XiaoMi-AI文件搜索系统
World File Search System输出值
acta astronautica
，作为火箭发动机的潜在未来控制器。在模拟和实验中提出并分析了用于简化冷气推进器的基于神经网络的腔室压力控制器。控制器的目标是双重的：它可以跟踪具有不同设定点更改的轨迹，并且允许设置和控制各种稳态腔室压力。神经网络将进食线压力测量数据作为输入，并将阀位置计算为输出值。控制器的训练阶段是通过Ecosimpro/ESPSS模拟中的强化学习算法完成的，该算法通过相应的实验设置的数据验证。应用于允许直接从模拟转移到测试设施域随机化。在模拟和实验中评估控制器。发现，在物理可能的操作点范围内 - 控制器获得了不断高的奖励，这对应于低误差和良好的控制性能。在模拟中，控制器能够调整所有必需的设置点，稳态误差小于0。1个吧台，同时保留了一个小的过冲和最佳的安定时间。发现控制器还能够调节实际实验中所有所需的设定点。具有不同步骤的参考轨迹，在模拟和实验中测试了目标压力的线性和鼻窦变化。在两种情况下，控制器都能够成功遵循给定的轨迹。
使用优化和机器学习
摘要：准确的瞬时电力峰值负载预测对于有效的容量计划和具有成本效益的电力网络建立至关重要。本文旨在通过采用包含各种优化和机器学习（ML）方法的模型来提高瞬时峰值预测的准确性。本研究使用多线性回归（MLR）方程来研究独立输入对峰负荷估计的影响。这项研究利用1980年至2020年的输入数据，包括进出口数据，人口和国内生产总值（GDP），以预测瞬时电力峰值负载为输出值。根据误差指标，包括平均绝对误差（MAE），均方根误差（MSE），平均绝对百分比误差（MAPE），均方根误差（RMSE）和r 2评估这些技术的有效性。比较扩展到流行的优化方法，例如粒子群优化（PSO），以及该领域的最新方法，包括蒲公英优化器（DO）和淘金热优化器（GRO）。与常规机器学习方法进行了比较，例如支持向量回归（SVR）和人工神经网络（ANN），就其预测准确性而言。调查结果表明，ANN和GRO方法会产生最小的统计错误。此外，相关矩阵表明GDP与瞬时峰负载之间存在牢固的正线性相关性。所提出的模型显示出强大的预测能力来估计峰负荷，而ANN和GRO的表现与其他方法相比表现出色。
普通oaep变换的量子后安全
量子计算的快速进展以及Shor's算法[12]（如Shor算法）的存在，引发了用后量词加密术代替旧密码学的必要性。朝着这一目标，标准技术研究所（NIST）发起了量子后加密术的竞争。在本文中，我们在NIST竞争的最终主义者之一NTRU提交[6]中解决了一个公开问题。（未修改）量子随机甲骨文模型中（未修改的）最佳不对称加密填充（OAEP）的安全性已被称为[6]中有趣的开放问题。现有的量词后安全证明[14]需要对OAEP变换进行修改。（请参阅下面的详细信息。）随机Oracle模型[1]是一个强大的模型，在该模型中，假设存在包括对手在内的各方都可以访问的真正随机函数，则证明了加密方案的安全性。但在现实世界应用中，随机甲骨文将被加密哈希函数替换，并且该功能的代码是公开的，并且是对手所知道的。在[4]之后，我们使用量子随机甲骨文模型，在该模型中，对手可以在叠加中对随机甲骨文进行查询（即，给定输入的叠加，他可以得到输出值的叠加）。这是必要的，因为基于真实哈希函数的量子对手攻击方案必须能够评估叠加中的功能。因此，如果一个Quantum Security请求，则随机Oracle模型必须反映该功能。
如何在金融中使用机器学习-Mestiri，Sami
机器学习（ML）是人工智能（AI）的应用，它允许系统从经验中学习和改进而无需明确编程。在效果中，它是关于开发可以访问数据并自行学习的预测模型。有几种类型的学习，我们区分：监督学习：是使用真理完成的，也就是说，我们对样本的输出值应该是什么。因此，此类学习的目标是学习一个给定数据示例和所需结果的函数，以便最好地近似可观察到的输入和输出之间的关系。有两种类型的监督学习。分类算法试图预测试图预测连续价值的类别/类别和回归算法。无监督的学习：旨在进行数据结构推理。无监督学习中的两个最常见的子类别是聚类和降低性。在聚类观测中以一种产生较高的组内模拟和低组间相似性的方法进行了分组。已提出的聚类方法的不同类型是基于熵的，基于密度和基于分布的方法。降低维度旨在通过降低其维度，同时保留大多数固有信息来增加数据的信息密度。基于主成分分析（PCA）有不同的技术，该技术得出了原始变量的线性组合，以涵盖数据中尽可能多的差异。此第二，基于神经网络的方法通过特定的体系结构降低了维度。AI越来越多地通过令人印象深刻的应用进入我们的日常生活。本文讨论了使用ML来解决财务研究中的问题。
