XiaoMi-AI文件搜索系统
World File Search SystemHistogram
用于脑源定位的头皮电磁传感器阵列的优化设计
图 4 全头部 OPM 和混合 OPM/EEG 设计。（a – d）OPM 和混合 OPM/EEG 系统的误差指标与所考虑的头皮磁力仪数量的关系。两个系统的 r 95 的中值和最大值均与市售阵列（不同颜色）相对应的指标一起显示，这些指标是恒定的并且与 OPM 的数量无关。（e – g）仅 OPM（e）、混合 OPM/EEG（f）和完整 OPM ABC 160（g）阵列的等效不确定半径的空间分布，前两个阵列采用 100 个头皮磁力仪。（h – i）所有源的等效不确定半径的归一化直方图，采用线性（h）和半对数（i）尺度。（j）三个系统的 r 95 平均值与源深度的关系（每 5 毫米分箱一次）。 （k – l）最佳混合 OPM/EEG 阵列传感器位置（k）和布局（l）。EEG 电极和 OPM 分别用蓝点和红点表示
locityper：复杂多态基因的靶向基因分型
图2。单倍型精度定义和分析在256个具有挑战性的医学相关基因座。a，hap-lot型误差计算为实际和预测的单倍型之间的序列差异。质量值（QV）是单倍型误差的类似phred的变换。b，序列差异（单倍型误差）和QV箱之间的近似对应关系。c，全数据库locityper的单倍分型精度（以填充圆圈为标记）和1公斤的调用分别设置为最多40 HPRC样品。单倍型失败过滤的单倍型以灰色显示。d，在多达40个HPRC样本中，保留的一个设置中的locityper精度（loo;带有白色圆圈）和相应的单倍型可用性（实际和最接近可用的单倍型之间的QV）。e，从1kgp的602 Illumina WGS三重奏处的Locityper一致性。f，准确性，在跨HPRC样品的LOO设置中被Locityper丢失 - 最佳可用QV和预先介绍的QV之间的差异。累积分数显示为浅蓝色。
量化可再生能源系统中的不确定性成本
1 新莱昂自治大学机械工程与电气学院 墨西哥 2 哥伦比亚国立大学电气工程系 哥伦比亚 摘要：- 可再生能源在电力系统中的增加和整合意味着经济调度 (ED) 成本和生产中的不确定变量的增加，目前对批发电力市场 (MEM) 有重大影响。不确定性成本是指与风能、太阳能或水力发电等可再生能源发电固有的变化相关的额外费用或经济损失的量化。因此，本文提出了与成本高估和低估以及 CVaR 相关的确定性方程，以建模和评估与可再生能源整合相关的风险的随机性，使系统运营商和规划人员能够做出明智的决策。在元素渗透率高的能源系统中减轻或利用上述风险，主要是智能网络。在本研究中，使用由太阳能发电的概率密度函数 (PDF) 产生的功率形成的直方图谱进行数学分析，尽管可以考虑其他类型的函数来确定能量产生。所提出的模型的目的是为系统运营商提供另一种用于能源管理和规划的工具，这可以减轻一点计算负担，同时通过使用数据库，使结果更精确。如果这些值可用，则使用历史数据。通常，对于这种类型的分析，在集成这些函数时使用密度函数的概率计算来估计值，或者在其他最近的情况下，通过使用相同函数的分析方法来估计它们。通过将结果与蒙特卡罗模拟进行比较来验证该模型，仅从“低概率发电极值”中得出不确定性的总成本。此外，结果通过分析不确定性成本函数 (AUCF) 呈现。该分析包括使用确定性方程计算由条件风险价值 (CVaR) 确定的低概率和高概率能源发电的不确定性成本。关键词：- 分析不确定性、条件风险价值、经济调度、直方图、低概率、数学建模、蒙特卡罗、概率密度函数、不确定性成本、风险。收到日期：2024 年 4 月 14 日。修订日期：2024 年 9 月 7 日。接受日期：2024 年 10 月 11 日。发布日期：2024 年 11 月 13 日。
实时套件的生物细胞图像分析软件
