XiaoMi-AI文件搜索系统
World File Search System测量信号
调查模拟模型的验证... - DiVA
图 1 – 展示简化燃油系统的组件（备用模式）。 _______________________________ 3 图 2 - 萨博的仿真模型开发过程 _________________________________________________ 6 图 3 - 概率框示例以及添加不确定性信息对其的影响 [15] _____________ 10 图 4 - 来自 [14] 的概率框示例 _____________________________________________________________ 11 图 5 - 本论文中使用方法的概述。 _________________________________________________ 18 图 6 - 建模系统的框图。标有 PX 的块表示“管道 X”，CX 表示“止回阀 X”，SX 表示“过滤器 X”，其中 X 是任意字母。 ____________________________________________________________ 19 图 7 – 简化框图，测量信号标记为红色。 ________________________________ 21 图 8 - 显示输送泵模型。 ____________________________________________________________ 22 图 9 - 显示喷射泵图。 _________________________________________________________________ 23 图 10 - 步长比较。 ________________________________________________________________ 25 图 11 - 显示实施了不确定性的模拟模型。 ________________________________ 28 图 12 - 显示当 V1 中的不确定性变化时 SRQ 如何变化。 __________________________________ 32 图 13 - 显示当 V2 中的不确定性变化时 SRQ 如何变化。 __________________________________ 32 图 14 - 显示当 h2 中的不确定性变化时 SRQ 如何变化。 __________________________________ 33 图 15 - 显示第一种情况的 VV&UQ 评估后的最小和最大传输量。 __ 35 图 16 – 显示第二种情况的 VV&UQ 评估后的最小和最大传输量。 36 图 17 - 显示 SRQ 中的最小和最大输出以及不同操作模式的最小传输限制，对于第一种情况，在每个操作点都有总传输量。 _________________ 37 图 18 - 显示 SRQ 中的最小和最大输出以及不同操作模式的最小传输限制，第二种情况是 𝑡𝑠𝑖𝑚 期间每个操作点的传输量。 _________ 38 图 19 - 显示验证数据、标称模拟输出和最小/最大输出。 ______________________________________ 39
使用fnirs
使用FNIRS测量值的基于内存的工作负载分类已被证明是现实的适应性BCI的理想方法，用于测量人类工作量水平。6在本文中，我们研究了与n个背任务不同条件相对应的FNIR的分类问题（即需要受试者连续记住最后的n∈F1; 2; 2; 3; 3; ：： g快速变化的字母或数字）。我们在前额叶皮层（PFC）上进行了FNIRS测量，已发现这是通过正电子发射断层扫描和功能磁共振成像的与记忆相关任务的相关区域。7，8文献中的大多数n返还分类研究基于对fnirs信号的监督方法，并基于主题内部（即，在单个主题的数据获取的一次试验中）。9 - 11虽然这些研究表现出令人鼓舞的结果，但对于可以适应具有广泛生理条件的不同用户的界面系统而言，受试者和会话依赖的系统是不现实的。为了在BCI中使用，必须基于经验会议（会话逐句对齐）和跨主题（主题对准）基于FNIRS数据的工作负载分类。存在一些挑战，可以使用FNIRS数据妨碍精确的工作负载分类。我们在下面概述了它们，并提出了减轻它们的方法。第一个挑战是本文的主要重点，是处理n-back任务分类的逐项和主题变化。这些问题与机器学习中所谓的域适应性有关。12 - 14更具体地说，来自不同会话或不同主题的数据称为属于不同域，并且跨不同域（数据属于的会话或主题）的数据分布的变化被视为域移动。