摘要 - 游戏化是指从数字游戏到非游戏环境的平台。它已经出现在许多领域并影响到不同的人。本研究旨在总结关于游戏化作为激励因素的系统文献综述,并概述正在研究中的游戏化的各种用户、领域和应用。它描述了研究按来源和年份的分布。因此,本研究完成了对 2015 年至 2021 年期间在各种电子数据库中发表的 18 篇研究论文的系统文献综述。这研究了游戏化在健康和健身、在线学习、软件工程、学习、教学和虚拟现实等各个领域的最新发展。此外,它描述了游戏化下的大约 15 个应用,并指定了 8 个从中受益的用户;其中,游戏化让许多学生参与其中,提高了他们的参与度和积极性。由于疫情爆发,许多学生失去了对教育的参与度。因此,这种游戏化将帮助他们参与并受到激励。
基于原始数据进行和发布严格的经验研究对于推进和维持高质量的咨询实践至关重要。本文的目的是提供一个一站式服务,以编写咨询和相关领域中严格的定量方法部分。明智地计划,实施和写作定量研究方法的重要性不能被低估,因为方法论上的缺陷会完全破坏结果的完整性。本文包括进行和撰写定量研究设计的概述,注意事项,指南,最佳实践和建议。作者以示例方法部分的结论,提供了一种应用一种方法的示例,以应用本手稿中详细详细介绍的定量研究方法的指南。
摘要:使用全球数值天气和气候模型来估算近地面风,因为通过潜在的地形(尤其是瑞士等国家)对空气流进行了强烈修改。在本文中,我们使用基于深度学习和高分辨率数字高程模型的统计方法,将每小时近距离近地面风频段从ERA5重新分析(从原来的25公里网格到1.1 km网格)进行空间下降。来自国家气象服务Meteoswiss的运营数值天气预测模型COSMO-1的2016 - 20的1.1 km分辨率风数据集用于训练和验证我们的模型,这是一种具有梯度pe-Nalized pe-Nalized wasserstein损失的生成对抗网络(GAN)。结果是现实的高分辨率历史地图,该图在瑞士上的每小时风扇的栅栏,以及对聚合风速分布的非常好的预测。区域平均图像特异性指标相对于ERA5的预测有明显的改善,在瑞士高原上的位置通常比对高山区域的技能度量更好。缩小的风场表现出高分辨率,物理上合理的地形效应,例如脊加速和庇护所,这些效应在原始ERA5场中无法解决。
Fieldstown 110 kV 变电站 Energia Renewables 计划在都柏林郡 Fieldstown 镇建造一个新的 110 kV 输电变电站,以促进将当地太阳能开发项目的可再生能源输送到国家电网。将铺设一条 12.5 公里长的地下电缆,将 Fieldstown 110 kV 变电站连接到国家电网。拟建的 Fieldstown 110 kV 变电站将帮助爱尔兰实现其 2030 年气候行动目标。
摘要 — 经颅磁刺激 (TMS) 是一种非侵入性、有效且安全的神经调节技术,可用于诊断和治疗神经和精神疾病。然而,大脑组成和结构的复杂性和异质性对准确确定关键大脑区域是否接收到正确水平的感应电场提出了挑战。有限元分析 (FEA) 等数值计算方法可用于估计电场分布。然而,这些方法需要极高的计算资源并且非常耗时。在这项工作中,我们开发了一个深度卷积神经网络 (DCNN) 编码器-解码器模型,用于从基于 T1 加权和 T2 加权磁共振成像 (MRI) 的解剖切片实时预测感应电场。我们招募了 11 名健康受试者,并将 TMS 应用于初级运动皮层以测量静息运动阈值。使用 SimNIBS 管道从受试者的 MRI 开发头部模型。将头部模型的整体尺寸缩放至每个受试者的 20 个新尺寸尺度,形成总共 231 个头部模型。进行缩放是为了增加代表不同头部模型尺寸的输入数据的数量。使用 FEA 软件 Sim4Life 计算感应电场,将其作为 DCNN 训练数据。对于训练好的网络,训练和测试数据的峰值信噪比分别为 32.83dB 和 28.01dB。我们模型的关键贡献在于能够实时预测感应电场,从而准确高效地预测目标脑区所需的 TMS 强度。
