XiaoMi-AI文件搜索系统
World File Search System高斯过程
采用 Syntax-... 设计的适用于极端条件的聚合物
摘要：由于材料候选物的可能性几乎是无限的，并且需要实现多个属性/性能目标，因此新材料的设计/发现非常困难。因此，现在通常使用机器学习工具通过学习从材料到属性空间的理论映射（称为正向问题）来虚拟筛选具有所需属性的材料候选物。然而，这种方法效率低下，并且受到人类想象力所能想到的候选物的严重限制。因此，在这项关于聚合物的研究中，我们通过解决逆问题来应对材料发现挑战：直接生成满足所需属性/性能目标的候选物。我们利用语法导向的变分自动编码器 (VAE) 与高斯过程回归 (GPR) 模型相结合，发现预期在三种极端条件下具有稳定性的聚合物：(1) 高温、(2) 高电场和 (3) 高温和高电场，可用于关键的结构、电气和储能应用。这种学习（并增强）人类智慧的方法是通用的，可以扩展到发现具有其他目标特性和性能指标的聚合物。■ 简介
基于机器学习的随机数字孪生 - arXiv
数字孪生技术潜力巨大，特别是在基础设施、航空航天和汽车领域。然而，这项技术的实际实施速度并不如预期，特别是因为缺乏特定于应用的细节。在本文中，我们提出了一种用于随机非线性多自由度 (MDOF) 动力系统的新型数字孪生框架。本文提出的方法将问题策略性地分解为两个时间尺度 - (a) 控制系统动态的快速时间尺度和 (b) 控制系统退化的慢速时间尺度。所提出的数字孪生有四个组成部分 - (a) 基于物理的名义模型（低保真度）、(b) 贝叶斯过滤算法、(c) 监督机器学习算法和 (d) 用于预测未来响应的高保真模型。基于物理的名义模型与贝叶斯滤波相结合用于组合参数状态估计，监督机器学习算法用于学习参数的时间演变。虽然所提出的框架可以与任何贝叶斯滤波和机器学习算法一起使用，但我们建议使用无迹卡尔曼滤波器和高斯过程。使用两个示例说明了所提出方法的性能。获得的结果表明所提出的数字孪生框架的适用性和优异的性能。
基于被动射频信号强度分布的三维室内定位
摘要 — 近年来，室内定位系统 (IPS) 受到了机器人、导航、人机交互等许多研究领域的关注。然而，基于无源射频 (PRF) 技术的 IPS 仍然很少见。本文提出了一种基于接收信号强度 (RSS) 分布和高斯过程回归 (GPR) 的三维 (3D) IPS。传统的基于 RSS 的定位系统具有已知频率的发射器，而在提出的 PRf 机会信号 - 3D IPS (PRO-3DIPS) 中，系统既不部署新的发射器，也不使用任何发射器的先验知识。此外，PRO-3DIPS 集成了多个机会信号 (SoOP) 源、阴影、衰落，还可以捕获场景特征。在 3D 空间中基于 PRF 的 RSS 分布的数据收集和分析实现了 3D 定位功能。应用并比较了三种方法，以找到受场景影响最大的频带，以实现最佳定位性能，并用于估计 RSS 分布。 RSS 分布是通过在场景中测量固定网格上的 PRF 频谱来估计的。利用 RSS 分布，GPR 可以精确定位接收器位置。在实验场景中收集了 90 个网格位置的 RSS，每个位置有 100 个样本。实验结果表明，当
天体物理场的生成模型，在球体上具有散射转换
散射转换是最近用于研究高度非高斯过程的新型摘要统计数据，这对于天体物理研究而言非常有前途。特别是，它们允许从有限数量的数据中构建复杂非线性字段的生成模型，并已用作新的统计组件分离算法的基础。在即将进行的宇宙学调查的背景下，例如用于宇宙微波背景极化的Litebird或Vera C. rubin天文台和欧几里德空间望远镜，用于研究宇宙的大规模结构，将这些工具扩展到球形数据。在这项工作中，我们在球体上开发了散射转换，并着重于建造几个天体物理领域的最大透镜生成模型。我们从单个目标场构建了同质天体物理和宇宙学领域的生成模型，其样品是使用共同统计量（功率谱，像素概率密度函数和Minkowski功能）定量比较的。我们的采样字段在统计和视觉上都与目标字段吻合。因此，我们得出的结论是，这些生成模型为未来的天体物理和宇宙学研究开辟了广泛的新应用，尤其是那些很少有模拟数据的新应用。