通过敏感性分析解读人工智能交易员的投资决策算法
随着金融科技的进步，金融机构现在广泛应用于其运营中的人工智能（AI），例如贷款决策、保险支付评估和欺诈交易检测。在资产管理领域，该技术正被用于在市场预测和投资策略中发现当前信息与未来资产价格之间存在的复杂关系，并取得了一些优异的效果。 另一方面，包括深度学习模型在内的人工智能内部的处理过程非常复杂，有人指出，存在所谓的“黑盒”问题，即不容易解释人工智能决策背后的因果关系。在资产管理领域，由于对高投资回报的期待，对能够做出超出人类理解的投资决策的人工智能的需求将不断增加。如果这导致无法由人类验证其有效性的交易增加，未来可能会出现意想不到的风险，影响金融机构的财务健全性和市场的稳定。 近年来，为了缓解人工智能的黑箱性质，人们进行了大量研究，主要在图像识别领域，以解释人工智能内部的处理过程。 在资产管理领域，人们对AI的可解释性的兴趣日益高涨，例如，Shiono（2018）通过将AI模型与理论宏观经济模型相结合，构建了一个回报预测AI，在预测准确性和可解释性之间取得了良好的平衡。 在本研究中，我们构建一个对未来日经225期货收益具有解释能力（以下称预测精度）的AI交易员，并尝试通过敏感性分析表达其输入变量（市场数据）和输出值（投资决策）之间的关系，从而解释AI的内部处理过程。
与人工神经网络的木聚合物复合材料的机械性能建模Mustafa AltayEroğlu，A， * Suat Altun，B和HasanHüsey
Mechanical properties (tensile strength (TS), modulus of elasticity in tensile (MET), flexural strength (FS), modulus of elasticity (MOE)) of the material to be obtained depending on the production parameters in the production of high-density polyethylene (HDPE) wood-polymer composites with Scots pine wood flour additive were predicted using Artificial Neural Networks (ANN) model and without破坏性测试。在研究的第一阶段，使用来自56种不同研究的有关木材聚合物复合材料的机械性能的不同研究开发了ANN模型。在第二阶段，为了确定模型的可靠性，使用未在模型的训练和测试中使用的输入参数估算输出值。基于相同的输入参数，产生了测试样品，并进行了机械测试。通过考虑平均绝对百分比误差（MAPE）值来比较从实验和ANN模型中获得的结果。在ANN模型的训练和测试阶段获得的测定系数（R 2）值均高于0.90。通过这种方式，ANN模型成功预测了木材聚合物复合材料的机械性能。由于从机械测试获得的大多数MAPE值低于10％，因此该模型被认为是可靠的模型。doi：10.15376/biores.19.3.4468-4485关键字：拉伸强度；弯曲力；弹性模量； HDPE; MAPE联系信息：A：Safranbolu的互助设计系，Safranbolu西YılmazDizdar职业学校，卡拉布克大学，Safranbolu/Karabuk，土耳其； B：土耳其卡拉布克大学卡拉布克大学技术学院工业设计工程系；答：土耳其杜兹克大学的林产品工业工程，杜兹斯大学林业教师； *通讯作者：altayeroglu@karabuk.edu.tr简介
光电跟踪系统的动态高型区间2型模糊逻辑控制
