最新的运动计划器无法扩展到大量系统。多个智能体的运动计划是一个NP（不确定性多项式时间）难题，因此每次添加智能体时，计算时间都呈指数增长。这种计算需求是运动规划器在涉及航天飞机群的未来NASA任务中应用的主要绊脚石。我们应用了深度神经网络，将对计算有要求的数学运动计划问题转换为基于深度学习的数值问题。我们显示了最佳的运动轨迹可以在多个具有多个代理的2D和3D系统中使用基于深度学习的数值模型来精确复制。

本发明公开了一种用于制备碳纤维预浸布的环氧树脂组合物及其制备方法，其对A剂中的环氧树脂A和硬化剂进行特别的限定，能够配合加工工艺中特定的硬化温度和硬化时间达到最优及最合适的硬化效果，避免硬化过快造型应力集中；同时在A剂中还加入了分散性能优异的增韧剂，增强了成型后预浸布的层间剪切强度；此外在B剂中还使用了促进剂，该促进剂的使用是为了控制组合物硬化过程的黏度，避免加工过程中树脂因黏度过低而流失过快而无法吸附在纤维上的问题，同时也能够避免因黏度过高造成的树脂含浸量过高，使成型件能够达到轻量化的要求。

本发明公开了一种基于自适应谐振理论的神经网络中医证候诊断系统，包括：中医四诊信息预处理模块、证候辨证模块、规则存储模块和可视化模块。四个模块相互作用，相互支持，中医四诊信息预处理模块与证候判断模块连接，处理系统输入矢量以指导证候判断模块动态建立，得到证候辨证规则；规则存储模块与中医四诊信息预处理模块和证候辨证模块建立双向连接关系，为二者提供经验规则，后两者读取并修改经验规则；可视化模块与中医四诊信息预处理模块和证候辨证模块连接，对中医四诊信息及诊断规则进行可视化操作。本发明可快速的对新病例样本进行增量匹配学习，并应用改进的辨证模型SWART2提高正确率和系统的适应性，引入可视化工具，提高系统的人性化和交互性。

借助于高性能计算机和数据共享平台的发展，研究者可以获取大量的高分辨率湍流计算数据。近年来，随着深度神经网络等人工智能技术的发展，数据驱动的机器学习方法也开始应用于湍流模型中不确定度的量化以及模型的改进和构建中。湍流大数据与人工智能相结合是湍流研究的一个新领域。研究者在取得一定成果的同时也面临着诸多困难和挑战，例如模型的泛化能力和鲁棒性等。模型构建过程包含了数据处理、特征选择以及模型框架的选取与优化等诸多方面，这些方面在不同程度上影响模型的性能。本文从机器学习在湍流建模过程中的实现方法和模型的不同作用两方面分析总结了目前主要的研究工作进展，并对这类问题面临的挑战和未来的研究展望进行了阐述。

本发明公布了一种基于大数据的工业机器人预测性状态监控方法，通过采用工业机器人程序中机器人位置在时间上变化的序列为周期性索引，记录各监控变量的每个时间周期内的变化，找到正常工作状态下机器人运动轨迹上的每一个点的各监控变量的最大值和最小值作为参考值区间，再对机器人运动轨迹上的当前监控变量相对于参考值区间的变化进行监测，得到工业机器人监控变量的预测性状态；监控变量包括但不限于工业机器人各电机扭矩、电流、跟随误差参数。本发明方法有效性高，监控精度高，可广泛推广应用。

之前一直用R，现在开始学python之后就来尝试用Python来实现Kmeans。 之前用R来实现kmeans的博客：笔记︱多种常见聚类模型以及分群质量评估（聚类注意事项、使用技巧） 聚类分析在客户细分中极为重要。有三类比较常见的聚类模型，K-mean聚类、层次（系统）聚类、最大期望EM算法。在聚类模型建立过程中，一个比较关键的问题是如何评价聚类结果如何，会用一些指标来评价。 . 文章目录 @[toc] 一、scikit-learn中的Kmeans介绍 1、相关理论 2、主函数KMeans 3、简单案例一 4、案例二 5、案例四——Kmeans的后续分析 二、大数据量下的Mini-Batch-KMeans算法 主函数 : 三、sklearn中的cluster进行kmeans聚类 四、分类变量聚类方法的K-modes与K-prototype 延伸一：数据如何做标准化 延伸二：Kmeans可视化案例 延伸三：模型保存 延伸四：HDBSCAN与Kmeans的聚类的一些纪要

