XiaoMi-AI文件搜索系统
World File Search SystemEMD
使用EMD分析方法
摘要：边际光谱（MS）座头鲸发声（HWV）信号的特征信息是一个有趣而重要的研究主题。经验模式分解（EMD）是用于海洋哺乳动物发声的强大时间 - 频率分析工具。在本文中，使用EMD分析方法提取了HWV信号的新MS特征创新信息。分别由17.2 ms的时间持续时间为17.2 ms的36个HWV样品分别为I类，II和III类，分别由15、5和16个样本组成。评估了以下比率：1个固有模式函数（IMF1）的平均能量比和剩余功能（RF）与I类样品的转录总能量； IMF1，第二IMF（IMF2）和RF的平均能量比与II类样品的共有能量的平均能量比； IMF1，第六IMF（IMF6）和RF与III类样品的总能量的平均能量比。这些平均能量比都超过10％。在2980–3725，3725-4470，4470-5215，4470-5215，11,175-1175-11,175-11,11,11,11,11,920 hecrance IMF1与转诊总能量的平均能量比率为9.825％，13.790％，4.938％，3.977％和3.32％样品；在745–1490和1490–2235 Hz频段中，在II类样品中分别为14.675％和4.910％；在2980–3725、3725–4470和11,175–11,920 Hz频段中，为12.0640％，6.8850％和4.1040％，在III类样品中分别为11,175–11,920 Hz。 这项研究的结果为从HWV信号的MS特征获得的信息提供了更好的理解，高分辨率和新的创新观点。IMF1与转诊总能量的平均能量比率为9.825％，13.790％，4.938％，3.977％和3.32％样品；在745–1490和1490–2235 Hz频段中，在II类样品中分别为14.675％和4.910％；在2980–3725、3725–4470和11,175–11,920 Hz频段中，为12.0640％，6.8850％和4.1040％，在III类样品中分别为11,175–11,920 Hz。这项研究的结果为从HWV信号的MS特征获得的信息提供了更好的理解，高分辨率和新的创新观点。
最终计划-IEMDC-2023-1.pdf
上午 9:30 上午 10:00 上午 10:00 上午 11:30 教程 1 教程 2 教程 3 上午 11:30 下午 1:00 下午 1:00 下午 2:30 教程 4 教程 5 教程 6 房间：Cyril Magnin I 房间：Powell 房间：Mission 标题：新型直流偏置电流磁通调制机器的最新研究发展概述
Final-Program-IEMDC-2023-1.pdf
IEMDC23-000421,考虑交叉饱和的同步磁阻电机实验快速映射，Lino Di Leonardo,Matteo Carbonieri,Nicola Bianchi,Marco Tursini,意大利
田纳西州橡树岭 EMDF 的 CERCLA ORR 废物处理 ROD
这份关于在田纳西州橡树岭环境管理处置设施进行橡树岭保护区废物处置的综合环境反应、补偿和责任法案决策记录是根据 1980 年《综合环境反应、补偿和责任法案》（经 1986 年《超级基金修正案和重新授权法案》修订）的要求制定的，旨在向公众介绍橡树岭保护区 (USDOE) 国家优先事项清单地点清理过程中预计产生的废物处置的选定补救措施。本决策记录记录了美国能源部 (DOE)、田纳西州环境保护部和美国环境保护署商定的选定补救措施。本文件总结并参考了 D5 补救调查/可行性研究 (DOE 2017a)、拟议计划 (DOE 2018a) 和田纳西州橡树岭橡树岭保护区 CERCLA 废物处理水管理重点可行性研究 (DOE 2022) 中的信息。
基于 CEEMD 和... 的飞机故障率预测方法