15由于这种现象，我们从一个领域学到的知识不能直接应用于另一个领域。为了解决这个问题，最佳运输理论和方法的最新进展（OT）16和度量测量空间比对17 - 19可用于将数据与已知标记的n个返回条件从一个会话或一个主题到同一主题或其他主题中的另一个会话的未标记的数据与未标记的数据对齐。尽管已将OT应用于具有潜在性能的域适应性，但是20，21当不存在两个空间之间的有意义的距离概念时，但是两组用于对齐的数据不共享相同的度量空间时，它会受到一定的限制。例如，对于会话逐一比对，由于信噪比较差（SNR），从两个会话中删除了一些FNIRS通道的数据。这将导致两个会话的数据嵌入两个域中的不同维度。幼稚的解决方案是从另一个会话中删除相应的通道，以确保两个会话具有相同的维度。但是，这是导致信息丧失的缺点。第二个挑战是FNIRS信号中的运动伪像。fnirs中的运动伪影通常是由于实验过程中头皮中任何源或检测器的耦合变化。31在本文中，我们提出，使用Gromov - Wasserstein（G-W）18，22和Fused Gromov - Wasserstein（FG-W）Barycenter 23将减轻此问题，并为FNIRS n-BACK任务分类的范围跨域提供算法。这会导致突然增加或减少测得的光强度，并可能影响测得的FNIRS信号。从机器学习的角度来看，运动伪影检测和校正有助于消除主题行为（抽搐，头部移动等）的任何误导性相关性分类模型从FNIRS数据中学到了什么。例如，分类模型可以识别当受试者由于受试者的头部移动而在测量信号中检测到测量信号中的峰值时，将受试者按下按钮作为需求，而不是从脑信号中检测实际的血液动力学反应。已提出了许多方法，灵感来自统计信号处理方法，例如自适应过滤，独立组件分析（ICA）和时频分析，以删除或纠正FNIRS信号中的运动伪影。24 - 30这些技术中的大多数都取决于使用辅助参考信号（例如，加速度计等）或自相间通道，或需要对运动伪影特征和清洁的FNIRS信号的特征进行某些假设。在本文中，我们使用基于稀疏优化的现成方法来自动检测和去除尖峰和台阶异常，即瞬时伪影还原算法（TARA）。
nh0530684.pdf
应用。土壤水分含量会影响生物圈的生理生物成分，并通过表面能和水分通量将地球表面与大气联系起来。SM 是大气的水源，通过陆地的蒸散，包括植物蒸腾和裸土蒸发。此外，SM 条件可以通过控制土壤的渗透能力和将降雨分配到径流来影响陆地表面的水文模式。生态水文学侧重于植被 - 水 - 气候关系之间的联系，已发现其对 SM 动态可用性具有复杂的依赖性（Garcia-Estringana 等人2013 年；Mulebeke 等人2013 年）。所有这些过程都高度体现了 SM 的非线性行为和复杂的反馈机制。因此，SM 的量化条件是建模农业、水文气候和气象属性的重要输入。一组成分以不同的时间和空间尺度控制陆地表面 SM 的动态。因此，天气和气候的变化都受到 SM 条件的影响。Reynolds (1970) 将 SM 分为静态（例如土壤质地和地形）和动态（例如降水和植被）控制要素。对 SM 的评估取决于相关变量的状况。这些元素中的许多都是相互关联的，并且在空间和/或时间上各不相同，这使得识别 SM 模式及其驱动变量之间的关系变得复杂。2021 )。景观要素，包括地形、植被和土地利用，是 SM 的空间和时间控制要素。SM 的空间变化与地形特征（例如坡度、海拔和地形湿度指数）密切相关。因此，在以前的一些研究中，地形属性被用于通过回归、地理空间和水文建模来估计 SM 模式的参数（例如，参见 Western 等人。1999 、2004 ；Adab 等人。2020 ；Li 等人。此外，各种研究都注意到了植被覆盖（例如类型和分布）对 SM 变化的影响。此外，空间属性对植被的影响（通常从遥感图像中解释）也被用于生成 SM 模式（Mohanty 等人。2000 ；Hupet & Vanclooster 2002 ）。通常，SM 的长期时间序列可以在空间上检测到与天气或水文条件。在较大的研究区域中，网络和测量 SM 的种类仍然受到限制，此外，由于过度变化和参数之间缺乏相关性，从现场测量中获得可靠的近似值是一项具有挑战性的任务。在 SM 的几个应用中，各种各样的卫星产品都有可能帮助水文学家测量大面积的 SM 状况。由于遥感器无法直接测量 SM 含量，因此需要提取可以解释测量信号和 SM 含量之间关系的基于数学的方法来解释测量信号和 SM 含量之间的关系。2021 ; Zhu 等人。2021 ）。自 20 世纪 70 年代以来，已经开发出一些遥感技术，通过测量从光学到微波领域的电磁波谱特定区域来分析和绘制 SM（Musick & Pelletier 1988；Engman 1991；Wang & Qu 2009）。