亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

根據陸軍多域作戰（MDO）條令，從戰術平臺生成及時、準確和可利用的地理空間產品是應對威脅的關鍵能力。美國陸軍工程兵部隊、工程師研究與發展中心、地理空間研究實驗室（ERDC-GRL）正在進行6.2研究，以促進從戰術傳感器創建三維（3D）產品，包括全動態視頻、取景相機和集成在小型無人機系統（sUAS）上的傳感器。本報告描述了ERDCGRL的處理管道，包括定制代碼、開源軟件和商業現成的（COTS）工具，對戰術圖像進行地理空間校正，以獲得權威的基礎來源。根據美國國家地理空間情報局提供的地基數據，處理了來自不同傳感器和地點的四個數據集。結果顯示，戰術無人機數據與參考地基的核心登記從0.34米到0.75米不等，超過了提交給陸軍未來司令部（AFC）和陸軍采購、后勤和技術助理安全局（ASA（ALT））的簡報中描述的1米的精度目標。討論總結了結果，描述了解決處理差距的步驟，并考慮了未來優化管道的工作，以便為特定的終端用戶設備和戰術應用生成地理空間數據。

圖3. ERDC-GRL的自動GCP處理管道。輸入數據為JPEG格式的FMV/Drone圖像、參考/地基圖像和參考/地基高程。藍色方框代表地理空間數據，而綠色方框是處理和分析步驟。

由于多種因素的影響，自動機器學習（AutoML）這些年一直在快速發展，數據科學家需要創建機器學習管道原型來決定如何進行解決，并為非專業人士提供解決方案。已經創建了一些AutoML框架，但它們受到能解決的問題類型、機器學習原語的數量、管道表示語言和嚴格數據描述的限制。這些限制大多是由相當大的工程量造成的。D3M項目旨在擴大AutoML的范圍，提供創建AutoML系統所需的工具，使其能夠解決超出大部分框架的問題類型，并為用戶提供工具，使機器學習工具不需要太多的專業知識。此外，該項目還致力于實現AutoML組件的標準化，以便對不同的框架進行公平的比較，并通過開源共享該項目期間創建的基礎設施來幫助研發界改善該領域。

本文在D3M上的工作主要集中在兩個方面：在D3M小組內創建標準化AutoML工具，以及創建具有不同目的的AutoML系統和框架。在這份報告中，將介紹對該項目的主要貢獻以及AutoML系統的演變。在該項目中，創建了評估AutoML系統的工具，開發了三個AutoML系統，開發了被多個系統廣泛使用的原型，設計了測試原型的自動化框架，并通過創建AutoKeras對AutoML研發界產生了巨大影響。

美國宇航局的先進信息系統技術(AIST)計劃目標：

在軟件和信息系統技術方面進行創新，使之能夠：

O1. 通過智能、及時、動態和協調的分布式傳感，實現新的觀測測量和新的觀測系統設計與運行 => 新的觀測策略（NOS）

O2. 敏捷的科學調查，利用先進的分析工具、可視化和計算環境，充分利用大量不同的觀測數據，并與相關觀測系統進行無縫互動 => 分析合作框架(ACF)

O3. 開發綜合地球科學框架，用最先進的模型（地球系統模型和其他）、及時的相關觀測和分析工具來反映地球。這一主旨將為實現近期和長期的科學*和政策決策提供技術 => 地球系統數字孿生（ESDT）。

