XiaoMi-AI文件搜索系统
World File Search System零值
ZHEJIANG LEAPMOTOR TECHNOLOGY CO., LTD. 浙江零 ...
2023年，我们实现新能源汽车年交付量144,155辆，较2022年同比增长29.7%。自2019年首款新能源汽车上市以来至报告期末，交付量年复合增长率为243.4%。2023年，C系列车型共交付105,701辆，占全年总交付量的73.3%以上，而2022年该比例为44.3%，表明产品结构不断改善。其中C11车型2023年全年交付80,708辆，较2022年同比增长81.9%。2023年连续实现20万辆、30万辆量产车交付，是公司跨越式发展的重要里程碑和新起点，巩固了公司行业新生力量的领先地位。
零值SD-WAN解决方案
网络和安全性的收敛是Sase的基石。不幸的是，第一代SDWAN解决方案提供了连接分支站点和数据中心的网络功能，但缺乏集成的安全堆栈。另外，基于云的SSE平台具有松散集成的SD-WAN功能，这些功能不是本地集成或需要连接以首先穿越云安全服务，以从恶意软件和数据丢失预防中受益。具有本地集成的SD-WAN的IBOSS零信任SASE平台通过将网络，安全性和记录功能完全统一为单个统一平台来改变游戏。这包括将完整的安全性和日志记录功能直接从云中扩展到通过Iboss Onsite Gateways。这确保了整个云服务中可用的所有功能，包括在商品宽带上创建安全的站点对站点连接。结果是提高安全性，可见性提高，复杂性降低，成本降低以及指数的最终用户体验。
ZHEJIANG LEAPMOTOR TECHNOLOGY CO., LTD. 浙江零 ...
• 经过八年技术积累，我们全套自研技术实现了从LEAP1.0到LEAP3.0架构的升级迭代，并于2024年1月10日正式发布。LEAP3.0技术架构融合了多项行业首创的领先技术，包括行业首个四域合一的集中式集成电子电气（E/E）架构（“四叶草架构”）、行业首个用一颗8295芯片实现高级驾驶辅助系统（ADAS）、智能座舱、驾驶及泊车功能的集成技术、行业首个脱离导航的城市全场景NAC技术、行业首个无缝OTA升级技术、行业首个新能源黄金动力总成技术（CTC电池+油冷电驱），整车架构通用性指数达88%，为行业最高。
零值网络访问（ZTNA）
传统的安全模型，通常称为基于周长的安全性，是在可以信任网络中受保护边界内的任何用户或设备的假设下操作的[8]。这些模型依靠防火墙，虚拟专用网络（VPN）和非军事区（DMZ）来创建网络周围的安全周边，从而保护其免受外部威胁。但是，这种方法在现代计算环境中越来越不足，在现代计算环境中，固定周长的概念正在迅速消失[14,3]。云计算的兴起，物联网（IoT）设备的扩散以及远程劳动力的扩展具有从根本上改变的网络拓扑，从而创造了更加碎片和复杂的基础架构。因此，基于周边的安全性不再足够，因为威胁可能来自网络内部，设备可以在传统边界之外运行，并且用户可能需要从多个位置和平台访问资源[7,13]。零值网络访问（ZTNA）作为对这些挑战的响应而出现的，为保护现代网络环境提供了一种更灵活，更强大的方法。ZTNA的核心原理很简单而强大：“永远不要相信，始终验证”。与自动信任网络外部设备的传统模型不同，ZTNA假设每个访问请求，无论其起源如何，都必须谨慎对待并经过严格的验证。此模型将重点从保护周边转移到确保个人资源[11,13]，以确保每个用户和设备都经过认证，授权和连续监控，然后才能获得访问关键网络资产的访问。
语义增强图像-文本预训练模型的零样本三维模型分类
