XiaoMi-AI文件搜索系统
World File Search System计算负担
使用随机矩阵的多传感器贝叶斯扩展目标跟踪融合方法
摘要-由于多种现代雷达系统的高分辨率，扩展目标的跟踪吸引了越来越多的文献。在随机矩阵框架中提出了一种完全贝叶斯解决方案。本文分析了多个传感器获得的检测融合。提出了四种不同的方法来跟踪和联合估计运动学和范围参数。它们都使用相同的多传感器运动学矢量测量更新。第一种方法基于范围状态概率密度函数的粒子近似，而其他三种方法基于后者的逆 Wishart 表示。广泛的模拟评估了不同方法的性能。基于粒子滤波器的方法获得了最佳性能，但计算负担增加了。基于多传感器泛化的两种更新具有可比的性能，而基于融合近似的更新获得了最差的性能。
寒区研究与工程实验室
是一个公认的事实，即地面的状态是由下降的太阳能和IR助焊剂在很大程度上驱动的。模型为预测地面的状态而开发的模型急剧取决于这些通量的初始化。当无法使用测量的太阳能和红外通量时，必须计算它们。我们已经比较了使用不同太阳通量初始化方案进行的热模型计算的接地温度。这些初始化方案使用了在智能武器可操作性增强（SWOE）野外程序中测量的太阳通量值，并从半经验模型（Shapiro的模型），平面平行模型（Modtran）和ARL的AIM（大气照明模块）模型中计算出的太阳通量值。我们研究了表面温度对不同太阳通量初始化方案的响应，而所有其他环境参数均保持恒定。我们发现，对于晴朗的天空，所有方案都产生了几乎相同的表面温度。对于部分多云和多云的天空，只有AIM模型才能模仿测得的太阳通量观察到的空间变异性。云场景仿真模型（CSSM）用于确定云的空间变异性。然后使用AIM使用云分布来产生表面太阳负荷的变化。cssm还具有在短时间内在云场中产生时间变化的能力。因此，可以使用CSSM并旨在在太阳负载中产生时间和空间变化。诸如AIM之类的模型经常承担巨大的计算负担。为了减轻与目标相关的计算负担，我们已经实施了几个新的程序。用于预测地面状态的分布式能量预算模型需要分布式环境参数才能初始化。这些参数中的许多可以从中尺度模型中获得，例如MM5或与IMET等程序相关的数据库。，据我们所知，这些模型或程序都没有提供分布式的太阳能或红外通量，这是能源预算模型的关键初始化参数。诸如与CSSM相关的AIM，或为此而言，任何提供有关大气条件的空间和时间分布信息的模型，都可以用于提供辐射通量的空间和时间分布。
为电磁瞬态模拟形成 IBR
摘要 — 我们推导了用于电磁暂态 (EMT) 仿真的电网形成 (GFM) 逆变器资源 (IBR) 的控制层和物理层子系统的等效电路模型。考虑了三种不同的主控制器：下垂、虚拟同步机 (VSM) 和可调度虚拟振荡器控制 (dVOC)。此外，这些模型包括级联电压和电流控制环路以及 LCL 输出滤波器。本文介绍了单逆变器设置和改进的 IEEE 14 总线拓扑中的五个逆变器网络的仿真。使用模拟电子电路仿真软件（在我们的例子中是 LTspice）模拟的等效电路模型与商用现成的 EMT 软件（在我们的例子中是 MATLAB-Simulink）中基于框图的实现相比，具有相同的精度，但计算负担降低了 150 倍。索引词 — 电磁暂态仿真、等效电路模型、电网形成逆变器。
b'Abstract本文讨论了将双重/伪证机器学习（DDML）与堆叠配对，这是一种模型平均方法，用于结合多个候选学习者，以估计结构参数。除了传统的堆叠外，我们还考虑了可用于DDML的两个堆叠变体：短堆栈利用DDML的交叉拟合步骤可大大减轻计算负担，并汇总堆叠强制执行常见的堆叠权重，而不是交叉折叠。使用校准的仿真研究和两种估计引用和工资中性别差距的应用，我们表明，与基于单个预先选择的学习者基于单一的替代方法相比，堆叠的DDML对部分未知的功能形式比部分未知的功能形式更强大。我们提供实施建议的Stata和软件。 JEL分类：C21，C26，C52，C55，J01，J08'
b'Abstract本文讨论了将双重/伪证机器学习（DDML）与堆叠配对，这是一种模型平均方法，用于结合多个候选学习者，以估计结构参数。除了传统的堆叠外，我们还考虑了可用于DDML的两个堆叠变体：短堆栈利用DDML的交叉拟合步骤可大大减轻计算负担，并汇总堆叠量强制执行常见的堆叠权重，而不是交叉折叠。使用校准的模拟研究和两种估计引用和工资中性别差距的应用，我们表明，与基于单个预先选择的学习者的常见替代方法相比，堆叠的DDML对部分未知的功能形式更强大。我们提供实施建议的Stata和软件。JEL分类：C21，C26，C52，C55，J01，J08'
