一个 ANN 可以在充电和放电模式下精确预测不同充电状态和电流密度条件下的电池电压。负责过电位计算的第二个 ANN 可以准确预测整个电池域的过电位，在电极膜和域边界等高梯度区域附近的置信度最低。此外，计算时间大幅减少，使 ANN 成为快速理解和优化 VRFB 的合适选择。
基于稀疏视图计算机断层扫描
摘要提出了一种新的稀疏 - 视图计算机断层扫描重建方法，该方法利用了变压器网络的恢复能力，特别是基于Swin Transformer的图像重建网络SWINIR。我们的方法包括三个关键块：通过线性插值来提高采样，使用两者中深度学习的初始重建以及残留的细化。测试了两个架构：一个长期的架构，该结构在残留细化块的两个域中使用神经网络，而在正式结构域中仅使用网络的网络进行了简短。用swinir和u-net测试了每种方法，从而产生了四种变体，所有这些方法在PSNR和SSIM方面都优于FBP和SIRT（例如FBP和SIRT）。使用Swinir的短体系结构取得了最佳结果，其训练和计算时间小于基于Swinir的长架构，但比两个基于U-NET的变体都大。
使用机器学习和遗传算法来预测激光peen形成的区域
激光peen形成使用激光 - 脉冲诱导的应变来通过调节激光参数和镀金模式来变形。在几乎有限解决方案的广阔空间中找到最佳模式是具有挑战性的。本研究使用简化的模型提出了一种工作流，以预测变形。使用基于机器学习的细胞自动机神经网络（CANN）和遗传算法（GA）用于模式词典。实验显示高过程不确定性，证明了简化的建模合理。CANN预先指定的模式可靠，但由于各种过程参数的不足变形数据而缺乏概括。GA所需的优化工作以减少计算时间，但在概括模式预测方面取得了成功。2023作者。由Elsevier Ltd代表制造工程师协会（SME）出版。这是CC下的开放访问文章（http://creativecommons.org/licenses/4.0/）。