XiaoMi-AI文件搜索系统
World File Search System数据融合
复合材料飞机结构健康监测中多传感器数据融合的必要性
摘要：随着复合材料在飞机上的应用越来越多，复合材料航空航天结构的结构健康监测 (SHM) 领域的进步取得了许多新的成功贡献。然而，其应用在航空工业的运营条件下仍然并不常见，主要是由于研究重点和应用之间的差距，这限制了向改进的飞机维护策略（如基于条件的维护 (CBM)）的转变。在本文中，我们确定并强调了复合材料飞机结构 SHM 领域成熟的两个关键方面：(1) 需要对飞机结构健康管理进行整体损伤评估的飞机维护工程师，以及 (2) 将 SHM 应用升级到实际服役条件下的复合飞机结构。多传感器数据融合概念可以帮助解决这些问题，我们阐述了它的好处、机遇和挑战。此外，为了演示目的，我们展示了基于融合的 SHM 系统的概念设计研究，用于对代表性复合飞机机翼结构进行多级损伤监测。通过这种方式，我们展示了多传感器数据融合概念如何使社区受益，推动复合飞机结构的 SHM 领域向航空工业的 CBM 应用迈进。
STARFM 与基于分解的 Landsat 和 MODIS 数据融合算法的比较
本研究的重点是比较应用于中高空间分辨率传感器的数据融合方法。应用了两种已记录的方法，即空间和时间自适应反射融合模型 (STARFM) 和基于解混的方法，该方法提出了一种贝叶斯公式来整合先前的光谱信息。此外，两种算法的优势结合在一种新颖的数据融合方法中：空间和时间反射解混模型 (STRUM)。使用模拟图像和 Landsat 和 MODIS 图像展示了每种方法的潜力。算法的理论基础使 STARFM 和 STRUM 产生类似 Landsat 的反射，同时保留 Landsat 图像中的空间模式，而基于解混的方法产生类似 MODIS 的反射。还使用时间 NDVI 配置文件评估了融合图像捕捉物候变化的能力。 STARFM NDVI 的时间剖面与 Landsat NDVI 剖面非常相似。然而，在模拟输入高分辨率图像很少的情况的实验中，基于分离的方法和 STRUM 可以更准确地重建 NDVI 轨迹。STRUM 性能最佳，因为它产生的表面反射与参考 Landsat 图像的相关性最高。这项研究的结果表明，STRUM 更适合需要类似 Landsat 表面反射的数据融合应用，例如间隙文件
应用于癫痫发作识别的数据融合方法的性能分析
癫痫是一种由无诱因反复发作引起的慢性神经系统疾病。诊断癫痫最常用的工具是脑电图 (EEG)，通过脑电图可以测量大脑的电活动。为了预防潜在风险，必须对患者进行监测，以便尽早发现癫痫发作并采取预防措施。许多不同的研究都结合了时间和频率特征来自动识别癫痫发作。本文比较了两种融合方法。第一种基于集成方法，第二种使用 Choquet 模糊积分方法。具体来说，三种不同的机器学习方法，即 RNN、ML 和 DNN，被用作集成方法和 Choquet 模糊积分融合方法的输入。比较了混淆矩阵、AUC 和准确度等评估指标，并提供了 MSE 和 RMSE。结果表明，Choquet模糊积分融合方法优于集成方法以及其他最先进的分类方法。
数据融合和优化技术，以增强智能城市的自动驾驶性能
Rutgers University，New Brunswick，New Jersey，USA ys820@rutgers.edu *作者应与之交谈。 摘要：研究研究了数据融合和优化技术的使用，以改善智能城市环境中自动驾驶系统的性能。 通过整合来自多个传感器，雷达，摄像机和传感器在内的多个传感器的数据，该系统增强了其对环境的看法和理解。 此外，5G，LTE-V和DSRC Technologies启用V2X通信，促进车辆，基础设施和其他道路使用者之间的实时互动。 该研究采用深度学习和强化学习算法来实时路径计划，障碍检测和能源效率优化。 在各种城市场景中进行的模拟表明，通过优化的车辆操作来显示障碍检测准确性，交通安全性以及减少能源消耗的显着改善。 此外，系统对通信延迟和数据丢失的弹性突出了提议的数据融合和在动态环境中的鲁棒性。 关键字：智能运输系统；连接和自动驾驶汽车；可持续城市；聪明的城市。 被引用为：Sun，Y。，＆Ortiz，J. （2024）。 数据融合和优化技术，以增强智能城市的自动驾驶性能。 人工智能与信息杂志，1，42-50。 取自https://woodyinternational.com/index.php/jaii/article/article/view/50 1。 Yao等。 根据Wang等人的说法。 Liu等。Rutgers University，New Brunswick，New Jersey，USA ys820@rutgers.edu *作者应与之交谈。摘要：研究研究了数据融合和优化技术的使用，以改善智能城市环境中自动驾驶系统的性能。通过整合来自多个传感器，雷达，摄像机和传感器在内的多个传感器的数据，该系统增强了其对环境的看法和理解。此外，5G，LTE-V和DSRC Technologies启用V2X通信，促进车辆，基础设施和其他道路使用者之间的实时互动。