微波遥感技术包括 Aqua 卫星上的先进微波扫描辐射计-地球观测系统 (AMSR-E)（自 2002 年起）、土壤湿度和海洋盐度卫星（SMOS，自 2009 年起）、多频扫描微波辐射计（MSMR，自 1999 年起）和土壤湿度主动被动 (SMAP)（自 2015 年 1 月起），目前正在运行，每天在全球范围内生成卫星记录。虽然这些方法提供了许多测量大规模 SM 的技术，但它们的分辨率几乎很低（通常约为 25 公里），不再适用于小集水区或学科尺度。光学/热红外遥感记录被称为表面温度/植被指数法，可提供更高的分辨率（约 1 公里）。最近，Zhang & Zhou（2016）提出了一种新方法，可以通过光学/热遥感进行 SM 估计，该方法特别依赖于 SM 与表面反射率和温度或植被指数之间的关联。该领域的检索策略，如热惯性，强调土壤热特性或三角测年技术，表明 SM、归一化差异植被指数 (NDVI) 和给定区域的陆地表面温度 (LST) 之间的联系正在不同的应用中使用。然而，由于缺乏足够的空间数据（包括地形或低密度植被覆盖图和数据），它们的应用受到限制。用于估计 SM 的遥感植被指数（例如，NDVI、归一化差异水指数 (NDWI) 和归一化多波段干旱指数 (NMDI)）是合适的替代方案；然而，SM 的分布不能通过单一参数和通过计算出特定地表坡向强度之间的参数修改来预测。人们已经做出了大量努力，通过建立遥感 LST 与植被指数之间的联系来利用卫星图像估计 SM（例如，Dari 等人。遥感图像的实际优势之一是，除了地形数据外，还可以通过图像获得具有高空间分辨率（30 米至 1 公里）的植被和 LST 参数。利用从遥感图像中提取的结构化景观因素而不是现场测量来预测 SM 状况，可以快速实时地跟踪 SM 状况。
科普总结
科普摘要 姓名：Johanna Perens 部门：视觉计算 主要指导老师（DTU）：Anders Bjorholm Dahl 主要指导老师（Gubra）：Jacob Heckscher-Sørensen 联合指导老师（DTU）：Tim Bjørn Dyrby 联合指导老师（Gubra）：Casper Gravesen Salinas 项目名称：实现多模态全脑研究以发现药物 项目开始时间：2018 年 12 月 1 日 项目结束时间：2021 年 11 月 30 日 标题：在对抗脑部疾病的斗争中——多模态大脑图谱将不同的大脑成像方法联系起来以有效发现药物 科普摘要：中枢神经系统 (CNS) 疾病会导致生活质量下降、导致预期寿命缩短并带来沉重的公共卫生负担。尽管对疾病机制进行了广泛的研究，但许多中枢神经系统疾病（例如帕金森病、阿尔茨海默病、中风）仍无法治愈，现有治疗方法往往无效或有副作用（例如减肥药物）。其中一个原因是大脑极其复杂。尽管使用现代神经影像学模式对中枢神经系统的结构和功能关系进行了广泛的研究，但合成通过不同技术获得的互补信息一直是一个挑战。尤其困难的是整合从活体动物（体内）和死后组织（离体）获取的神经影像数据集。临床前药物研究中的常见做法是研究大脑对不同挑战（例如禁食、某些任务、物体识别）和化合物的反应活动。这些研究提供了对在此过程中受到刺激的大脑区域的深入了解，因此，这些区域可能是参与潜在生理机制的神经网络的一部分。传统组织学是一种体外成像技术，几十年来一直用于通过标记和计数表达一种名为 c-Fos 的蛋白质的神经元来识别激活区域。与传统组织学相比，体外光片荧光显微镜 (LSFM) 可以对完整大脑中表达 c-Fos 的神经元进行成像，并提供所有激活神经元的 3D 视图。然而，如此大的数据集需要复杂的算法来实现自动、无偏和准确的计算分析，以提取必要的信息。这个博士项目旨在通过创建计算工具来解决这些问题，用于分析和整合通过不同的体内和体外神经成像方式获得的整个啮齿动物大脑图像。在该项目的框架内，开发了一个多模式小鼠大脑图谱，可用于叠加、组合和分析通过体内/体外磁共振成像 (MRI) 和体外 LSFM 获得的小鼠大脑图像。该图谱包含一个坐标系统，它能精确定位活体小鼠大脑中的测量信号，并在临床前脑手术中定位结构。除了小鼠大脑图谱之外，还建立了涉及统计分析的计算流程，以使用 LSFM 量化和比较药物在大脑中的作用。最后，开发的计算工具的价值在使用 LSFM 的临床前药理学研究中得到了证明，其中确定了六种减肥药物的全脑活动概况。开发的计算工具能够在药理学研究中高通量、无偏见地研究药物作用和大脑功能。应用这些工具和药物筛选研究的结果可能有助于开发针对各种中枢神经系统疾病以及肥胖症和相关代谢疾病的新治疗方案。