S.Kruthika、V.Lithika、Nivedha Parthasarathi、G.Nivedhitha Sri Krishna 技术学院 收到日期 2022 年 3 月 15 日;修订日期 2022 年 4 月 20 日;接受日期 2022 年 5 月 10 日。摘要 战争是人类历史的一部分,已有数千年历史,涉及武力、暴力和武器的使用,可能导致人类生命受到威胁。实施该项目的目的是实现一种用于在战争时期检测人类的人体检测机器人。救援机器人能够通过使用红外传感器和 PIR 传感器从远处检测人类。在本文中,使用 Android 应用程序来监视机器人的运动。ESP32 摄像头连接到模块以实现夜视,实时视频流连接到移动应用程序。GPS 用于跟踪实时位置。与其他现有机器人相比,我们的项目的准确率分别为 93%。关键词:物联网、Esp32、Nodemcu、Android Studio。
经颅电刺激 (tES) 是一种神经调节方法,需要通过头皮电极非侵入性地施加弱电流 [1,2]。在所有其他类型的刺激中,经颅直流电刺激 (tDCS) 和经颅交流电刺激 (tACS) 是研究最多的技术 [3,4]。由于 tDCS 提供特定强度的直流电,而 tACS 施加特定频率的交流电,因此它们对神经细胞和非神经细胞的影响有所不同 [5,6]。事实上,注入电流的时间特征(刺激波形)以及空间特征(电极的大小、形状和蒙太奇)和个人头部解剖结构决定了诱发生物变化并最终导致行为变化的电剂量 [7](有关 tES 效应的系统描述,请参阅 [8,9])。然而,对脑组织中产生的电场 (E 场) 的可接受估计仍然缺乏 [10]。虽然它本身并不能预测刺激效果[11],但这些信息对于以下方面至关重要:(I)填补理论空白[12]和(II)提供优化的刺激方案[12,13]。
逆问题持续引起人们的极大兴趣,特别是在量子控制动力学和量子计算应用领域。在此背景下,量子最优控制理论试图构建一个外部控制场 E(t),使量子系统从已知的初始状态演化到目标最终状态。预测 E(t) 的时间形式对于控制量子计算 [1]、量子信息处理[2–4]、激光冷却[5, 6] 和超冷物理 [7, 8] 中的潜在动力学至关重要。在复杂的多体量子系统中,预测最优 E(t) 场为控制光捕获复合物和多体相干系统中所需的动力学效应提供了关键的初始条件 [9–13]。解决这些量子控制问题的传统方法是使用基于梯度的方法或其他数值密集型方法最大化所需的跃迁概率 [14–17]。这些方法包括量子轨迹上的随机梯度下降 [18]、Krotov 方法 [19]、梯度上升脉冲工程 (GRAPE) [20] 方法和斩波随机基算法 (CRAB) [21] 方法。虽然每种算法都有自己的目的和优势,但大多数方法都需要复杂的数值方法来求解最优控制场。此外,由于这些逆问题的非线性特性,这些算法中的迭代次数和浮点运算次数可能非常大,有时甚至会导致相对简单的一维问题的结果不收敛 [16, 22])。为了解决前面提到的计算瓶颈,我们小组最近探索了使用监督机器学习来解决这些复杂的逆问题
a 宾夕法尼亚州立大学材料科学与工程系 b 宾夕法尼亚州立大学机械工程系 c 阿贡国家实验室 X 射线科学部
(日期:2022年7月1日)在努力使量子计算机成为现实的努力中,综合的超导电路已成为一个有希望的建筑。这种方法的一个主要挑战是脱离固定的原子隧道缺陷的脱节性,在量子电极的界面处的虚拟隧道缺陷,这可能会从Qubit的振荡电场中共同吸收能量,并减少Qubit的能量宽松时间t 1。在这里,我们表明可以通过使用应用的DC-电场来调整偏离量子共振的主导缺陷来提高量子相干性。我们演示了一种优化应用的场偏置并将平均量子t 1次提高23%的方法。我们还讨论了如何在超导量子处理器中实现局部栅极电极,以同时对单个Qubits进行同时的原位相干性优化。