AI在NASA的應用：

• 硬件和軟件基礎設施：

  • 硬件和軟件基礎設施，包括GPU、工具等。
  • 新的硬件調查，例如，量子和神經形態計算
  • 對大量數據的快速訪問

• 人工智能算法開發和機載實現

  • 人工智能的專業知識
  • 概念性軟件和算法開發
  • 在邊緣/板載實施

• 科學應用與大數據分析

  • 科學應用和數據分析
  • 算法的相關性和驗證

Machine Learning for NASA Advanced Information Systems

近年來，美海軍對無人系統的綜合衛星-地面網絡（ISTN）架構表現出興趣。隨著衛星網絡的發展和越來越多的無人系統網絡的連接，安全和隱私是ISTN的主要問題。在這篇論文中，我們專門為ISTN開發了一個網絡入侵檢測系統（NIDS）。我們確定了NIDS在ISTN架構中的關鍵位置，并使用決策樹機器學習算法對各種威脅載體進行網絡攻擊檢測，包括分布式拒絕服務。決策樹算法被用來對攻擊流量和良性流量進行分類和隔離。我們使用文獻中提供的開放源ISTN數據集來訓練我們的算法。決策樹使用不同的分割標準，不同的分割數量，以及使用主成分分析（PCA）來實現。我們操縱訓練數據的大小和數據特征的數量以達到合理的假陽性率。我們表明，我們基于決策樹學習的NIDS框架可以有效地檢測和隔離不同的攻擊數據類別。

基于模型的系統工程（MBSE）是 "正式應用建模來支持系統需求、設計、分析、驗證和確認活動，從概念設計階段開始，一直持續到開發和后期的生命周期階段"。(INCOSE 2007)

"多范式建模（MPM）提供了一個基礎框架，將幾個學科以一致的方式粘在一起。MPM提供的流程和工具可以結合、耦合和整合構成系統的每一個觀點。"

爆炸超壓研究（BOS）工作試圖了解和減輕爆炸超壓事件對軍隊的影響，特別是解決與腦部創傷有關的問題。這個特殊項目的目標是更好地理解數據分析，以改善軍隊在BOS方面的作戰醫學。同樣令人感興趣的是如何對這些數據進行編目，并提供給追求這一主題的研究人員。評估的數據通常包括血液中生物標志物的濃度、國防自動神經行為評估指標和參與者自我報告的癥狀。幾個Python工具被用來重現文獻中存在的分析，包括Spearman等級相關、方差分析和四分位數范圍評估。還探索了機器學習中常見的其他分析方法，看是否能找到有用的關聯。這項工作顯示了擁有一個結構化的數據存儲和訪問方法的優勢，同時也強調了普通的開源工具，如Python和各種統計和機器學習軟件包，能夠產生有意義的分析結果。

超壓事件產生的壓力波超過大氣壓力。暴露在爆炸超壓下會對人和他們的認知健康產生嚴重的、累積的和長期的負面影響。例如，參與突破事件的士兵，如使用炸藥在墻壁或柵欄等結構上打洞的士兵，通常會暴露在超壓下。靠近武器系統的士兵也會遭遇超壓。暴露在超壓事件中往往會導致類似于腦震蕩或輕度創傷性腦損傷（mTBI）的癥狀。

首先，由于在報告輕度創傷性腦損傷或腦震蕩的癥狀以及診斷這種傷害時存在變異性和不確定性，有必要開發和探索分析，使這項任務更加容易。這個項目的第一個目標是創建一個用戶可以加載、編輯和分析數據的單一平臺。這樣一個可以作為真理來源參考的系統將通過減少使用多個平臺或在研究小組之間傳輸數據時可能發生的錯誤來提高研究的可重復性。此外，讓數據接近高性能的計算資源，并能夠輕松地將其用于大型分析工作流程，將促進以前不可行的新型研究。我們開發了一個軟件棧，其中包含一個攝取工作流程、數據存儲、數據處理引擎和一個用戶界面（UI），使用湖心島架構。一旦數據被攝取，以后就可以使用多種方式進行分析，包括基于標準查詢語言（SQL）的探索，基于Python的探索，以及人工智能（AI）/機器學習（ML）算法。此外，所有的迭代、變化和新得出的數據都記錄在資源庫中，因此很容易看到數據是如何被改變的。歸屬和數據出處在這個模型中得到了加強。