准确预测飞机故障率可以提高飞行安全和备件供应效率，有效提供良好的维修保养决策和健康管理指导。为了实现非线性非平稳飞机故障率的准确预测，提出了一种基于互补集经验模态分解（CEEMD）与组合模型融合的飞机故障率预测方法。首先利用互补集经验模态将故障率分解为多个不同频率的分量，然后选取集成移动平均自回归模型（ARIMA）模型和灰色Verhulst模型对不同分量进行预测，利用熵权重法求解组合模型的系数，最后将各预测模型的预测结果乘以各自的权重系数，得到最终的预测结果。以飞机燃油控制系统故障率数据的实际案例应用为例进行试验，采用7个评价函数作为评价标准来评估组合模型的性能。实验结果表明，所开发的组合模型优于其他误差平方和（SSE）、平均绝对误差（MAE）等模型，可以显著提高飞机故障率的预测精度，证明了该模型可以提高飞机故障率的预测精度。
田纳西州橡树岭 EMDF 的 CERCLA ORR 废物处理 ROD
根据 1980 年《综合环境反应、补偿和责任法》的要求，在田纳西州橡树岭环境管理处置设施进行橡树岭保护区废物处置的《综合环境反应、补偿和责任法》决策记录已编制完毕，旨在向公众介绍橡树岭国家优先事项清单场地清理过程中预计产生的废物处置的选定补救措施。本决策记录记录了美国能源部 (DOE)、田纳西州环境保护部和美国环境保护署商定的选定补救措施。本文件总结并依赖补救调查/可行性研究 (DOE 2017a) 和拟议计划 (DOE 2018a) 中的信息。
田纳西州橡树岭 EMDF 的 CERCLA ORR 废物处理 ROD
EMDF 拟议计划于 2018 年 9 月 10 日发布，征求公众意见，审查期于 2019 年 1 月 9 日结束，经过两次延期，审查期共计 120 天。公众意见是选择最终补救措施的重要考虑因素。拟议计划包括 DOE 根据所有监管要求和政府可用的科学以及初步社区意见提出的补救措施。所有替代方案都必须具有保护性，并符合适用或相关和适当的要求，或具有豁免/豁免的基础。在选择补救措施时必须平衡的标准是：长期有效性和持久性；通过治疗减少毒性、流动性或体积；短期有效性；可实施性；以及成本。
EMD 和特征提取对脑电图分析的影响
摘要 — 脑机接口已被研究了 20 多年，并且具有巨大的开发应用潜力，可供医生诊断疾病或帮助患有严重神经系统疾病的患者恢复与社会互动。要达到这些目的，需要分析脑电图数据的技术以及训练模型以识别模式或控制设备的算法。TensorFlow 是 Google 团队为内部使用而开发的机器学习，于 2015 年向公众发布。由于它可以在深度学习神经网络上进行训练和测试，因此可以用于脑电图数据。该项目使用 TF-Keras 和 TensorFlow-DNN 来训练使用脑电图数据对大脑状态进行分类的模型。Neurosky Mindwave Mobile 耳机和由 Micro:bit 开发的新设备是该项目的脑电图信号记录器。采用了最小-最大归一化、集合经验模态分解 (EEMD)、提取等多种技术来分析记录的脑电图数据。结果表明，在对来自 Micro:bit 设备的 EEG 数据进行分类时，TensorFlow-Keras 和 TensorFlow - DNN 模型的准确率为 97%，而 XGBoost 的结果为 98%。结果证实了 TensorFlow 在识别 EEG 数据方面的应用能力。对上述结果有贡献的数据处理技术是最小最大规范化和数据提取。此外，我们还验证了记录数据中的低频漂移对于使用 EEG 数据识别大脑状态至关重要。结果还显示了使用 EEMD 技术生成的 IMF 作为特征来构建使用 EEG 数据对大脑状态进行分类的模型。索引词 —TensorFlow、EEG、XGBoost、TensorFlow-Keras (TF-Keras)、TensorFlow-DNN (TF-DNN)、集合经验模态分解 (EEMD)、Neurosky、Micro:bit、脑机接口 (BC I)