本发明公开了一种基于深度学习卷积神经网络的LIBS多成分定量反演方法，适用于激光光谱分析领域。本方法利用卷积神经网络算法在图像特征识别方面的独特优势，将其应用于LIBS光谱定量反演。由本发明所设计的卷积神经网络构建方案，能够对样品的LIBS谱线形态进行特征提取和深度学习，利用已知样品的LIBS光谱对卷积神经网络进行训练后，该网络可同时对未知样品的多种化学成分含量进行分析预测。本发明具有操作简捷、训练高效、准确度高、鲁棒性好的优点，适用于定量分析LIBS光谱，尤其适用于分析谱线形态复杂度较高、干扰噪声较大的LIBS光谱。

本发明涉及图像压缩技术领域，具体提供了一种利用深度语义分割技术的图像压缩方法。与现有技术相比，本发明的利用深度语义分割技术的图像压缩方法，主要分为编码过程和解码过程；在编码过程中利用GAN网络进行训练，输出生成模型和判别模型；在解码过程中语义分割图利用解压工具进行解压，还原成原语义分割图；将原语义分割图作为输入，放入到之前生成的生成模型和判别模型中，产出生成一个仿原输入图像的近似图像。该方法可以大大提升图像压缩的速度、压缩率，并可以使压缩后图像降低失真率，优化压缩流程，具有良好的推广价值。

值得注意的是，我们的结构预测系统仍在开发中，我们无法确定我们提供的结构的准确性，尽管我们相信该系统比我们早期的CASP13系统更精确。我们证实，我们的系统为实验测定的SARS-CoV-2蛋白数据库中共享的峰蛋白结构提供了准确的预测，这使我们相信我们对其他蛋白的模型预测可能是有用的。我们最近与英国Francis Crick研究所的几位同事分享了我们的研究结果，其中包括结构生物学家和病毒学家，他们鼓励我们现在就向一般科学界发布我们的结构。我们的模型包括每残基的置信分数，以帮助指出结构的哪些部分更可能是正确的。我们只提供了缺乏合适模板或模板建模困难的蛋白质的预测。虽然这些未被研究的蛋白质不是目前治疗工作的主要焦点，但它们可能会增加研究人员对SARS-CoV-2的了解。

产品介绍 Discuz! X3.4 在继承和完善 Discuz! X3.3 的基础上，去除了云平台的相关代码，其他功能保持不变，如果您的论坛不需要云平台可以选择安装或更新到此版本。X3.4将不定期的在官方 Git 中更新，欲追求更新版本的站长欢迎关注。 官方 Git 地址：https://gitee.com/ComsenzDiscuz/DiscuzX 更新日志 点此查看 下载地址 X3.4 从 2018 年 1 月 1 日起只在官方 Git 发布 说明： 全新安装：请参照以往版本的安装过程进行，上传程序，并执行 http://你的域名/论坛/install/ 升级： Discuz! 程序 X3.2、X3.3 1）备份数据库 2）建立文件夹 old，旧程序除了 data ， config， uc_client, uc_server 目录以外的程序移动进入 old 目录中 3）上传 X3.4 程序（压缩包中 upload 目录中的文件）， 如上传时候提示覆盖目录，请选择“是” 4）如果您不再需要云平台相关插件，请上传安装包 utility 目录中的 clearcloud.php 到论坛 install 目录，执行后将会把云平台相关应用进行降级操作 升级完毕，进入后台，更新缓存，并测试功能 X3.4 其中的QQ互联功能已升级为允许使用QQ互联官方的 appid，新站点必须到 http://connect.qq.com/ 申请，升级上来的站点不受影响 友情提示： Discuz! X3.2、X3.3 已停止更新，欲升级的站点请升级到 X3.4 X3.4 漏洞和相关修补同样适用于 X3.2、X3.3 版本，请注意更新