XiaoMi-AI文件搜索系统
World File Search System钢筋
基于深钢筋学习的细分驱动图像增强
摘要。大型模型的兴起，通常称为基础模型，导致了人工智能研究领域的巨大进步。我们的经验发现表明，在特定表面分割挑战方面，大型模型可能会挣扎或表现不佳，包括识别和在条形钢表面上的缺陷（s 3 d）以及磁性瓷砖表面上不完美的情况检测。将大型模型应用于缺陷分割，而不是对大型模型进行填充，我们建议使用几种经典滤器来增强输入图像，提出了segrive demage d riven d riven d riven-d riven d riven-d riven。在这种情况下，多层中的过滤器的权重通过增强学习控制。然后，我们在具有不同少量设置的两个S 3 D数据集上测试我们的方法。我们的方法与S 3 D（例如CPANET）的其他方法相比，完成了任务。我们认为，我们的工作不仅为下游任务打开了机会，例如分割大型模型的工业缺陷，而且可能在将来在各种领域中都有潜在的应用，包括医疗图像处理，远程感应图像分析，农业等。
使用深钢筋的动态迷宫拼图导航
在移动机器人技术中实施深度强化学习是为开发自动移动机器人开发以充分完成任务和运输对象的绝佳解决方案。强化学习通过自我学习和生物学上的合理性继续在机器人应用中表现出令人印象深刻的潜力。尽管取得了进步，但仍在在动态环境中应用这些机器学习技术。本论文探讨了使用图像作为输入的深Q-Networks（DQN）的性能，用于动态迷宫难题中的移动机器人导航，并旨在为模拟和现实生活中的机器人系统的深入强化学习应用程序的进步做出贡献。此项目是在基于硬件的系统中实现的一步。
用Lyapunov屏障证书正式验证深钢筋学习控制器
摘要 - 深处增强学习（DRL）是一种强大的机器学习范式，用于生成控制自主系统的代理。但是，DRL代理的“黑匣子”性质限制了其在现实世界中关键应用程序中的部署。为代理行为提供强大保证的一种有前途的方法是使用神经Lyapunov屏障（NLB）证书，该证书是通过系统中学的功能，其属性间接地暗示着代理的行为。但是，基于NLB的证书通常很难学习，甚至更难验证，尤其是对于复杂的系统。在这项工作中，我们提出了一种新颖的方法，用于培训和验证基于NLB的离散时间系统证书。具体来说，我们引入了一种证书组成的技术，该技术通过策略性地设计一系列证书来简化高度复杂系统的验证。当通过神经网络验证引擎共同验证时，这些证书提供了正式的保证，即DRL代理都实现了其目标并避免了不安全的行为。此外，我们引入了一种用于证书过滤的技术，该技术大大简化了生成正式验证的证书的过程。我们通过案例研究证明了我们的方法的优点，该案例研究为DRL控制的航天器提供了安全性和livesice保证。
分布式深钢筋学习基于联邦学习启用车辆边缘计算的梯度量化
摘要 - 填充学习（FL）可以通过共享车辆本地模型而不是本地数据的梯度来在一定程度上保护车辆在车辆边缘计算（VEC）中的隐私。车辆本地型号的梯度通常对于车辆人工智能（AI）应用通常很大，因此传输如此大的梯度会导致较大的环境潜伏期。梯度量化已被认为是一种有效的方法，可以通过压缩梯度和减少位的数量，即量化水平，从而减少FL的每轮潜伏期，从而降低VEC。选择量化水平和阈值的选择决定了量化误差，这进一步影响了模型的准确性和训练时间。为此，总训练时间和量化错误（QE）成为启用FL的VEC的两个关键指标。与启用FL的VEC共同优化总训练时间和量化宽松至关重要。但是，随时间变化的通道条件会引起更多挑战来解决此问题。在本文中，我们提出了一个分布式的深钢筋学习（DRL）基于量化水平分配方案，以优化长期奖励，从总培训时间和量化宽松的时间来优化。广泛的模拟确定了总训练时间和量化宽松之间的最佳加权因素，并证明了拟议方案的可行性和有效性。
通过深钢筋学习用软机器人手臂推动
和投掷。[14]但是，由于收集和标记代表性交互数据集，广泛的优化和过度拟合的挑战，数据驱动的前向模型对于交互任务不合适。与未经检测环境相互作用的CSM的有希望的方法是连续机械模型。这些模型以物理术语表征了软机器人的变形，并用作物理相互作用的有价值的模拟器。经典的有限元方法可以准确代表复杂的3D几何形状。[15]这种准确性以高计算成本而使控制问题复杂化，尽管最近的模型订单减少技术使这些方法更实惠。[16,17]其他合适的方法采用了降低的机械模型，例如哥塞拉特杆，它们有效地描述了经历了大型专制的细长身体，平衡了复杂力学和计算效率的准确表示。
