XiaoMi-AI文件搜索系统
World File Search System特征描述
2025-26 学年课程规范
可再生能源与人工智能和数据科学理学硕士：地质与地球物理学 (READY) 学位将为您提供表征浅层地下结构所需的地质学、近地表地球物理学和计算技能，以用于广泛的可再生能源应用。为了实现全球绿色能源目标，未来二三十年，海上可再生能源项目的数量必须大幅增加。海上风电是一种海上可再生能源选择，随着技术的成熟，波浪和潮汐预计会变得越来越重要。本课程将为您提供海上数据收集经验和行业接触机会。作为一系列理学硕士课程的一部分，该课程与地球科学与工程系提供的其他课程不同，因为它将带您完成一门课程，使您能够深化与尖端数据科学、人工智能、机器学习和相关计算和观察技术相关的知识和技能，以及它们在可再生能源应用的地下结构表征中的应用。该项目目前得到了可再生能源领域多家公司的支持（包括 SSE、RWE、Ørsted、Vattenfall 和 Arup），这些公司为课程开发做出了贡献，并将组建行业咨询委员会，以确保所教授的技能与能源转型所需的技能相匹配。在开始时，您需要熟悉使用 Python 的计算机编程，并且在应用程序中使用 Python 的证据将是一个选择标准。我们将提供并建议所有成功的申请者在线完成我们的学前培训材料，以便您在课程开始前继续复习和更新您的知识。在攻读理学硕士期间，我们将通过高级编程课程发展您的知识，并通过非评估课堂测验形式的形成性反馈为您的旅程提供支持，以供自我反思和小组活动。您还将学习数据科学、数值方法和机器学习。在整个课程中，您将把这些概念应用于可再生能源应用的地下场地特征描述问题，包括沉积地质学、地貌学、工程地质灾害、高分辨率地球物理学、土力学和岩土工程。您将与其他从事应用计算机科学、数据科学和机器学习的学生一起上课和做项目。对于您的暑期研究项目，您将有机会在行业中进行可选的实习，或在帝国理工学院“内部”学者的监督下开展项目。公司项目和“内部”项目将向所有学生公布，您将被要求按顺序或偏好选择您喜欢的项目。我们鼓励您与工作人员交谈，以帮助制定和决定合适的项目。对于一些公司主办的项目，您将被要求将您的简历发送给公司主管，然后公司主管将选择他们喜欢的候选人。所有公司项目除了行业主管外，还有一位帝国理工学院主管。对于帝国理工学院分配的项目，将使用算法根据学生偏好分配项目，您将获得两位帝国理工学院主管。学生不需要自己寻找公司主管或开发项目。如果您有/符合以下条件，本课程将适合您：
ISSN 1330-3651（印刷版），ISSN 1848-6339（在线版）https://doi.org/10.17559/TV-20210121112228 原创科学论文 运动想象脑电图识别
ISSN 1330-3651（印刷版），ISSN 1848-6339（在线版）https://doi.org/10.17559/TV-20210121112228 原创科学论文 使用深度生成对抗网络和 EMD 进行 BCI 应用的运动想象 EEG 识别 Stephan STEPHE、Thangaiyan JAYASANKAR*、Kalimuthu VINOTH KUMAR 摘要：脑电图 (EEG) 中的运动想象 (MI) 运动活动仍然有趣且具有挑战性。BCI（脑机接口）允许大脑信号控制外部设备，还可以帮助患有神经肌肉疾病的残疾人。在任何 BCI 系统中，两个最重要的步骤是特征提取和分类方法。然而，在本文中，通过深度学习 (DL) 概念的性能改进了 MI 分类。该系统从 BCI 竞赛三个数据集 IVA 中获取了右手和右脚的两时刻想象数据，并开发了利用传统神经网络 (CNN) 和生成对抗网络 (GAN) 的分类方法。通过应用经验模态分解 (EMD) 并在特征提取技术中混合它们的固有模态函数 (IMF)，可以减少训练时间并管理非平稳问题。实验结果表明，所提出的 GAN 分类技术的分类准确率为 95.29%，优于 CNN 的 89.38%。