使用机器学习预测聚合物的频率相关介电常数
介电常数 (ϵ) 是用于储能电容器、微电子设备和高压绝缘体的聚合物电介质设计的关键参数。然而，灵活地发现具有理想ϵ 的聚合物电介质仍然是一个挑战，特别是对于高能、高温应用而言。为了加速聚合物电介质的发现，我们开发了一种基于机器学习 (ML) 的模型，可以即时准确地预测聚合物的频率相关 ϵ，频率范围跨越 15 个数量级。我们的模型使用一组包含 1210 个不同频率下实验测量的 ϵ 值的数据集、先进的聚合物指纹方案和高斯过程回归算法进行训练。开发的 ML 模型用于预测 60 – 10 15 Hz 频率范围内可合成的 11,000 种候选聚合物的 ϵ，并在整个过程中恢复正确的逆 ϵ 与频率趋势。此外，我们使用 ϵ 和另一个之前研究过的关键设计属性（玻璃化转变温度，T g ）作为筛选标准，提出了五种具有所需 ϵ 和 T g 的代表性聚合物，用于电容器和微电子应用。这项工作展示了使用替代 ML 模型成功快速地发现满足特定应用的单一或多个属性要求的聚合物。
天体物理场的生成模型，在球体上具有散射转换
散射转换是最近用于研究高度非高斯过程的新型摘要统计数据，这对于天体物理研究而言非常有前途。特别是，它们允许从有限数量的数据中构建复杂非线性字段的生成模型，并已用作新的统计组件分离算法的基础。在即将进行的宇宙学调查的背景下，例如用于宇宙微波背景极化的Litebird或Vera C. rubin天文台和欧几里德空间望远镜，用于研究宇宙的大规模结构，将这些工具扩展到球形数据。在这项工作中，我们在球体上开发了散射转换，并着重于建造几个天体物理领域的最大透镜生成模型。我们从单个目标场构建了同质天体物理和宇宙学领域的遗传模型，它们的样品是使用Common Statistics（功率谱，像素概率密度函数和Minkowski功能）定量比较的。我们的采样字段在统计和视觉上都与目标字段吻合。因此，我们得出的结论是，这些生成模型为未来的天体物理和宇宙学研究开辟了广泛的新应用，尤其是那些很少有模拟数据的新应用。
Microsoft Word - CFP_TMTT_Special_Issue_on_MachineLearning.docx
过去十年中，机器学习和人工智能在信号处理、图像和语音识别、机器人、自主系统等领域取得了巨大的成功。这一成功还伴随着机器学习和人工智能在科学和工程等广泛领域的应用不断扩大。微波社区是最早探索机器学习和人工神经网络（ANN）用于无线和有线电子设备、电路和系统设计的社区之一。近年来，人们对机器学习和人工智能不仅在设备/电路级建模和设计，而且在系统和更高级别的应用中的应用兴趣和活动都显著增加。受到激发的研究和应用带来了面向微波的机器学习技术的新方法，例如新型 ANN、基于支持向量机和高斯过程的方法、自动建模、深度学习；此外，机器学习和人工智能还解决了越来越多的微波问题，包括电磁结构建模和设计、多物理建模、微波滤波器/多路复用器设计、GaN HEMT 建模、PA 行为建模、数字预失真设计、振荡器设计、SIW 诊断、MEM 传感器建模、高速 VLSI 封装和微系统设计、无线电力传输、MIMO 发射器设计等等。机器学习在系统级的进一步应用正在创造微波系统的突破性能力，例如用于医疗或安全应用的基于电磁的图像重建，以及用于下一代无线系统的动态频谱分配。