摘要：提出一种基于区间2型模糊逻辑控制器（IT2FLC）的动态高型控制（DHTC）方法，将其应用于光电跟踪系统，提高稳态精度和响应速度。在传统的多环反馈控制环中加入积分器，可以增加系统型数，从而加快响应速度，提高稳态精度，但存在积分饱和的风险。根据系统状态动态切换型数，可以在保留高型优点的同时避免积分饱和。模糊逻辑控制（FLC）可以根据输入的变化动态地改变输出值，具有响应速度快、处理不确定性能力强等优点。因此，本文将FLC引入高型控制系统，以FLC的输出作为积分器的增益来控制积分器的通断，达到动态切换型数的目的，并在实验中得到成功验证。 IT2FLC引入了三维隶属函数，进一步提高了FLC处理不确定性的能力。从实验结果来看，与T1FLC相比，IT2FLC处理不确定性的能力明显提高。另外，为了加快IT2FLC的计算速度，本文提出了一种改进的类型归约算法，即加权梯形Nie-Tan（WTNT）。与传统类型归约算法相比，WTNT具有更快的计算速度和更好的稳态精度，且已成功应用于实时控制系统，有很好的工程应用价值。最后，为了减少人为因素的干扰，提高系统的自动化水平，采用多种群遗传算法（MPGA）对FLC的参数进行迭代优化，提高了输出精度。在柔性快速反射镜(FFSM)实验平台上,对比了传统控制器、T1FLC及IT2FLC的控制效果,证明了IT2FLC-DHTC系统具有更快的响应性能、更高的稳态精度、以及更强的处理不确定性的能力。
光电跟踪系统的动态高型间隔 2 型模糊逻辑控制
摘要：本文提出一种基于区间2型模糊逻辑控制器（IT2FLC）的动态高型控制（DHTC）方法，将其应用于光电跟踪系统，提高稳态精度和响应速度。在传统的多环反馈控制环中加入积分器，可以增加系统类型，从而加快响应速度，提高稳态精度，但存在积分饱和的风险。根据系统状态动态切换类型，可以在保留高型优点的同时避免积分饱和。模糊逻辑控制（FLC）可以根据输入的变化动态地改变输出值，具有响应速度快、处理不确定性能力强的优点。因此本文将FLC引入高型控制系统，利用FLC的输出作为积分器的增益来控制通断，达到动态切换型的目的，并在实验中成功验证。IT2FLC引入了三维隶属函数，进一步提高了FLC处理不确定性的能力。从实验结果来看，与T1FLC相比，IT2FLC处理不确定性的能力明显提高。此外，为了加快IT2FLC的计算速度，本文提出了一种改进的类型降阶算法，称为加权梯形Nie-Tan（WTNT）。与传统降阶算法相比，WTNT具有更快的计算速度和更好的稳态精度，并已成功应用于实时控制系统，具有很好的工程应用价值。最后，为了减少人为因素的干扰，提高系统的自动化水平，采用多种群遗传算法（MPGA）对FLC的参数进行迭代优化，提高了输出精度。在柔性快速反射镜（FFSM）实验平台上，对比了传统控制器、T1FLC和IT2FLC的控制效果，证明了IT2FLC-DHTC系统具有更快的响应性能、更高的稳态精度和更强的处理不确定性的能力。
加密邮票 - 发现一些定义
加密邮票 - 发现一些定义NFT不可杀死的令牌：代表独特资产的基于区块链的令牌。这可能是一件艺术品，游戏中的一件，在虚拟世界或数字电影院票中的一件衣服。智能合约一个自我执行的程序，该程序可以自动化区块链交易中所需的操作。在某些情况下，它可能与NFT相关。关于智能合约的独特之处在于，尽管有两个或多个政党没有人需要绘制它。代码决定发生了什么，这不能逆转。钱包可以将其与电子邮件地址进行比较。这是您存储NFT的地方。您可以让所有人访问您的钱包。在这种情况下，每个人都可以看到里面的东西。相反的是一个私人钱包，只有所有者才能看到。以太坊可以运行智能合约的区块链网络。大多数NFT都利用以太坊网络。以太坊可以看作是新的互联网。这是一个通过智能合约构建的分散应用程序（DAPP）的分散网络。从理论上讲，可能性是无限的。Opensea目前是最大的NFT市场。以太坊区块链和多边形网络NFT可以在Opensea上进行交易。目前最大的收藏都是在Opensea上建造的，许多人认为这是NFT的首选目的地。哈希与数字指纹相当，哈希通过一组数字标识文本字符串或文件。如果两个文件或文本字符串具有相同的哈希值，它们几乎可以肯定相同。哈希表示，通过应用一个函数，其输出值的长度相同，将数字或字母数字字符串分配给数据。这是一种加密方法。区块链保留了交易记录的系统。这些交易可能会有所不同。从加密货币的付款到交换重要数据，例如合同，文凭或所有权证明。他们的共同点是，数据块是由双方数字签署而没有第三方参与并立即存储在数据库中的。
无监督的机器学习算法的类型