所提出的 GAN 方法在 BCI 竞赛三个数据集 IVA 上实现了 62% 的平均阳性率和 3.4% 的平均假阳性率，这三个数据集的 EEG 事实来自运动皮层的相似 C 3、C 4 和 Cz 通道。关键词：卷积神经网络 (CNN)；脑电图 (EEG)；经验模态分解 (EMD)；生成对抗网络 (GAN)；固有模态函数 (IMF)运动想象 (MI) 1 引言 脑机接口 (BCI) 将人类头皮记录的大脑活动转换成计算机控制指令，以调节外部策略，从而帮助丧失行为能力的人恢复运动技能 [1]。人们已经研究了使用脑电图来控制智能轮椅 [2]，以及其他外部设备。在脑机接口 (BCI) 中，脑电信号的特征描述是一个重要组成部分。通常使用的脑电数据包含事件相关的 SSVEP 功能 [3] 和运动想象 (MI) [4]。与其他类型的信号相比，脑电信号具有一些不同的特征。收集到的脑电信号因心理状态的不同而不同 [5]。因此，每个受试者的脑电信号都不同。脑电信号是非平稳和非线性的，这意味着脑电数据特征会随时间而变化 [6]。此外，由于合成的脑电信号通常与噪声混合，因此脑电信号分析具有挑战性。因此，应该使用操作过程来提高 EEG 数据的 SNR。EEG 特性由评估频率和时频或时间信号范围内传递的信号能量的方法来控制。然而，就最好的作者而言，还没有使用 BCI 框架中复杂的线性和非线性 BCI 分类器对这些方法进行全面的比较分析。文献中给出的大多数比较值仅限于少数技术或仅一种分类 [7]。小波变换 (WT) 主要用于特征提取过程 [8]、正常空间模式 (CSP) [9] 和主成分分析 (PCA) [10]、EMD [11, 12] 等。由于 EMD 算法能够最佳地分割信号，因此它已被证明是检查非线性和非稳定 EEG 信号的合适候选者。例如，[13] 使用 EMD 算法来滤波运动想象 EEG 信号。然而，常见的 EMD 算法一般根据研究者的经验选取固有模态函数 (IMF)，导致部分脑电样本混入不必要的信息，或丢失有用数据。此外，
使用时间改进的 3D-QALAS 中的 T1 和 T2 映射...
简介：T 2 和 T 1 估计可改善各种病理的特征描述，但较长的扫描时间阻碍了定量 MRI (qMRI) 的广泛应用，因此已经开发了序列以实现高效的 3D 采集。例如，3D-QALAS 1 利用交错的 Look-Locker 采集和 T 2 准备脉冲来对 T 1 和 T 2 进行全脑量化。但是，3D-QALAS 应用恒定翻转角并在 5 个时间点重建图像，这些时间点由于冗长的回波序列期间的信号演变而出现模糊。总结图 1，我们建议通过以下方式改进 3D-QALAS：(1) 结合基于子空间的重建来解决完整的时间动态以消除模糊 (2) 使用与自动微分兼容的模拟通过 Cramer-Rao 界限 (CRB) 优化采集翻转角，(3) 并减少每重复时间 (TR) 的总采集次数以缩短扫描时间。方法：子空间重建：传统 3D-QALAS 应用 T 2 准备和反转脉冲并测量 5 次采集，每次采集都利用 4 度翻转的回声序列。不是为 5 次采集中的每次采集重建一个体积，而是让 𝐸 成为 3D-QALAS TR 中 𝐴 采集之一中的回声数量（通常 𝐴= 5，𝐸= 120 →𝑇= 120 × 5 = 600 𝑒𝑐ℎ𝑜𝑒𝑠/𝑇𝑅 ），其中 𝑇 是回声总数。我们生成一个信号演化字典，用 SVD 计算低维线性基 Φ，从而产生一个易于处理的重建问题 𝑎𝑟𝑔𝑚𝑖𝑛 𝛼 ‖𝑦−𝐴Φ𝛼‖ + 𝑅(𝛼) ，其中 𝐴 表示傅里叶、线圈和采样算子以及 𝑅 正则化。通过使用 𝑥= Φ𝛼 解析时空体积，我们旨在利用与 𝑇 回声 2 的字典匹配来估计更清晰的定量图。图 2 (A) 中的体内实验表明，使用子空间可以减少估计的 T 2 图中的模糊。 CRB 翻转角优化：我们通过最小化两种方式的 CRB 来优化 3D-QALAS 中的翻转角：(1) 优化每个回波序列的一个翻转角 (2) 优化每个回波序列中的所有翻转角。