实习：建造3D网状自动编码器-AFIG
实习的主要目标是对网格代表领域内的当前文献进行彻底审查。随后，目的是设计和实现3D网格自动编码器，以便能够准确捕获对象的形状并有效地将它们压缩到潜在表示中。利用潜在空间已被证明在生成模型中非常有效，如文本对图像模型中所示[6，7]。该自动编码器的潜在应用是多种多样的。主要是，它有可能通过促进潜在空间内的直接操作来大大减轻模型的计算负担。这不仅解锁了在网格序列上无缝工作的运动模型的可能性，而且还使模型的扩展能够处理多个字符，从而结合了它们之间的相互作用。其次，潜在空间可用于生成模型中，从而促进了从文本/图像/视频到姿势/运动的翻译。
使用 DNN 算法检测脑肿瘤
摘要：机器学习为科学家实现伟大的技术壮举提供了途径。在图像检测和分割方面取得显著成果的算法被称为深度神经网络。为了增强和完善这些技术，我们提出了一种利用堆叠自动编码器的 DNN 结构。活检用于对脑肿瘤进行分类，通常不会在确定性脑外科手术之前进行。机器学习的进步将有助于协助放射科医生在不使用侵入性手术的情况下进行肿瘤诊断。我们利用它的速度和以人为本的优势来改进医学成像设施。随着训练速度和准确性的提高，机器学习可以为医务人员打开新的大门。它将简化理解人脑的过程，并节省大量时间，避免手动扫描医学图像的计算负担。关键词：深度神经网络 (DNN)、卷积神经网络、自动编码器、脑肿瘤、机器学习
深度优化的替换盒量子实现
近年来，量子计算被认为是对我们日常通信中使用的安全 / 隐私算法的完整性的严重威胁。特别是，它促使人们加速研究捍卫后量子世界的密码学。为了了解我们当前使用的哪些加密协议容易受到此类攻击，我们旨在自己使用或模拟量子计算机来诊断加密弱点。最近的研究成果如 [6]、[18]、[19] 反映了这一点。为了优化针对给定协议的 Grover 搜索算法密钥恢复攻击，我们需要一个负担最小的协议量子电路实现。一个与计算负担成比例的指标是电路的深度。在量子计算机模拟中，深度优化的量子电路减少了计算模拟攻击结果所需的时间。在量子计算机的物理实现中，深度优化的电路减少了组件之间的接近度，从而减少了电路中的噪声量。
智能电网的发展
随着智能电网的发展，它需要增加分布式智能、优化和控制。模型预测控制 (MPC) 促进了智能电网应用的这些功能，即：微电网、智能建筑、辅助服务、工业驱动、电动汽车充电和分布式发电。其中，本文重点全面回顾了 MPC 在电网整合分布式能源 (DER) 电力电子接口中的应用。特别是，详细介绍了风能转换系统、太阳能光伏、燃料电池和储能系统的电力转换器的预测控制。还回顾了电网连接转换器的预测控制方法、基于人工智能的预测控制、未解决的问题和未来趋势。该研究强调了 MPC 在促进各种可持续电网连接 DER 的高性能、最佳功率提取和控制方面的潜力。此外，该研究为人工智能技术提供了详细的结构，这些技术有利于提高性能、简化部署并减少电力转换器预测控制的计算负担。
以储能为灵活性选项的可再生能源系统多阶段随机规划分布式计算框架
提出了一种综合发电、输电和储能规划模型，该模型考虑了短期约束和长期不确定性。该模型通过机组承诺约束来表示短期运行，从而可以准确量化可再生能源系统中灵活性选项的价值。长期不确定性通过场景树表示。结果模型是一个大规模多阶段随机混合整数规划问题。为了克服计算负担，提出了一种基于新型列生成和共享算法的分布式计算框架。通过应用于 NREL 118 总线电力系统的研究案例证明了所提出方法的性能改进。结果证实了同时对短期约束和长期不确定性进行建模的附加值。计算案例研究表明，所提出的解决方案在计算性能和准确性方面明显优于最先进的技术。所提出的规划框架用于评估储能系统在向低碳电力系统过渡过程中的价值。
研究论文基于皮尔逊相关的混合 EEG-fNIRS BCI 的计算高效方法
这里考虑的混合脑机接口 (BCI) 系统是脑电图 (EEG) 和功能性近红外光谱 (fNIRS) 的组合。同时记录 EEG-fNIRS 信号以实现高运动想象任务分类。这种集成有助于实现更好的系统性能，但代价是增加系统复杂性和计算时间。在混合 BCI 研究中，通道选择被认为是直接影响系统性能的关键因素。在本文中，我们提出了一种使用 Pearson 积矩相关系数的新型通道选择方法，其中仅从每个半球选择高度相关的通道。然后，提取四个不同的统计特征，并使用它们的不同组合通过 KNN 和树分类器进行分类。据我们所知，目前还没有关于皮尔逊积矩相关系数用于混合EEG-fNIRS BCI通道选择的报道。结果表明，我们的混合系统显著减少了计算负担，同时实现了与现有文献相当的具有高可靠性的分类精度。