该研究采用深度学习和强化学习算法来实时路径计划，障碍检测和能源效率优化。在各种城市场景中进行的模拟表明，通过优化的车辆操作来显示障碍检测准确性，交通安全性以及减少能源消耗的显着改善。此外，系统对通信延迟和数据丢失的弹性突出了提议的数据融合和在动态环境中的鲁棒性。关键字：智能运输系统；连接和自动驾驶汽车；可持续城市；聪明的城市。被引用为：Sun，Y。，＆Ortiz，J.（2024）。数据融合和优化技术，以增强智能城市的自动驾驶性能。人工智能与信息杂志，1，42-50。取自https://woodyinternational.com/index.php/jaii/article/article/view/50 1。Yao等。根据Wang等人的说法。Liu等。Liu等。引言随着城市化的加速，智能城市的发展已成为政府和行业通过数字技术的整合来优化城市生活的关键倡议。这种转变的一个核心是自动驾驶系统的部署，预计该系统将在增强城市流动性，减少交通拥堵并改善道路安全方面发挥关键作用。由高级通信网络和数据驱动基础设施支持的自动驾驶汽车（AV）对于管理日益复杂的城市环境而变得至关重要。（2022）强调，智能城市基础设施对于成功实施自动驾驶汽车至关重要，这指出了数据驱动方法在改善交通管理方面的重要性。尽管有希望在AV技术方面取得了希望，但仍存在一些挑战，尤其是在人口稠密的城市地区。复杂的道路网络，不同的交通状况以及不可预测的行人行为需要复杂的数据处理和实时决策功能。（2024），自主驾驶技术可以大大降低交通拥堵和事故率，但这需要高度准确，及时的传感器数据融合。此外，Zhou等。（2024）指出，在城市环境中，AVS必须依靠Lidar，相机和雷达等传感器的组合，以及车辆到所有的通信系统来收集和处理周围环境的数据。最近的研究表明，多传感器融合解决这些挑战的潜力。此外，Aldeer等人。（2024）证明，将来自各种传感器的数据结合起来增强了AVS检测障碍和更准确预测交通流量的能力。与这些发现一致，Zhang等人。（2024）强调，人工智能（AI），尤其是深度学习和强化学习，通过从多个来源处理复杂的数据集来实现AV系统的实时决策中起着至关重要的作用。（2024）认为，AI与边缘计算技术的集成可以更有效地数据处理，从而提高了自主驾驶的安全性和效率。尽管在整合AI和传感器融合技术方面取得了进展，但在AV系统中的数据融合和优化技术的应用仍然是
模型和数据融合：癌症研究中的物理驱动学习
肿瘤细胞的机械生物学在体外理解机械和物理线索如何影响恶性组织的侵入性策略对于治愈许多癌症至关重要。 已经提出了许多体外系统模型来捕获癌细胞的复杂特征（例如 迁移，增殖，聚集和对疗法的抵抗力），以及癌症及其周围环境之间的动态和不断发展的反馈，即 机械 - 重生（Friedl）。肿瘤细胞的机械生物学在体外理解机械和物理线索如何影响恶性组织的侵入性策略对于治愈许多癌症至关重要。已经提出了许多体外系统模型来捕获癌细胞的复杂特征（例如迁移，增殖，聚集和对疗法的抵抗力），以及癌症及其周围环境之间的动态和不断发展的反馈，即机械 - 重生（Friedl）。
生物特征数据融合中的人工智能 (AI) 和机器学习 (ML)
估计此次信息收集的公共报告负担平均为每份回应 1 小时，包括审查说明、搜索现有数据源、收集和维护所需数据以及完成和审查信息收集的时间。请将有关此负担估计或本次信息收集任何其他方面的评论（包括减轻负担的建议）发送至国防部华盛顿总部服务处信息行动和报告局 (0704-0188)，1215 Jefferson Davis Highway, Suite 1204, Arlington, VA 22202-4302。受访者应注意，尽管法律有任何其他规定，但如果信息收集未显示当前有效的 OMB 控制编号，则任何人均不会因未遵守信息收集而受到任何处罚。请不要将您的表格寄回上述地址。
智能过程监控多传感器数据融合系统应用案例研究
多传感器数据融合是一种将来自多个来源的信息结合起来形成统一图像的技术。着眼于间接方法，尝试建立一个多传感器数据融合系统，用力信号和声发射（AE）信号监测砂轮的状态。本文提出了一种基于人工免疫算法的多信号处理方法。该智能监测系统能够对磨削状态进行增量监督学习和快速模式识别，并能不断提高监测精度。应用案例表明，状态识别准确率约为87％，基本能够满足工业需求。© 2014 Zhi-Jun Lu。由 Elsevier B.V. 出版。由“第 47 届 CIRP 制造系统会议”国际科学委员会负责评选和同行评审，会议主席为 Hoda ElMaraghy 教授。
用于飞机结构健康监测的无线传感器网络和数据融合
本论文由 Aggie 数字收藏和奖学金的电子论文和学位论文免费提供给您，供您开放访问。它已被 Aggie 数字收藏和奖学金的授权管理员接受并纳入论文中。有关更多信息，请联系 iyanna@ncat.edu。
通过 GIRO 和 GNSS 数据融合进行全球电离层天气监测
