XiaoMi-AI文件搜索系统
World File Search System频率特性
论文发表（2011 财年）- 国防部
使用弯曲压电盘的 Tonpilz 压电换能器的频率特性估计 Applied Acoustics Elsevier 第 72 卷，第 12 期，2011 年 12 月 Tomonao Okuyama Kenji Saijo
IT5 T 建议书 G.343 - ITU
注意 - 这些值基于这样的假设：衰减/频率特性在 280 公里长的均匀部分末端不显示任何超过 ± 1 dNp（约 ± 1 dB）的波纹。在 60 kHz 时应用了宽松条件，因为在低频下可能难以获得相对于电缆阻抗足够小的中继器输入和输出阻抗的反射系数。
一项关于复合通道INP高电子的辐射可靠性的比较研究
近年来，高精度感测和高质量的交流对综合电路的运行频率施加了巨大的要求，从W波段到G频段到G频段甚至Terahertz，这一频率增加了。[1，2]采用了多种技术来扩展摩尔法律并证明设备的频率特征，例如新型结构[3，4]和制造技术。[5]基于INP的高电子迁移式晶体管（HEMTS）具有降级的高载体板密度，峰值漂移速度和低轨道迁移率，并且记录的频率特性已超过1 THz。[6]因此，它们被认为是即将到来的THZ卫星通信和深空检测系统的功率放大器（PAS）和低噪声放大器（LNA）的有前途的候选者。[7 - 10]
传感器
摘要：我们建议使用氮化铝 (AlN) 膜作为基于表面声波 (SAW) 的加速度测量的敏感元件。将所提出的解决方案与基于使用石英 (SiO 2 )/铌酸锂 (LiNbO 3 ) 膜的现有原型进行了比较，这些膜具有广泛的各向异性。使用 COMSOL Multiphysics 5.4 计算机模拟，我们明确表明基于各向异性较小的 AlN 膜的敏感元件克服了 SiO 2 的低灵敏度限制和 LiNbO 3 的低温稳定性。此外，与 SiO 2 相比，AlN 膜对不可逆机械变形的坚固性几乎提高了两倍，这反过来又使基于 LiNbO 3 的传感器的灵敏度提高了 1.5 倍。考虑到它们可接受的频率特性，我们认为 AlN 膜是敏感元件的良好候选者，尤其是对于高加速度测量。
研讨会 张量网络方法的最新进展
Ulrich Schollwoeck：用于真实材料的张量网络。张量网络已成为量子多体理论中不可或缺的工具，但主要应用于模型系统。在本次演讲中，我将介绍如何将张量网络与量子嵌入理论（例如动态平均场理论和密度泛函理论）相结合，从而获得迄今为止无法获得的真实材料的结果。我还将展示如何在复平面上使用时间演化的进展将如何为以非常有效的方式计算极低频率特性开辟道路。 Henrik Larsson：用于计算振动和电子状态的张量网络状态 电子结构和振动量子动力学领域大多彼此独立，它们开发了强大的方法来精确求解薛定谔方程。特别是，将高维波函数分解为较小维度函数的复杂收缩的方法引起了广泛关注。它们为这两个领域的具有挑战性的量子系统带来了令人印象深刻的应用。虽然底层的波函数表示、张量网络状态非常相似，但用于求解电子和振动运动的薛定谔方程的算法却大不相同。目前尚无对不同方法的优缺点进行系统的比较，但这将有助于更好地理解和有益的思想交流。本文首次尝试了这一方向 [1,2]。
可解释人工智能（XAI）驱动的振动传感方案，用于智能表面磨削过程中的表面质量监测
局部可解释和模型无关解释 (LIME) 是一种可解释的人工智能 (XAI) 方法，用于识别智能磨削过程中预测平均表面粗糙度 (Ra) 的全局重要时频带。智能磨削装置包括一台 Supertech CNC 精密表面磨床，配备一个 Dytran 压电加速度计，沿切线方向 (Y 轴) 安装在尾座主轴上。每次磨削时，都会捕获振动特征，并使用 Mahr Marsurf M300C 便携式表面粗糙度轮廓仪记录地面真实表面粗糙度值。在整个实验中，粗糙度值范围为 0.06 至 0.14 微米。提取磨削过程中收集的每个振动信号的时间频域频谱图帧。建模卷积神经网络 (CNN) 以基于这些频谱图帧及其图像增强来预测表面粗糙度。最佳 CNN 模型能够预测粗糙度值，总体 R2 分数为 0.95，训练 R2 分数为 0.99，测试 R2 分数为 0.81，仅使用 80 组振动信号（对应 4 次实验，每次 20 次试验）。虽然数据量不足以保证在现实场景中达到这样的性能指标，但可以提取这些复杂的深度学习模型捕获的关系背后的统计一致的解释。在开发的表面粗糙度 CNN 模型上实施了 LIME 方法，以识别影响预测的重要时频带（即频谱图的超像素）。基于在频谱图帧上确定的重要区域，确定了影响表面粗糙度预测的相应频率特性。基于 LIME 结果的重要频率范围约为 11.7 至 19.1 kHz。通过基于重要频率范围并考虑奈奎斯特标准将采样率从 160 kHz 降低到 30、20、10 和 5 kHz，证明了 XAI 的强大功能。通过仅提取低于其相应奈奎斯特截止值的时间频率内容，为这些范围开发了单独的 CNN 模型。通过比较模型性能提出了一种适当的数据采集策略，以论证选择足够的采样率来成功且稳健地捕捉磨削过程。© 2023 制造工程师协会 (SME)。由 Elsevier Ltd. 出版。保留所有权利。这是一篇根据 CC BY-NC-ND 许可开放获取的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）由 NAMRI/SME 科学委员会负责同行评审。关键词：卷积神经网络；可解释机器学习；XML；可解释人工智能；XAI；局部可解释和模型无关解释；LIME；表面粗糙度；表面磨削；光谱图