自20世纪90年代以来，纳米流体的热传递特性已被广泛研究。研究调查表明，悬浮的纳米颗粒显着改变悬浮液的热性能。纳米流体的导热率是通常发现大于基础流体的性能之一。发现导热性的这种增加取决于几个参数。已经提出了几种理论来模拟纳米流体的热导体，但尚未对纳米流体的异常导热率模拟具有可靠的普遍理论。近年来，已成功地将监督数据驱动的方法成功用于在各种科学学科中创建代理模型，特别是对难以理解的现象进行建模。这些监督的学习方法允许模型捕获高度线性现象。在这项工作中，我们利用了现有的相关性，并同时使用了可用的实验结果，以开发更强大的替代模型，以预测纳米流体的导热率。使用转移学习方法训练人工神经网络，以预测具有32种不同颗粒流体组合的球形颗粒的纳米流体的导热性增强（8个颗粒材料和4个流体）。从相关性产生的大量较低的精度数据用于大调模型参数，并且使用有限量的更可靠的实验数据用于微调模型参数。将转移学习的模型的结果与来自基线模型的结果进行比较，这些模型仅在使用拟合度量的良好训练的实验数据上培训。结果发现，转移学习模型更好地表现出0.93的良好值，而不是从基线模型0.83。
translated by 谷歌翻译
磁共振（MR）图像重新参数化是指通过模拟具有新的MRI扫描参数的MR图像生成的过程。不同的参数值在不同组织之间产生明显的对比度，有助于鉴定病理组织。通常，诊断需要多次扫描。但是，重复扫描可能是昂贵的，耗时的，对于患者来说很难。因此，使用MR图像重新参数来预测和估计这些成像扫描中的对比是有效的选择。在这项工作中，我们提出了一种基于新颖的深度学习（DL）进行MRI重新参数化的卷积模型。基于我们的初步结果，基于DL的技术具有学习控制重新分析的非线性性的潜力。
translated by 谷歌翻译
在过去几年中，许多面部分析任务已经完成了惊人的性能，其中应用包括来自单个“野外”图像的面部生成和3D面重建。尽管如此，据我们所知，没有方法可以从“野外”图像中产生渲染的高分辨率3D面，并且这可以归因于：（a）可用数据的跨度进行培训（b）缺乏可以成功应用于非常高分辨率数据的强大方法。在这项工作中，我们介绍了一种能够从单个“野外”图像中重建光电型渲染3D面部几何和BRDF的第一种方法。我们捕获了一个大型的面部形状和反射率，我们已经公开了。我们用精确的面部皮肤漫射和镜面反射，自遮挡和地下散射近似来定义快速面部光电型拟型渲染方法。有了这一点，我们训练一个网络，将面部漫射和镜面BRDF组件与烘焙照明的形状和质地一起脱颖而出，以最先进的3DMM配件方法重建。我们的方法通过显着的余量优于现有技术，并从单个低分辨率图像重建高分辨率3D面，这可以在各种应用中呈现，并桥接不一体谷。
translated by 谷歌翻译
由于ICS网络中的错误配置/受损IDS导致的误报可能导致严重的经济和运行损坏。为了解决这个问题，研究专注于利用深度学习技术，有助于减少虚假警报。然而，缺点是这些工作通常需要或隐含地假设要值得信赖的物理和网络传感器。隐含数据的信任是使用人工智能或机器学习进行CPS安全的主要问题，因为在临界攻击检测时，它们更有风险，具有更大的可能性和影响，也受到损害。为了解决这个缺点，对如何在不确定性提供良好决策的情况下重新抑制了问题。然后，决定是检测，并且不确定性包括用于基于ML的ID的数据是否受到损害。因此，该工作提供了一种方法，可以通过在未经警报的先前分配知识的情况下处理不确定性来减少CPS电力系统中的误报的方法。具体而言，提出了一种利用Dempster Shafer组合规则的基于证据的方法，以减少虚假警报。设计了多假设质量函数模型，其利用各种监督学习分类器获得的概率分数。使用该模型，提出了一种基于位置域的基于域的融合框架，并以不同的组合规则评估，该规则融合了来自域间和域内传感器的多个证据。该方法在具有在大型合成电网中的中间攻击仿真测试的网络 - 物理电力系统中进行了证明。为了评估绩效，合理性，信仰，雕刻律等。考虑了决策功能的指标。为了提高性能，提出了一种考虑决策度量作为健身功能的特征选择的多目标基于遗传算法。
translated by 谷歌翻译