1 马萨诸塞大学洛厄尔分校空间科学实验室，洛厄尔，马萨诸塞州 01854，美国 2 瓦尔米亚-马祖里大学空间无线电诊断研究中心，奥尔什丁 10-720 Olsztyn，波兰；adam.fron@uwm.edu.pl (A.F.)；kand@uwm.edu.pl (A.K.)；kacper.kotulak@uwm.edu.pl (K.K.)；pawel.flisek@student.uwm.edu.pl (P.F.) 3 洛厄尔 Digisonde International, LLC，洛厄尔，马萨诸塞州 01854，美国；bodo.reinisch@digisonde.com 4 UPC-IonSAT，加泰罗尼亚理工大学数学系，巴塞罗那 08034，西班牙； manuel.hernandez@upc.edu (M.H.-P.); roma@ieec.cat (D.R.D.); alberto.garcia.rigo@upc.edu (A.G.-R.) 5 阿卜杜勒萨拉姆国际理论物理中心，34151 Trieste，意大利；bnava@ictp.it 6 乔治梅森大学物理与天文系，弗吉尼亚州费尔法克斯 22030，美国；dbilitza@gmu.edu 7 空间物理数据设施，美国国家航空航天局戈达德太空飞行中心，马里兰州格林贝尔特 20771，美国 8 中国科学院空天信息研究院 (AIR)，北京 100094，中国；lizishen@aircas.ac.cn (Z.L.); wangningbo@aoe.ac.cn (N.W.) 9 中国济南历城区工业北路 44 号齐鲁航天信息研究院，邮编 250132 10 国家空间研究院，圣若泽多斯坎波斯，圣保罗 12227-010，巴西； inez.batista@inpe.br * 通讯：ivan_galkin@uml.edu；电话：+1-(978)-934-4912
用于使用自主水下航行器进行海底战争的数据融合架构
IV. 候选架构 ................................................................................................49 A. 功能分析 ..............................................................................................49 1. 行为分配 ..............................................................................................49 2. 功能需求 ..............................................................................................51 B. 架构综合 ..............................................................................................55 1. 功能架构 ..............................................................................................55 2. 输入 / 输出数据 ......................................................................................64 3. 物理架构 .............................................................................................66 4. 接口定义 .............................................................................................75 C. 性能特性 .............................................................................................78 1. 马尔可夫链 .............................................................................................79 2. 建模范式 .............................................................................................79 3. 仿真分析 .............................................................................................81