XiaoMi-AI文件搜索系统
World File Search System模拟训练
论文编号 716 视觉和教学增强弹射和跳伞虚拟现实降落伞模拟训练 2008 年 10 月 16 日 Jeffrey R. Hogue Cecy A. Pelz Noah S. Brickman Chi-Ying Liang 博士 John K. Grant Edward N. Bachelder 博士 Robert D. Gates 论文发表：第 46 届 SAFE 研讨会，内华达州里诺市 2008 年 10 月 27-29 日
由于机组人员弹射和紧急跳伞可能发生在极端情况下，没有机会进行实际的跳伞训练，因此，最大限度地扩大潜在训练经验的范围和表面效度，让受训人员适应尽可能广泛和真实的情况尤为重要。老化飞机在恶劣的环境和战斗情况下部署的压力加剧了这种训练的紧迫性。图形场景显示硬件和软件的最新发展已被用于提供更详细和准确的场景描述。大型机组人员应急和空降伞兵训练社区的热情采用和互动提出了许多改进的教练训练控制。本文介绍了这些视觉改进，以及用户驱动的改进模拟器训练技术和教练界面的发展。
使用自适应系统进行压力操作培训
使用自适应系统进行压力作业训练：概念方法和应用 Tor Finseth、Michael Dorneich、Nir Keren、Warren Franke 和 Stephen Vardeman 爱荷华州立大学 爱荷华州艾姆斯 tfinseth@iastate.edu、dorneich@iastate.edu、nir@iastate.edu、wfranke@iastate.edu、vardeman@iastate.edu 摘要 训练系统是一种潜在的压力对策，它可以在安全可控的环境中模拟高压力条件。训练通常需要随着时间的推移增加场景的复杂性，直到受训者能够可靠地执行任务。然而，在现场感受到强烈的急性压力时，一些限制会降低训练的长期保留和稳健性。这些限制包括不适合个人的通用培训实践、自我报告的主观压力不可靠、过度训练的技能不灵活且对新压力源不具有鲁棒性、培训教学法过于注重任务熟练程度而不是个人在执行任务时如何管理压力，以及培训师何时应增加/减少培训难度的模糊性。自适应系统被提议作为培训个人以保持任务绩效的补充。自适应系统是一种人机联合系统，能够不同程度地自动化功能/任务以帮助用户，通常无需明确指示。在压力任务的培训背景下，自适应系统可以使用生理传感器和机器学习来检测和监控压力，并使用这些信息来修改场景以提供个性化培训。这样就可以练习应对技能，而不会让受训者的压力承受力过大或刺激不足，根据任务执行和生理压力的熟练程度调整训练，并为何时增加/减少训练难度提供明确的基准。当与模拟训练环境相结合时，自适应系统可以通过改变任务程序和隐性改变任务环境来调整训练，以帮助用户建立对新压力源的适应力。本文介绍了使用自适应系统训练压力操作的概念方法和应用。本文介绍了一个通用的自适应压力训练系统框架，以及基于航天领域的实验示例的建议，用于在虚拟现实国际空间站中训练紧急消防程序。关于作者 Tor Finseth 博士在爱荷华州立大学获得航空航天工程和人机交互博士学位。他的研究兴趣包括在职业培训和先进技术（如虚拟现实、时间序列机器学习、压力检测、自适应系统）背景下研究人类压力反应。Michael Dorneich 博士是爱荷华州立大学工业和制造系统工程系的副教授。具体的研究和应用领域包括人为因素、认知工程、自适应自动化和自适应界面、分布式系统、交互式学习环境和决策支持系统。Nir Keren 博士是爱荷华州立大学虚拟现实应用中心的职业安全副教授和研究生教师。他开发了虚拟现实环境来研究关键任务职业员工在压力下的表现。Warren Franke 博士是爱荷华州立大学运动机能学系的教授。他的专业领域是心血管生理学，他的研究兴趣集中在应急响应人员的健康风险上。Stephen Vardeman 博士是爱荷华州立大学工业与制造系统工程系和统计学系的教授。他的专业领域是统计机器学习和工程分析。
利用循环神经网络从神经测量中重建计算动力学
使用循环神经网络从神经测量重建计算动力学 Daniel Durstewitz 1,2,3,*、Georgia Koppe 1,4、Max Ingo Thurm 1 1 海德堡大学医学院中央精神卫生研究所理论神经科学系 2 海德堡大学跨学科科学计算中心 3 海德堡大学物理与天文学院 4 海德堡大学医学院中央精神卫生研究所精神病学和心理治疗诊所* 通讯作者：daniel.durstewitz@zi-mannheim.de 关键词：动力系统理论、机器学习、循环神经网络、吸引子、混沌、多个单元记录、神经生理学、神经成像 摘要 神经科学中的机械和计算模型通常采用微分或时间递归方程组的形式。此类系统的时空行为是动力系统理论 (DST) 的主题。 DST 提供了一个强大的数学工具箱，用于描述和分析从分子到行为的任何级别的神经生物学过程，几十年来一直是计算神经科学的支柱。最近，循环神经网络 (RNN) 成为一种流行的机器学习工具，用于研究神经或行为观察背后的非线性动力学。通过在与动物受试者相同的行为任务上训练 RNN 并剖析其内部工作原理，可以产生关于行为的神经计算基础的见解和假设。或者，可以直接在手头的生理和行为时间序列上训练 RNN。理想情况下，一旦训练好的 RNN 将能够生成具有与观察到的相同的时间和几何属性的数据。这称为动态系统重建，这是机器学习和非线性动力学中一个新兴的领域。通过这种更强大的方法，就其动态和计算属性而言，训练过的 RNN 成为实验探测系统的替代品。然后可以系统地分析、探测和模拟训练过的系统。在这里，我们将回顾这个令人兴奋且迅速发展的领域，包括机器学习的最新趋势，这些趋势在神经科学中可能还不太为人所知。我们还将讨论基于 RNN 的动态系统重建的重要验证测试、注意事项和要求。概念和应用将通过神经科学中的各种示例进行说明。简介理论神经科学的一个长期原则是，神经系统中的计算可以用底层的非线性系统动力学来描述和理解（Amit & Brunel，1997；Brody & Hopfield，2003；Brunel，2000；Durstewitz，2003；Durstewitz 等，1999、2000、2021；Hodgkin & Huxley，1952；Hopfield，1982；Izhikevich，2007；Machens 等，2005；Miller，2016；Rinzel & Ermentrout，1998；Wang，1999，2002；Wilson，1999；Wilson & Cowan，1972）。相关思想可以追溯到 40 年代 McCulloch & Pitts (1943)、Alan Turing (1948) 和 Norbert Wiener (1948) 的工作，并在 80 年代早期通过 John Hopfield (1982) 的开创性工作获得了发展势头，该工作将记忆模式嵌入为简单循环神经网络中的固定点吸引子。Hopfield 网络的美妙之处在于它们免费提供了生物认知系统的许多特性，例如自动模式完成、通过部分线索进行内容可寻址记忆检索或对部分病变和噪声的鲁棒性。通过动态系统理论 (DST) 的视角来观察神经计算特别有力，因为一方面，许多（如果不是大多数）物理和生物过程都是自然形式化的