Cheraghian 等人 [ 21 – 23 ] 在零样本 3 维模型分类方 面提出了 3 维点云的零样本学习方法、缓解 3 维零样 本学习中枢纽点问题的方法和基于直推式零样本学 习的 3 维点云分类方法，并将它们封装进一个全新 的零样本 3 维点云方法 [ 24 ] 中。以上方法均是利用已 知类样本的点云表征及其词向量对未知类别进行分 类，开创了零样本 3 维模型分类方法。近年来， CLIP 在零样本图像分类上取得了良好的效果，因此有研 究者将 CLIP 应用到零样本 3 维模型分类方法中， Zhang 等人 [ 25 ] 提出了基于 CLIP 的 3 维点云理解 (Point cloud understanding by CLIP, PointCLIP) 模型， PointCLIP 首先将 3 维点云投影成多个深度图，然 后利用 CLIP 的预训练图像编码器提取深度图特 征，同时将类别名称通过 CLIP 预先训练的文本编 码器提取文本特征。但是 PointCLIP 的性能受到深 度图和图像之间的域差异以及深度分布的多样性限 制。为了解决这一问题，基于图像 - 深度图预训练 CLIP 的点云分类方法 (transfer CLIP to Point cloud classification with image-depth pre-training, CLIP2Point) [ 26 ] 将跨模态学习与模态内学习相结合 训练了一个深度图编码器。在分类时，冻结 CLIP 的图像编码器，使用深度图编码器提取深度图特 征，该方法缓解了深度图和图像间的模型差异。用 于 3 维理解的图像 - 文本 - 点云一致性表征学习方法 (learning Unified representation of Language, Im- age and Point cloud for 3D understanding, ULIP) [ 27 ] 构建了一个图像、文本和点云 3 种模态的 统一嵌入空间，该方法利用大规模图像 - 文本对预 训练的视觉语言模型，并将 3 维点云编码器的特征 空间与预先对齐的视觉 - 文本特征空间对齐，大幅 提高了 3 维模型的识别能力。与之相似的是，基于 提示文本微调的 3 维识别方法 (CLIP Goes 3D, CG3D) [ 28 ] 同样使用 3 元组形式确保同一类别的 3 维模 型特征和图像特征之间以及 3 维模型特征和文本特 征之间存在相似性，从而使点云编码器获得零样本 识别的能力。另外， PointCLIP V2 [ 29 ] 在 Point- CLIP 的基础之上，通过利用更先进的投影算法和 更详细的 3 维模型描述，显着提高了零样本 3 维模型 分类准确率。本文采用语义增强 CLIP 解决图像和文 本的语义鸿沟问题，通过在语义层面为图像和文本 提供更多相似的语义信息，使图像和文本对齐更具有 一致性，从而有效提高 3 维模型的零样本分类性能。 2.2 提示工程
零能耗建筑电–氢–热双层能量优化调控方法
零能源建设电力 - 热热双层能量优化控制方法Kong Lingguo 1，Wang Shibo 1，Cai Guowei 1，Liu Chuang 1，Guo Xiaoqiang 2
基于NSUC1610的车载步进电机控制
NSUC1610 是通过反电动势的大小来进行堵转检测，在马达相位未通电期间，可以检测到 BEMF 电压。但这 不包括全步进模式，因为两个相位始终通电。以下假设在微步进模式下检测失速，BEMF 电压与电机转速成 正比，这样可以判断电机是否运行。由于只有在一相未通电的情况下才能进行测量，因此对 BEMF 电压的观 察非常有限。对于理想的电机，在没有任何负载和损耗的情况下，转子将随着定子磁场持续旋转，并且在相电 流为零时，可以看到 BEMF 电压的峰值。对于实际电机和外加负载，转子将始终滞后于定子磁场。此负载相关 相位滞后将导致固定测量点处 BEMF 电压的负载相关变化。在零相位滞后的情况下，可以测量 BEMF 电压峰 值，并且只能看到反电势与速度的相关性。在与负载变化的情况下，反电势会产生相位滞后，BEMF 电压将从 峰值将出现偏移，当这个电压大于或者小于一个阈值时，这就标志着检测到失步点，电机运动将停止。BEMF 电压测量仅在零电流阶跃期间启用。在零电流阶跃结束时，采样和测量最后一次 BEMF 电压值。这可确保线 圈电流达到零，且 BEMF 电压实际可见。根据电机参数、速度和阶跃模式，零阶跃可能会变短，并且无法获得 明显的 BEMF 电压。此时则无法检测失速。失速检测仅在匀速运动期间进行，在加速或减速期间，BEMF 电压 可能非常低，则不会启用失速检测。具体电流波形如图 2.5 所示：