第二，在這個研究過程中，離群點檢測和移除的話題變得相當重要。多年來，有許多方法被研究和實施。在人類健康領域發表的許多論文都使用了一種自動方法，將人類對離群點識別的判斷從這個過程中剔除。這種方法可以在一個商業軟件包中找到，算法的作者在一篇論文中討論了整個方法。我們用Python實現了這個方法，因為我們的研究表明它還沒有在這種計算機語言中實現。有了這種方法，也就可以在大規模的超級計算機上對這種方法進行研究和應用的可重復性。

最后，這個項目的最后一個主要目標是表明Python和額外的統計和ML方法可以用來重現和擴展這個領域的常見分析。通過建立在數據科學界開發和測試的既定模型和程序上，解決問題的時間可以相對較快，而且可以沿途進行大量定制。

為了更好地了解這一研究領域所做的處理和分析類型，并確定應用和/或開發什么工具和程序來進行這種分析，我們專注于兩個不同的數據集。第一個包括總共29個受試者，有血液生物標志物數據、人類神經認知性能數據和爆炸壓力數據。這是我們使用mTBI社區的傳統技術進行分析和關注的第一個數據集。這個分析也突出了識別和去除離群點的重要性，這對小數據集來說更為關鍵。如前所述，這就需要一種專門的方法，這種方法在市場上可以買到，但據我們所知，還沒有一種更通用的軟件方法可以使用或實施。本報告對這種方法進行了描述。

在此之后，通過與沃爾特-里德陸軍研究所（WRAIR）的合作，我們獲得了更多的數據，包括來自8個隊列的218名受試者，這使我們能夠更加專注于新興的數據科學方法，如深度神經網絡，以尋找模式和因果關系。我們對這個數據集的經驗構成了本敘述的后半部分。這些方法的總和提供了一種使用開源工具和技術的方法，以便為創傷性腦損傷研究進行定制和深入的數據科學處理。

美國陸軍作戰能力發展指揮部分析中心創建了一種算法，用于估計定位、導航和授時（PNT）傳感器和系統的目標位置誤差。即使系統用來尋找感興趣目標的確切算法是專有的或未知的，該算法也可以使用。該程序具有高度的模塊化和可擴展性；因此，相對來說，添加各種不同的PNT傳感器、系統和目標是很容易的。然而，目前僅有的傳感器是使用到達時間差、到達頻率差和/或到達角度的信號智能系統，以及可能有激光測距儀和測量校準源輻射的光子計數探測器的電子光學/紅外（EO/IR）系統。

美國防部有各種傳感器，作戰人員可以用它們來尋找位置。一些傳感器可以讓作戰人員找到潛在的威脅。如果作戰人員目前不能使用GPS，他們可能需要使用傳感器來確定自己的位置。傳感器可以單獨使用，也可以在更復雜的情況下連接在一起，以估計一個感興趣的物體的位置。為了確保美國陸軍為作戰人員配備能夠執行任務的傳感器，建立一個能夠估計這些位置傳感器在任何情況下的性能的模型至關重要。

美國陸軍作戰能力發展司令部（DEVCOM）分析中心需要一種算法來估計正在進行定位、導航和授時（PNT）計算的各種傳感器和系統的性能。DEVCOM分析中心（DAC）開發了多用途通用簡化TLE計算器（MUSTC）模型，該模型可用于查找各種傳感器的目標位置誤差（TLE），進而用于定位各種物體。

MUSTC算法并不要求用戶了解系統如何使用傳感器的測量結果來確定位置。在MUSTC軟件中添加一個新的傳感器類型所需要的只是一個模型，該模型可以估計傳感器測量的原始值，作為傳感器和目標參數以及它們的位置的函數。