请引用原始版本：Thombre, S.、Zhao, Z.、Ramm-Schmidt, H.、Vallet Garcia, JM、Malkamäki, T.、Nikolskiy, S.、Hammarberg, T.、Nuortie, H.、Bhuiyan, MZH、Särkkä, S. 和 Lehtola, VV (2022)。用于自主船舶态势感知的传感器和人工智能技术：综述。 IEEE 智能交通系统汇刊，23 (1), 64-83。 https://doi.org/10.1109/TITS.2020.3023957
摘要 — 无人驾驶船舶有望提高未来海上航行的安全性和效率。此类船舶需要感知功能，以实现两个目的：执行自主态势感知和监控传感器系统本身的完整性。为了满足这些需求，感知系统必须使用人工智能 (AI) 技术融合来自新型和传统感知传感器的数据。本文概述了对常规和自主航行船舶公认的操作要求，然后着手考虑适合操作传感器系统的传感器和相关 AI 技术。考虑了四个传感器系列的集成：用于精确绝对定位的传感器（全球导航卫星系统 (GNSS) 接收器和惯性测量单元 (IMU)）、视觉传感器（单目和立体摄像机）、音频传感器（麦克风）和用于遥感的传感器（RADAR 和 LiDAR）。此外，还讨论了辅助数据源，例如自动识别系统 (AIS) 和外部数据档案。感知任务与明确定义的问题相关，例如情况异常检测、船舶分类和定位，这些问题可以使用人工智能技术解决。机器学习方法（例如深度学习和高斯过程）被认为与这些问题特别相关。根据操作要求对不同的传感器和人工智能技术进行了描述，并根据准确性、复杂性、所需资源、兼容性和对海洋环境的适应性，特别是针对自主系统的实际实现，比较了一些最先进的选项示例。
SmOOD：基于平滑度的飞机设计替代神经网络的分布外检测方法
航空工业一直在寻求在人力、计算时间和资源消耗方面更高效的设计优化方法。当代理模型和最终过渡到 HF 模型的切换机制都经过适当校准时，混合代理优化可以在提供快速设计评估的同时保持高质量结果。前馈神经网络 (FNN) 可以捕获高度非线性的输入-输出映射，从而产生有效的飞机性能因素替代品。然而，FNN 通常无法推广到分布外 (OOD) 样本，这阻碍了它们在关键飞机设计优化中的应用。通过基于平滑度的分布外检测方法 SmOOD，我们建议使用优化的 FNN 替代品对模型相关的 OOD 指标进行编码，以生成具有选择性但可信预测的可信代理模型。与传统的基于不确定性的方法不同，SmOOD 利用 HF 模拟固有的平滑特性，通过揭示其可疑的敏感性来有效地暴露 OOD，从而避免对 OOD 样本的不确定性估计过于自信。通过使用 SmOOD，只有高风险的 OOD 输入才会被转发到 HF 模型进行重新评估，从而以较低的间接成本获得更准确的结果。研究了三种飞机性能模型。结果表明，基于 FNN 的替代方法优于高斯过程替代方法
引用：Li，Y.，Li，K.，Liu，X.，Li，X.，Zhang，Li，Rene，B.，Sun，T。＆Grattan，K。T. V.（2022）。联合So
准确的充电状态（SOC）和健康状况（SOH）估计对于确保电池系统的安全可靠操作至关重要。考虑到SOC和SOH之间的固有耦合，在电池随时间变化的现实应用中，联合估计框架是优选的。然而，它面临着一些挑战，例如关键参数的有限测量值，例如应变和温度分布，难以提取合适的建模特征以及源于测量和模型引起的不确定性。为了应对这些挑战，本文首先使用纤维bragg光栅（FBG）传感器通过将它们连接到细胞表面上以捕获由于电池充电/放电操作而捕获多点应变和温度变化信号来获得更多相关的相关信号。然后开发了用于SOC和容量联合估计的混合机器学习框架（SOH的关键指标），该框架使用了卷积神经网络与高斯过程回归方法相结合的状态估计的均值和差异信息，并通过自动从富含测量的FBG传感器中提取有用的特征来提高共同估计的估计准确性。测试结果证明，通过更新容量估计并利用FBG测量值，可以显着提高SOC估计的准确性和可靠性，可实现高达85.58％的误差降低和减少42.7％的估计标准偏差。