我们使用传统的 4 度翻转角初始化了这两种优化，利用了代表性组织参数 [T 2 =70ms、T 1 =700ms、M0=1] 和 [T 2 =80ms、T 1 =1300ms、M0=1]，并最小化了基于 CRB 的成本函数。我们为 3D-QALAS 实现了自动微分兼容信号模拟 3，从而能够计算基于 CRB 的优化的梯度。减少采集：我们通过从 TR 末尾移除采集，设计了具有 A ={5,4,3} 采集的优化序列，从而加快了扫描速度。实验：我们在扫描仪上实施了针对每个回波序列进行优化的 3D-QALAS 序列，并使用 Mini System Phantom、型号 #136（CaliberMRI，美国科罗拉多州博尔德）和人类受试者（经 IRB 批准）上的常规和优化序列采集数据，进行了 3 次和 5 次采集（1x1x1mm3 分辨率，R=2）。我们比较了使用子空间重建（秩 = 3）和字典匹配估计的定量图。结果：优化序列：图 2（B）绘制了优化的翻转角和（C）与应用子空间重建进行定量估计时的传统序列相比的所得 CRB。优化可以减少 CRB 或者以更少的采集次数匹配传统的 5 次采集 CRB，从而有可能缩短扫描时间。模型和体内：图 3（A）和（B）显示了从模型和体内数据估计的图，其中每个 ETL 翻转角优化的序列（A=3,5 次采集）与恒定翻转角匹配。讨论和结论：未来的工作将实施全翻转角优化序列来解决未来实验中的 T 1 偏差。将子空间重建与自动微分启用的翻转角优化相结合，可获得改进的 3D-QALAS 序列，并将扫描时间缩短 1.75 倍。参考文献：[1] Kvernby, S. et al. J. Cardiovasc. Magn. Reson. 16 , 102 (2014)。[2] Tamir, JI 等人 Magn. Reson. Med. 77 , 180–195 (2017)。[3] Lee, PK 等人 Magn. Reson. Med. 82 , 1438–1451 (2019)。致谢：NIH R01 EB032708、R01HD100009、R01 EB028797、U01 EB025162、P41 EB030006、U01 EB026996、R03EB031175、R01EB032378、5T32EB1680
科学/生物和环境研究 2025 财年国会理由
生物和环境研究概述 生物和环境研究 (BER) 计划的使命是支持变革性科学和科学用户设施，以实现对复杂生物、地球和环境系统的预测性理解，从而实现清洁能源和气候创新。这项基础研究在全国各地的大学、能源部国家实验室和其他研究机构进行，重点研究可能影响美国能源系统的生物和生态系统，并促进对从地方到全球的能源、环境和气候科学之间关系的理解。BER 对基础研究的支持将有助于未来稳定、可靠和有弹性的能源和基础设施，进而有助于基于证据的公平气候解决方案。BER 内的研究可分为生物系统和地球与环境系统。生物系统研究旨在使用先进的基因组学结合综合实验、分析和建模技术来表征和预测性地理解微生物和植物系统。基于基础基因组学对这些系统功能的理解，为设计清洁能源生产的新创新流程奠定了基础，包括生物燃料和其他生物产品的可持续发展，以及新的碳管理实践。微生物群落的特征描述和理解将有助于更好地理解生物能源系统的功能和改进其设计，从而为化石燃料提供具有成本效益的替代品，并能抵御气候变化和其他环境干扰。地球和环境系统研究旨在描述和理解气候、环境和能源系统之间的相互依存关系，包括大气物理和化学、生态系统生态学和生物地球化学研究，以及开发和验证影响电网可靠性和弹性等的快速变化和/或极端现象的超高分辨率地球系统模型。这些模型整合了生物圈、大气、陆地、海洋、海冰和陆地冰、地下、能源技术、基础设施和其他相关人类组成部分的动态信息。为了促进这些领域的世界级研究，BER 支持使用最新技术的用户设施提供对大气、生物和生物地球化学过程的新观察和分析。此外，BER 研究利用先进的计算模拟和数据分析（包括人工智能 [AI] 和机器学习 [ML]）来实现影响国家能源系统的极端现象的科学发现和技术解决方案。