為了使算法能夠確定TLE，算法需要知道所有參考傳感器和目標在場景中的位置、可能影響位置測量的變量和這些變量的不確定性，以及用戶希望為感興趣的項目計算TLE值的空間位置。然后，該算法將假定感興趣的物品在名義上位于用戶想要估計TLE的位置。一旦知道了位置，軟件就可以使用測量模型來確定傳感器將為該場景測量什么。然后，該軟件可以使用這些測量結果，以及優化算法，來確定感興趣的項目在空間指定點的TLE。

該算法的主要優點是，它可以擴展到確定來自不同傳感器類型的測量的各種不確定性如何影響總TLE，或找到感興趣的項目的位置的不確定性。

該算法的主要缺點是，由于反復調用實現優化算法的函數來計算TLE，所以計算有時會很耗時。程序可以使用許多優化算法，有些算法比其他算法快。即使程序使用一個相對較快的優化算法，如果優化算法被調用足夠多的次數，計算時間仍然會增加。DAC努力減輕這一缺點，找到了可用的最快的優化算法，但仍能產生正確的答案，將程序寫成多線程應用程序，以便利用大多數現代計算機處理器的多個核心，并試圖在最終結果的準確性和必須調用優化算法的次數之間找到最佳平衡。

無人機系統和下一代戰車（NGCV）集成的重點是由美國國防部航空航天教育、研究和創新中心團隊推動的，以支持美國陸軍士兵的項目合作。通過與克里斯-克羅寧格和巴勃羅-古茲曼的雙周互動，與美國陸軍作戰能力發展中心陸軍研究實驗室合作，提出了創造一個盒子的想法，這個盒子可以作為無人機的存儲和平臺，讓無人機降落、起飛，并在航行中得到保護。這項工作的最初目標是開發一個高效和有效的移動無人機平臺原型，供士兵們在戰場上最終使用。計劃是對無人機停留在盒子的蓋子（平臺）上的方法進行多次測試，在盒子里時提供額外保護。

為了支持未來的多域作戰分析，美國DEVCOM分析中心（DAC）正在探索如何在陸軍的作戰模擬中體現天基情報、監視和偵察（ISR）資產的貢獻。DAC正在使用基于能力的戰術分析庫和模擬框架（FRACTALS）作為方法開發的試驗基礎。用于預測衛星軌道路徑簡化一般擾動的4種算法已經被納入FRACTALS。本報告的重點是來自商業衛星群的圖像產品，其分辨率為1米或更低。報告介紹了預測分辨率與傳感器特性、傾斜范圍（包括地球曲率）和觀察角度的關系的方法。還討論了在不同分辨率下可以感知的例子。

在2021年建模與仿真（M&S）論壇期間，空間情報、監視和偵察（ISR）建模被確定為當前/近期的建模差距。美國陸軍作戰能力發展司令部（DEVCOM）分析中心（DAC）提交了一份陸軍M&S企業能力差距白皮書（Harclerode, 2021），描述了幫助填補這一差距的行動方案。陸軍建模和仿真辦公室已經資助DAC開發方法，以代表商業、國家和軍事空間和低地球軌道資產的性能及其對聯合作戰的影響，并在基于能力的戰術分析庫和模擬框架（FRACTALS）內進行測試實施。

FRACTALS是DAC開發的一個仿真框架，它提供了通用的結構 "構件"，用于模擬、仿真和評估ISR系統在戰術級任務和工作中的性能。FRACTALS作為DAC開發的各種ISR性能方法的測試平臺，將文件或數據被納入部隊的模擬中。FRACTALS還作為DAC的一個分析工具，在戰術環境中對ISR系統進行性能分析比較。

這項工作需要在一定程度上體現衛星飛行器（高度、軌跡和運動學）、傳感器有效載荷（光電[EO]、紅外、合成孔徑雷達和信號情報）、網絡、控制系統、地面站（時間線、通信、處理、利用和傳播）、終端用戶以及連接它們的過程和行為。本報告描述了DAC為支持這一工作所做的一些基礎工作，重點是可見光波段相機圖像。