XiaoMi-AI文件搜索系统
World File Search System预测器
具有可证明稳定性的涵道风扇无人机悬停至高速平飞过渡的神经网络控制
摘要 本文主要研究涵道风扇垂直起降 (VTOL) 无人机 (UAV) 的过渡控制。为了实现从悬停到高速飞行的稳定过渡，提出了一种基于神经网络的控制器来学习系统动态并补偿飞机动态和所需动态性能之间的跟踪误差。首先，我们推导了飞机全包络动力学的非线性系统模型。然后，我们提出了一种基于神经网络的新型控制方案并将其应用于欠驱动飞机系统。所提出的控制器的主要特征包括投影算子、状态预测器和动态形成的自适应输入。证明并保证在整个神经网络学习过程中，状态预测器和神经网络权重的跟踪误差都有上限。高度自适应的输入形成动态结构，有助于实现所提出的控制器可靠的快速收敛性能，尤其是在高频扰动条件下。从而使飞行器的闭环系统能够以期望的动态性能跟踪一定的轨迹，仿真和实飞试验均取得了满意的结果，完成了设计的飞行路线。
具有交易缓存的多组分分支预测指标中的共享模式记录表
I。代表性的示例包括Alpha 21264锦标赛预测器[11]，偏斜分支预测因子，例如2BC-GSKEW分支预测器，该预测已计划为Alpha EV8前端[15]。驱动多组分预测指标的主要动机是观察[10]，即不同的动态预测因子在预测准确性方面与不同分支的不同，因此需要使用多个预测指标来预测分支。多组分预测因子已经在文献中进行了广泛的研究，并具有多种设计策略，试图提高预测准确性和功率[2]，[5]。典型且广泛流行的多组分预测指标由本地和全局预测指标组成，并使用复杂的比赛预测方案来选择运行时这些预测变量之间的最终预测。基于本地历史的预测指标仅使用有关其当前预测所考虑的分支的过去结果信息，而全球人除了目前外，还考虑了前面分支的结果历史，同时对特定分支进行了预测。本地和全局组件保持单独的模式
基于机器学习的大学入学预测指标
这项研究解决了准确预测印度大学入学的挑战，在那里，学生经常努力根据入学考试成绩来识别合适的大学。该研究探讨了一个学院预测器机器人的发展，该机器人利用关键因素，尤其是jee和CET分数，以估计入院各种印度大学的可能性。该模型经过来自多个机构的历史入学数据培训，其中包括广泛的学生概况和绩效水平。从方法论上讲，研究采用机器学习算法，包括随机森林和决策树模型，以分析入学考试评分并产生预测。通过严格的统计分析来评估该模型的准确性，并且在入学考试评分和入学结果之间观察到显着的相关性。调查结果表明，大学预测器机器人可以有效地预测录取，从而为学生提供对他们大学选择的宝贵见解。更广泛的含义表明，该工具可以简化大学的选择过程，从而为印度教育系统提供更透明，明智的招生方法。关键字：机器学习算法；随机森林；聊天机器人；预言;线性回归。
人工智能工具 iRNA-2methyl 如何针对 RNA 2'-O- 甲基化位点发挥作用
另外，请注意，Web 服务器预测器是严格遵循“Chou 的 5 步规则”的指导方针开发的，因此具有以下显着的优点（例如，参见 [2-29] 和三篇综合评论论文 [30-32]）：（1）逻辑发展清晰，（2）操作完全透明，（3）易于重复其他研究人员报告的结果，（4）具有激发其他序列分析方法的巨大潜力，以及（5）非常方便大多数实验科学家使用。
TorchQuantum 稳健量子电路案例研究
摘要 量子计算因其在各个领域实现速度和效率根本提升的潜力而吸引了众多研究关注。在不同的量子算法中，用于量子机器学习 (QML) 的参数化量子电路 (PQC) 有望在当前的嘈杂中型量子 (NISQ) 机器上实现量子优势。因此，为了促进 QML 和 PQC 研究，最近发布了一个名为 TorchQuantum 的 Python 库。它可以构建、模拟和训练用于机器学习任务的 PQC，速度快且调试方便。除了用于机器学习的量子，我们还希望引起社区对相反方向的关注：用于量子的机器学习。具体而言，TorchQuantum 库还支持使用数据驱动的机器学习模型来解决量子系统研究中的问题，例如预测量子噪声对电路保真度的影响并提高量子电路编译效率。本文介绍了 TorchQuantum 中用于量子部分的机器学习的案例研究。由于估计噪声对电路可靠性的影响是理解和减轻噪声的重要步骤，我们建议利用经典机器学习来预测噪声对电路保真度的影响。受量子电路自然图形表示的启发，我们建议利用图形变换器模型来预测嘈杂的电路保真度。我们首先收集包含各种量子电路的大型数据集，并在嘈杂的模拟器和真实机器上获得它们的保真度。然后，我们将每个电路嵌入到具有门和噪声属性作为节点特征的图中，并采用图形变换器来预测保真度。我们可以避免指数级的经典模拟成本，并有效地估计具有多项式复杂度的保真度。在 5,000 个随机和算法电路上进行评估，图形变换器预测器可以提供准确的保真度估计，RMSE 误差为 0.04，平均比简单的基于神经网络的模型高出 0.02。它可以分别对随机和算法电路实现 0.99 和 0.95 的 R 2 分数。与电路模拟器相比，该预测器在估计保真度方面具有超过 200 倍的速度提升。数据集和预测器可以在 TorchQuantum 库中访问。1 简介
基于EEG Microstate分析预测运动图像BCI性能
摘要：电动图像（MI）脑电图（EEG）自然而舒适，并且已成为大脑 - 计算机界面（BCI）领域的研究热点。探索主体间MI-BCI性能变化是MI-BCI应用中的基本问题之一。EEG微晶格可以代表大脑认知功能。在本文中，使用了四个EEG微骨（MS1，MS2，MS3，MS4）进行分析，分析受试者的Mi-BCI性能差异，并计算四个微杆菌特征参数（平均持续时间，每秒出现，时间覆盖率和时间覆盖率和过渡概率）。测量了静息状态EEG Microstate特征参数与受试者的MI-BCI性能之间的相关性。基于MS1的发生的负相关性和MS3平均持续时间的正相关性，提出了静静态微晶格预测指标。28名受试者参加我们的MI实验，以评估我们静止状态的Microstate预测指标的性能。实验结果表明，与频谱熵预测变量相比，我们静止状态的Mi-Crostate预测器的平均面积（AUC）值为0.83，增加了17.9％，表明微骨特征参数可以更好地表明受试者的MI-BCI性能比光谱enterpy enterpropy预测器。此外，在单节水平和平均水平上，Microstate预测指标的AUC高于光谱熵预测变量的AUC。总体而言，我们的静止状态微晶格预测指标可以帮助MI-BCI研究人员更好地选择受试者，节省时间并促进MI-BCI的发展。
166 现代人工智能...
