XiaoMi-AI文件搜索系统
World File Search System馈送
HTS激发中速风发生器的数值建模，带有二极管原子定子馈送
涡轮额定功率的增加超过≥14MW，需要替代稀土永久磁铁（PM）发电机是风能领域的当前趋势。1个高温超导（HTS）在电兴奋的同步发电机中是一种有前途的替代方案，在过去十年中，它一直是几个研究项目的主题。2对于多种优势，HTS激发大多是在无齿轮，直驱动（DD）同步发电机（额定速度NN≈10RPM）的背景下进行讨论的，例如减少的发电机质量M Gen和增加机械电源转换的发电机效率η。在EcoSwing项目3中已证明了无齿轮3.6 MW发电机的技术可行性。避免使用齿轮以更高的可靠性和较低的维护工作能力产生非常大的DD发电机，以实现大发电机扭矩。较大的发电机尺寸随迄今为止昂贵的HTS材料带来了大量。
使用正弦和基于教学学习的融合培训馈送前馈神经网络，用于医学图像注册
摘要这项研究提出了一种新型的杂交元神经算法，正弦辅助教学学习学习的优化（SCATLBO），旨在训练用于单声道和多模式医学图像注册的喂养前进神经网络（FNNS）。scatlbo结合了正弦骨算法（SCA）的优势，用于探索基于教学学习的优化（TLBO），以实现剥削，达到了平衡，从而增强了算法能力，以避免局部最小值并提高逆转率。医学图像注册，对于准确的医学分析必不可少的，从这种混合方法中受益，因为它有效地对齐了复杂的多模式图像。在这项工作中，SCATLBO用于训练来自癌症基因组乳房侵入性癌（TCGA-BRCA）数据集的乳房MRI图像。SCATLBO的性能是针对几种众所周知的元启发式算法的基准测试，包括TLBO，粒子群优化（PSO），蚂蚁菌落优化（ACO），灰狼优化器（GWO）和进化策略（ES），以及基于平均平方误差（MSE）的评估（MIS）和杂音的评估（MI）。实验结果表明，SCATLBO在准确性，收敛速度和稳健性方面优于其他技术，将其确立为基于神经网络的图像注册任务的有前途的工具。这项工作有助于提高FNN的元启发式培训方法，并在各种医学成像领域中使用了潜在的应用。
使用交通摄像头进行车辆和行人检测、跟踪和速度估计的基于人工智能的视频分析：应用和机会
• 超速检测，超速者百分比 • 单个车辆的速度估计 • 平均链路速度估计和速度变化 • 当前纽约市交通局公共闭路电视馈送是不连续的，如果提供对具有连续流媒体的后台馈送的访问，则此方法可应用于该市所有 900 多个闭路电视 • 有可能填补非学校区域区域的空白
加拿大海岸警卫队对 V-BAT 无人机进行海上试验
Kongsberg Geospatial 与 Shield AI 合作，在墨西哥湾国际水域部署了 V-BAT VTOL UAS，进行了为期三天的海上试验。试验测试了飞机在白天和夜晚的各种天气条件下从移动船只快速发射和回收、长续航时间以及密闭空间起降的能力。除了远距离跟踪和识别其他船只外，飞行还进行了各种模拟任务，旨在模拟加拿大海岸警卫队使用无人机的真实情况。这些包括定位和跟踪模拟残骸或漏油的染料斑块，以及在波涛汹涌的大海和各种天气条件下定位救生圈。V-BAT 操作员使用 Kongsberg Geospatial 的 IRIS UxS 软件在距离发射船远距离安全地驾驶飞机。 IRIS 软件提供了作战空域的全面态势感知图、来自各种传感器的数据和数据馈送，并显示了其他飞机和水面舰艇以及发射船和“本舰”或正在操作的无人机的位置。来自 UAS 携带的摄像头和传感器的传感器数据馈送被实时输入到 Kongsberg Geospatial 模块化 ISR 数据分析和存储系统中。MIDAS 系统记录来自 UAS 的视频和其他数据，并充当“任务情报协调员”来查看当前和历史传感器馈送
单眼视频的动态场景的进发弹时间重建
静态馈送场景的最新进展已显示出高质量的新型视图合成中的显着进步。但是，这些模型通常会在各种环境中的普遍性中挣扎，并且无法有效处理动态内容。我们提出了BTIMER（Bullettimer的缩写），这是实时重建和动态场景的新型视图综合的第一个运动感知馈送模型。我们的方法通过从所有上下文框架中汇总信息，以给定目标（“子弹”时间戳）在给定目标的3D高斯分裂表示中重建整个场景。这样的公式允许BTIMER通过掌握静态和动态场景数据集来获得可扩展性和概括性。给定一个随意的单眼视频，BTimer在150ms内重建了子弹时间1场景，同时在静态和动态场景数据集上达到最先进的性能，
锂离子的先进健康预测...
摘要： - 准确的SOH估计是追求锂离子电池安全使用的关键目标。本文基于SOH预测的容量估计方法，使用了一种新颖的进料前进神经网络方法。此外，使用MATLAB®2023软件创建了使用的算法，并提出了一种馈送前向前的神经网络方法来预测电池老化过程。本文采用了来自NASA PCOE研究中心的实验数据来确定和比较电池充电和放电周期期间的实际健康状况（SOHS）和预测的健康状况（SOHS）。算法的有效性是通过比较机器学习方法的细胞降解的影响确定的，并通过模拟和比较训练，验证和测试曲线的结果，测试了算法。最后，平均绝对百分比误差（MAPE）和根平方百分比误差（RMSPE）误差表明，本文中进行的模拟正确表示电池的退化状态，并确认了提出的馈送前向神经网络的结果和有效性。
部队发展和文献综合...
第 4 章 问题计划基础，第 13 页 概述 • 4 – 1，第 13 页 问题计划基础馈送数据 • 4 – 2，第 15 页 问题计划基础馈送数据协调过程 • 4 – 3，第 15 页 问题计划基础开发阶段 • 4 – 4，第 16 页 传播 • 4 – 5，第 16 页 预关注领域审查 • 4 – 6，第 16 页 关注领域审查 • 4 – 7，第 16 页 美国陆军部队管理支援局分支审查 • 4 – 8，第 16 页 问题计划基础人员配备阶段 • 4 – 9，第 17 页 问题计划基础审批阶段 • 4 – 10，第 17 页 组织要求文档审批委员会概述 • 4 – 11，第 17 页 组织要求文档审批委员会上校委员会程序 • 4 – 12，第 17 页 组织要求文档审批委员会总干事指导委员会程序• 4 – 13，第 18 页陆军需求监督委员会程序• 4 – 14，第 18 页发行计划制定时间表基础• 4 – 15，第 18 页发行计划流程基础的豁免• 4 – 16，第 18 页