无监督的学习是一种机器学习方法，它处理了未标记的数据，与监督学习不同的是在其中标记了特定类别或结果的数据。无监督的学习算法在数据中找到模式和关系，而没有事先了解其含义，从而自行发现隐藏的群体和模式。该算法没有预定义的标签或类别，因此它必须使用诸如聚类，降低性降低或异常检测等技术基于固有模式来弄清楚如何根据固有模式进行分组或组织数据。此过程可以揭示从标记的数据集中显而易见的数据中的见解。例如，购物中心可以根据购买行为等参数将无监督的学习用于分组客户。该算法的输入包括可能包含嘈杂数据，缺失值或未知数据的非结构化数据。有三种用于无监督数据集的算法的主要类型：聚类，关联规则学习和降低维度。聚类是一种基于它们的相似性，用于无监督的机器学习中，将未标记的数据分组为群集。聚类的目的是在数据中识别数据中的模式和关系，而无需先验其含义。这些算法用于将原始的，未分类的数据对象处理为基团，例如根据其物种将大象，骆驼和母牛等动物分组。给定的文本是关于聚类算法，关联规则学习，降低维度，无监督学习的挑战以及无监督学习的应用。2。3。无监督的机器学习算法在没有预定义标签或类别的数据中识别数据中的模式和分组。应用程序包括欺诈检测，网络安全，设备预防，建议系统，图像和文本聚类，社交网络分析，天文学和气候科学。无监督学习的类型包括：1。聚类：分组相似的数据点。降低尺寸：在保留信息的同时降低功能。异常检测：识别偏差模式或异常值。4。建议系统：根据用户行为建议产品。无监督学习的挑战包括缺乏标记的数据，这可能会使评估变得困难，并且对数据质量的敏感性，这可能会影响算法性能。无监督的学习用于NLP任务，例如主题建模，文档群集和言论部分标记。它不同于监督学习，算法学会根据标记的培训数据将输入数据映射到所需的输出值。前8个无监督的机器学习算法是：[插入算法列表]此博客文章旨在帮助用户确定哪种算法最适合其解决问题的需求。k-means聚类，PCA，自动编码器和DBN算法用于无监督的机器学习：比较分析机器学习算法在数据分析中起着至关重要的作用，而无监督的学习是该领域的重要方面。我们将提供一个简短的概述，示例和详细信息，以了解哪些算法更适合特定类型的数据集。在本文中，我们将探讨四种流行的无监督机器学习算法：K-均值聚类，主成分分析（PCA），自动编码器和深度信念网络（DBN）。k-means聚类是用于数据分割的最流行的无监督的机器学习算法之一。它通过将数据集分区为K群集来工作，在K群集中，每个群集的均值是从训练数据中计算出来的。通常通过实验确定簇k的数量。k-均值聚类由于其易于理解和实施而具有优势，并且缺乏对数据基础分布的假设。但是，它可以对初始化值敏感，而不是对大数据集的可扩展性，并且与分类数据无法很好地工作。PCA算法用于降低维度，通常与K-均值聚类结合使用。它找到了一个较低维的空间，其中包含原始数据集中的大多数变化，可以通过降低维度而不会丢失太多信息来帮助使用高维数据集。PCA可以提高许多机器学习算法的性能，因为它们通常对维度敏感。但是，它在计算上可能很昂贵，并且可能不会总是降低维度的情况而不会丢失信息。自动编码器算法是一种用于无监督学习的神经网络。它通过获取输入数据集并将其编码为隐藏层，然后将编码数据与原始输入数据集进行解码和比较。它也无法与分类数据合作。如果两组之间有很高的相似性，则编码器已正确完成了其作业。自动编码器可以在数据中学习复杂的模式，但是如果编码器和解码器不够相似，则可能在计算上昂贵。深度信念网络（DBN）算法是一种用于无监督学习的深度学习算法。它创建了一个层的层次结构，其中每个层由多个神经元组成，从连接到原始数据集的输入层开始，并以产生最终输出的神经元组成的输出层结束。dbn可以学习数据中的复杂模式，但需要广泛的培训数据和计算资源。dbns根据所需的监督学习类型用于分类或回归。他们的快速训练时间是一个重要的优势，因为它们仅在输入到输出层的一个方向上训练。只要存在某些功能信息，它们也可以在有限的标记数据中表现良好。但是，DBN具有限制，例如大量的培训数据和需要大量的计算能力进行培训。此外，他们在分类数据上挣扎。卷积神经网络（CNN）是无监督和监督学习问题的流行选择，因为它们在数据集之间学习复杂的关系的能力。它们是通过将输入图像拆分到小窗口中的，然后将其通过多个执行卷积操作的神经元的层。此过程使CNN能够产生准确的预测，并且只能使用反向传播来快速训练。支持向量机（SVM）是用于无监督和监督学习问题的另一种机器学习算法。它们通过在高维空间中构建超平面而起作用，其中所有训练数据点位于一侧，目标是找到最佳的超平面，以对所有培训数据点进行分类。CNN和SVM都提供了诸如低维输入空间和快速培训时间之类的优点。但是，它们也有缺点，包括对大型数据集的高计算要求以及处理分类数据的局限性。对于有兴趣进一步探索这些算法的人，下面提供了Python代码参考。如果您对其他流行的AI和数据科学主题有建议，请随时让我们知道！