关键词：人工智能；程序;系统;过程;机器人。人工智能（AI）是一种可以在计算机上模拟人类思维过程的软件系统。为了开发这样的系统，需要对解决某些问题或在特定领域做出决策的人的实际思维过程进行研究。在此之后，有必要确定该过程的关键阶段，并开发可以在计算机上重现这些阶段的软件 [1，p. 5]。人工智能可以被称为某些事件的“预测器”；如果你问它正确的问题，它可以告诉你未来甚至做出诊断。它在教育过程中也非常有帮助。例如：制作表格、解决数学问题等等。
基于变压器的交通拥护预测能量... -Dr -ntu
摘要 - 燃料电池电动汽车（FCEV）的能源经济在确定其实用性方面起着至关重要的作用，使能源管理策略（EMS）的优化必不可少。基于未来车辆速度预测的预测EMS（PEMS）为增强EMS性能提供了巨大的潜力。但是，当前的PEMS预测模型依赖于历史速度数据或静态流量信息，从而忽略了实时交通状况的影响。在本文中，我们引入了基于变压器的PEMS（TPEM），该PEMS（TPEM）结合了实时预测的周围交通信息，以改善FCEV的经济经济。通过考虑受控车辆和周围车辆之间的复杂相互作用来更好地预测车速，我们开发了一个基于变压器网络的预测器，该预测指标考虑了受控车辆周围六个车辆的速度和相对距离，从而在接下来的10秒内产生了速度预测。然后，我们将深度加固学习（DRL）方法作为下游优化器，创建完全数据驱动的PEM。为了培训TPEM，我们开发了一个来自NGSIM数据集的数据集，该数据集由许多驾驶轮廓段组成，其中包括受控VE-HICLE和周围流量的时间序列特征。此外，我们还利用Sumo模拟器生成支持流量信息的驾驶配置文件进行性能评估。实验结果揭示了我们基于变压器的预测器优于现有的预测因子，即经常性神经网络（RNN），在处理流量信息并实现改进的预测方面。相对于当前最新的长期记忆（LSTM）PEMS，TPEM将FCEV的经济效率提高了4.6％。
供应链管理及其在铁路运输中的作用
1 vnrvjiet，海得拉巴，印度特兰加纳。2印度Telangana的Ibrahimpatnam，Ibrahimpatnam的CVR工程学院。 摘要。 本文旨在设计有效的控制策略，以使用史密斯预测器控制结构来调节质子交换膜（PEM）燃料电池阴极电极的供应主要压力。 建议通过控制供应歧管压力来增强PEM燃料电池的增强PEM燃料电池的实现，以分数阶的比例积分（FOPI）级联的分数/非量表过滤器。 使用错误指标（即）分析了名义和扰动条件下的系统性能 积分绝对误差（IAE），积分正方形误差（ISE）和总方差。 从过程响应和性能索引中，很明显，建议的方法提供了增强的设定点跟踪和干扰拒绝。 模拟研究是在MATLAB软件中进行的。2印度Telangana的Ibrahimpatnam，Ibrahimpatnam的CVR工程学院。摘要。本文旨在设计有效的控制策略，以使用史密斯预测器控制结构来调节质子交换膜（PEM）燃料电池阴极电极的供应主要压力。建议通过控制供应歧管压力来增强PEM燃料电池的增强PEM燃料电池的实现，以分数阶的比例积分（FOPI）级联的分数/非量表过滤器。使用错误指标（即积分绝对误差（IAE），积分正方形误差（ISE）和总方差。从过程响应和性能索引中，很明显，建议的方法提供了增强的设定点跟踪和干扰拒绝。模拟研究是在MATLAB软件中进行的。
CROP：基于映射向导的 CRISPR/Cas9 向导选择程序
脱靶效应（即 DNA 切割在靶区域之外进行）是限制 CRISPR/Cas9 基因组编辑系统应用的一个主要问题。CRISPR 脱靶预测器 (CROP) 是一个独立程序，旨在通过预测向导 RNA 的脱靶倾向来解决此问题，从而允许用户选择最佳向导。CROP 使用的方法包括生成替换、删除和插入组合，然后将其映射到参考基因组中。基于这些映射的变体，进行评分和比对，然后报告为一个表格，该表格包含来自给定基因序列的所有向导 RNA 的脱靶倾向。该程序的 Python 脚本可从以下网址免费获取：https://github.com/vaprilyanto/crop。关键词：基因组编辑、向导 RNA、脱靶。简介