与科学界和联邦特许的 BER 咨询委员会的合作为 BER 的所有活动提供了信息。在过去 30 年里，BER 的科学影响是变革性的。通过美国能源部于 1990 年启动的美国支持的国际人类基因组计划绘制人类基因组图谱，开创了现代生物技术和基于基因组学的系统生物学的新时代。今天，BER 基因组科学活动和联合基因组研究所 (JGI) 的研究人员正在使用强大的基于基因组学的植物和微生物系统生物学工具进行早期研究，这将导致开发专用的生物能源作物和微生物系统，以生产各种可再生燃料、化学品和材料，为实现更碳中性的生物经济的清洁能源技术奠定基础。自 1950 年代以来，BER 及其前身组织一直对气候变化（包括大气、陆地、海洋、环境和人类系统）的基本科学理解作出了重要贡献。 BER 研究减少了模型预测中最大的不确定性，例如涉及云、气溶胶和碳的预测，并正在整合来自城市综合现场实验室 (UIFL) 等计划的新气候和能源基础设施观测，并提供对国家能源战略至关重要的气候和环境变化信息。能源部研究在利用 AI/ML、访问能源部最快的计算机以及基于各种观测和其他数据源进行验证方面取得了进展。BER 计划（例如 UIFL、CRC 和核心研究活动）扩大了 BER 生态系统的参与度，使其更能代表我们的国家。BER 投资可提高能力并帮助在新兴研究机构、服务不足的社区、传统黑人学院和大学 (HBCU) 和少数族裔服务机构 (MSI) 中培训新的能源劳动力。 2025 财年申请重点 2025 财年申请 9.452 亿美元，比 2023 财年颁布的水平增加 3650 万美元。BER 将通过一项新计划加强其对气候科学的研究，该计划侧重于基于气候变化与美国能源创新部署现实情景相互依存关系的高分辨率预测能力、增强的 UIFL 和气候中心网络，这些中心隶属于新兴研究机构、服务不足的社区以及 HBCU 和 MSI；扩大对 AI 方法的投资，以改善地球和环境系统的可预测性；并继续BER 基因组科学活动和联合基因组研究所 (JGI) 的研究人员正在使用强大的基于基因组学的植物和微生物系统生物学工具进行早期研究，这将导致开发专用的生物能源作物和微生物系统，以生产各种可再生燃料、化学品和材料，为实现更碳中性的生物经济的清洁能源技术奠定基础。自 1950 年代以来，BER 及其前身组织一直是气候变化（包括大气、陆地、海洋、环境和人类系统）基本科学理解的重要贡献者。BER 研究减少了模型预测中最大的不确定性，例如涉及云、气溶胶和碳的不确定性，并正在结合城市综合现场实验室 (UIFL) 等计划的新气候和能源基础设施观测，并提供对国家能源战略至关重要的气候和环境变化信息。能源部的研究在使用 AI/ML 提高气候模型的可靠性和预测能力、访问能源部最快的计算机以及基于多种观测和其他数据源进行验证方面取得了进展。 BER 计划（例如 UIFL、CRC 和核心研究活动）扩大了 BER 生态系统的参与度，使其更能代表我们的国家。BER 投资可提高能力并帮助在新兴研究机构、服务不足的社区、传统黑人学院和大学 (HBCU) 和少数族裔服务机构 (MSI) 培训新的能源劳动力。2025 财年申请重点 2025 财年申请 9.452 亿美元，比 2023 财年颁布的水平增加 3650 万美元。BER 将通过一项新计划加强其在气候科学方面的研究，该计划侧重于基于气候变化与美国能源创新部署现实情景相互依存关系的高分辨率预测能力、增强的 UIFL 和气候中心网络，这些中心隶属于新兴研究机构、服务不足的社区、HBCU 和 MSI；扩大对人工智能方法的投资，以提高地球和环境系统的可预测性；并继续BER 基因组科学活动和联合基因组研究所 (JGI) 的研究人员正在使用强大的基于基因组学的植物和微生物系统生物学工具进行早期研究，这将导致开发专用的生物能源作物和微生物系统，以生产各种可再生燃料、化学品和材料，为实现更碳中性的生物经济的清洁能源技术奠定基础。