使用混合深钢筋学习
摘要 - 在越野环境中旋转的未拧紧地面车辆（UGV）的准确路径跟踪面临着源于操作条件的多样性引起的挑战。用于Ackermann转导车辆的传统基于模型的控制器具有良好的（无防滑）路径跟踪的穿孔，但性能会以越来越不平坦的地形和更快的遍历速度下降。本文介绍了一种新颖的方法，一种混合深化增强学习（HDRL）控制器，利用了线性二次调节器（LQR）的优势和深钢筋学习（DRL）控制器，以增强Ackermann steceered ugvs的增强路径跟踪。DRL控制器主要弥补地形条件和未知车辆参数的不确定性，但训练在计算上可能很昂贵。LQR控制器在初始训练阶段指导DRL控制器，从而确保更稳定的性能并在早期迭代中获得更高的回报。这样做，这种混合方法提供了有望克服基于模型的控制器的局限性以及常规DRL方法的样本信息的局限性。在手稿中显示的初步结果显示了HDRL控制器的希望，表现出比无模型的DRL和常规反馈控制器更好的性能。
基于梯度的深钢筋学习解释方法
摘要摘要摘要：摘要：DQN之类的深强化学习方法的学习过程和工作机制不透明，并且无法感知其决策基础和可靠性，这使该模型的决策高度可疑，并且极大地限制了深入强化学习的应用程序场景。要解释智能代理的决策机制，本文提出了基于梯度的显着性图生成算法SMGG。它使用高级卷积层生成的特征图的梯度信息来计算不同特征地图的重要性。使用模型的已知结构和内部参数，从模型的最后一层开始，通过计算特征映射的梯度来生成不同特征地图相对于显着性图的重量。它列出了在正方向和负面方向上特征的重要性，并使用具有积极影响的权重来加重功能图中捕获的特征，从而形成了当前决策的积极解释；它使用对其他类别产生负面影响的权重来对特征映射中捕获的特征进行加权，从而形成了当前决策的反向解释。决策的显着性图是由两者共同生成的，并且获得了智能代理的决策行为的基础。通过实验证明了该方法的有效性。
加强钢筋混凝土...
所有标本都得到加强，具有相同的混凝土级和钢筋。与各种强化配置的故障扭转力矩以及性能改进和裂纹模式一样。这项研究的目的是评估使用环氧键合的GFRP织物作为外部横向加固，以将经受扭转的钢筋混凝土束。将增强梁的效率结果与对照束的实验结果进行了比较，而无需使用FRP。这项研究表明，所有GFRP增强光束的扭转行为都有显着改善。使用FRP被证明是可行的。各种包装构型的有效性表明，完全包裹的光束的性能要比使用条更好。简介：
深钢筋学习的基于图形的无细胞大量mimo的访问点选择
广泛认识到，所有AP服务所有用户都可以导致大量的回程开销。为了减轻背部高架负担并增强网络实用性，在[4]中提出了一种称为中心方法的AP选择方法，在[4]中，每个AP仅为用户提供最强渠道的用户，即接收到最强的信号参考功率（RSRP）。但是，以用户为中心的方法忽略了网络拓扑的信息，并且可能在某些拓扑场景中表现不佳。考虑一个网络拓扑，其中众多用户靠近一个AP。根据以用户为中心的方法，这些用户将连接到同一AP，从而导致接收信号强度和严重的内部干扰。为了增强此类网络拓扑中以用户为中心的方法，在[5]中的AP选择过程中考虑了有效的渠道增益，而不是RSRP，以减少Intra-AP干扰。然而，每个用户只连接到一个AP，可以将其扩展到多个AP。
一种基于无模型的深钢筋学习方法，用于评估实时PV托管能力
通过铸造方法制备了由聚乙烯醇和羧甲基纤维素（PVA/CMC）组成的混合基质。SiO 2纳米颗粒以不同量的加固添加（Sio 2 = 1、2、3和4 wt。％）。这项研究利用FTIR来检查组成的变化以及混合矩阵与SIO 2的包含之间的相互作用。在第一次，使用接触角度和表面粗糙度参数的测量结果，使用SIO 2添加了SIO 2，研究了PVA/CMC混合矩阵的表面粗糙度和表面润湿性。随着SIO 2含量的增加，混合矩阵的表面粗糙度和润湿性增加。此外，混合矩阵光学特性由UV - 可见分光光度计确定。基于使用TAUC的关系分析，发现能量带隙从5.52降低到5.17 eV（直接过渡），从4.79降低到4.79 ev（pva/cmc和PVA/CMC和PVA/CMC/CMC/4％SIO 2 BlendEnflms）。PVA/CMC和PVA/CMC/4％SIO 2混合胶片的折射率从2.009增加到约2.144。此外，在添加SIO 2纳米颗粒后，PVA/CMC混合物的光学传导率和介电常数得到了改善。