自 1950 年代以来，BER 及其前身组织一直是气候变化（包括大气、陆地、海洋、环境和人类系统）基本科学理解的重要贡献者。BER 研究减少了模型预测中最大的不确定性，例如涉及云、气溶胶和碳的不确定性，并正在结合城市综合现场实验室 (UIFL) 等计划的新气候和能源基础设施观测，并提供对国家能源战略至关重要的气候和环境变化信息。能源部的研究在使用 AI/ML 提高气候模型的可靠性和预测能力、访问能源部最快的计算机以及基于多种观测和其他数据源进行验证方面取得了进展。 BER 计划（例如 UIFL、CRC 和核心研究活动）扩大了 BER 生态系统的参与度，使其更能代表我们的国家。BER 投资可提高能力并帮助在新兴研究机构、服务不足的社区、传统黑人学院和大学 (HBCU) 和少数族裔服务机构 (MSI) 培训新的能源劳动力。2025 财年申请重点 2025 财年申请 9.452 亿美元，比 2023 财年颁布的水平增加 3650 万美元。BER 将通过一项新计划加强其在气候科学方面的研究，该计划侧重于基于气候变化与美国能源创新部署现实情景相互依存关系的高分辨率预测能力、增强的 UIFL 和气候中心网络，这些中心隶属于新兴研究机构、服务不足的社区、HBCU 和 MSI；扩大对人工智能方法的投资，以提高地球和环境系统的可预测性；并继续BER 研究减少了模型预测中最大的不确定性，例如涉及云、气溶胶和碳的预测，并正在整合来自城市综合现场实验室 (UIFL) 等计划的新气候和能源基础设施观测，并提供对国家能源战略至关重要的气候和环境变化信息。能源部研究在利用 AI/ML、访问能源部最快的计算机以及基于各种观测和其他数据源进行验证方面取得了进展。BER 计划（例如 UIFL、CRC 和核心研究活动）扩大了 BER 生态系统的参与度，使其更能代表我们的国家。BER 投资可提高能力并帮助在新兴研究机构、服务不足的社区、传统黑人学院和大学 (HBCU) 和少数族裔服务机构 (MSI) 中培训新的能源劳动力。 2025 财年申请重点 2025 财年申请 9.452 亿美元，比 2023 财年颁布的水平增加 3650 万美元。BER 将通过一项新计划加强其对气候科学的研究，该计划侧重于基于气候变化与美国能源创新部署现实情景相互依存关系的高分辨率预测能力、增强的 UIFL 和气候中心网络，这些中心隶属于新兴研究机构、服务不足的社区以及 HBCU 和 MSI；扩大对 AI 方法的投资，以改善地球和环境系统的可预测性；并继续BER 研究减少了模型预测中最大的不确定性，例如涉及云、气溶胶和碳的预测，并正在整合来自城市综合现场实验室 (UIFL) 等计划的新气候和能源基础设施观测，并提供对国家能源战略至关重要的气候和环境变化信息。能源部研究在利用 AI/ML、访问能源部最快的计算机以及基于各种观测和其他数据源进行验证方面取得了进展。BER 计划（例如 UIFL、CRC 和核心研究活动）扩大了 BER 生态系统的参与度，使其更能代表我们的国家。BER 投资可提高能力并帮助在新兴研究机构、服务不足的社区、传统黑人学院和大学 (HBCU) 和少数族裔服务机构 (MSI) 中培训新的能源劳动力。 2025 财年申请重点 2025 财年申请 9.452 亿美元，比 2023 财年颁布的水平增加 3650 万美元。BER 将通过一项新计划加强其对气候科学的研究，该计划侧重于基于气候变化与美国能源创新部署现实情景相互依存关系的高分辨率预测能力、增强的 UIFL 和气候中心网络，这些中心隶属于新兴研究机构、服务不足的社区以及 HBCU 和 MSI；扩大对 AI 方法的投资，以改善地球和环境系统的可预测性；并继续与新兴研究机构、服务不足的社区以及 HBCU 和 MSI 建立联系；扩大对人工智能方法的投资，以改善地球和环境系统的可预测性；并继续与新兴研究机构、服务不足的社区以及 HBCU 和 MSI 建立联系；扩大对人工智能方法的投资，以改善地球和环境系统的可预测性；并继续