图1。在延时图像系列中跟踪合成标记的运动。该图介绍了通过DataSet Analysis开发的新颖软件（该软件包的演示视频可在datasetanalysis.com/synthetic-demo上查看），并使用Unity Technologies的游戏引擎进行。该图显示了合成标记运动运动的计算机视觉分析，这些运动模仿了活细胞荧光显微镜图像序列。位移向量颜色编码用于显示角方向以及运动速度。按钮选择允许更改显示首选项。在图上，黄色向右移动，也显示为黄色直方图的右峰内的黄色显示。同样，向左移动的向量是红色的，无论是在图像覆盖层上还是在屏幕右上角的双模式直方图的左峰内。第二个显示选项（未显示）将位移向量的颜色编码更改为显示不同的绿色阴影，具体取决于速度。在右侧的单峰直方图上观察大多数粒子移动较慢（左侧的绿色峰），而几个颗粒移动得非常快（右侧的深绿色分布尾巴）。有关每秒分析帧的实时信息，速度和角向量方向的平均值显示在屏幕的右下角。通过向跟踪模块提供特定于样本的输入，参数选择允许限制计算复杂性，以最大程度地减少跟踪误差并提供最快的分析结果。在屏幕的左侧，左上角有滑块，可以根据对分析样本中运动性质的先验知识来设置（i）检测到的颗粒数量的上限，（ii）基于粒子检测到的粒子检测率的水平，（ii）在粒子选择水平上，（iii）在粒子选择水平（III）中，（iii）是一个最小的距离（iii），这是一个最小的距离（iii）。分析的样品，以及（iv）粒子搜索半径的截止值，这限制了最大允许的位移；这是另一个参数，它是根据样本知识选择的。屏幕左下角的蓝色按钮可以通过显示分割或跟踪结果，单段轨道（仅在两个框架之间）或聚合的轨迹来更改屏幕显示的各个方面，如上所述，矢量颜色编码（红色/黄色的速度与绿色的红色速度为绿色不同）。我们将使用AI算法将当前的实时2D功能扩展到3D分析。
人工智能辅助夜视技术模拟
摘要——提出了一种新的自然色彩映射方法，将目标图像的渲染图像输出与庞大的参考图像数据库进行匹配。已经在使用的方法最终会产生假色。如果目标图像的“全局”颜色统计数据与实际夜视场景的统计数据差别太大，就会导致视觉不自然。在当今情况下，美国军方使用最先进的夜视系统，该系统结合了图像增强、可见图像和热图像。然后通过“图像超分辨率”用深度卷积网络处理融合数据。然后使用 YOLO 算法识别视觉中的主体（即背景、前景和物体），这有助于 AI 根据参考图像数据库识别和匹配颜色。由于系统 AI 结合了庞大的数据库学习，因此夜视图像中目标场景的预测配色方案匹配的概率很高。有许多可用的颜色映射方法，但本研究论文使用的是直方图匹配。
超导转变中的光子数不确定性...
作为将基本单光子测量扩展到宏观领域的努力的一部分，我们探索了如何最好地将光子数不确定性分配给超导过渡边缘传感器的输出波形，以及这些分配如何在扩展的动态范围内变化。使用了三种方法。在最低光子数（最多 20 个光子）下，使用各个波形的直方图峰值宽度来确定不确定性。从 100 到 1000 个光子，使用平均波形来创建光子数尺度。探测器在此范围内的光子数不确定性由从此尺度上的各个波形获得的光子数总方差超过源引起的散粒噪声的部分给出。在中间范围（从 10 到 100 个光子），包括其他两种方法无法产生明确结果的范围，我们将波形拟合到几个相邻的平均波形以估计光子数不确定性。对于高达 100 个光子的脉冲，发现光子数的一个标准差不确定性不超过�1。
使用 DCT、增量调制和双移位的比较研究
摘要 存储、传输和处理高维脑电图 (EGG) 信号是一项关键挑战。EEG 压缩的目标是去除 EEG 信号中的冗余数据。EEG 等医学信号必须具有高质量才能用于医学诊断。本文使用基于离散余弦变换 (DCT) 和双移位编码的接近零均方误差 (MSE) 的压缩系统来实现快速高效的 EEG 数据压缩。本文研究并比较了对变换和量化的输入信号应用或不使用增量调制的情况。在将输出映射到正值后应用双移位编码作为最后一步。使用来自 CHB-MIT 头皮 EEG 数据库的 EEG 数据文件测试系统性能。压缩比 (CR) 用于评估压缩系统性能。与以前对相同数据样本的研究相比，结果令人鼓舞。关键词：EEG、压缩、DCT、双移位编码、增量调制、映射到正值、直方图、压缩比。巴塞特莫尔 巴塞特莫尔 巴塞特莫尔 阿尔莫尔 莫尔
基于3D相互交织的Logistic Map
摘要，由于远程医疗服务的进步，可访问的医疗图像数据的数量正在增加。因此，必须开发有效的加密解决方案，以防止未经授权的用户在不安全网络中的数据操纵。本文着重于开发一种轻巧的对称密码系统算法，基于3D相互交织的逻辑MAP-Cosine（ILM-Cosine），在高速和医疗图像的高速记忆和功耗下降，这是当代密码中强大的混乱系统。本文的动机是减少存储程序数据所需的记忆空间，同时最大程度地减少远程医疗应用中实施复杂性的执行时间。我们提出的方案由五个主要步骤组成：ILM-Cosine MAP密钥生成具有直方图标准化，行旋转，列旋转和独家或（XOR）逻辑操作。各种正常图像和医学图像用作模拟的样本。结果表明，密码图像具有良好的视觉质量，高信息熵，较大的密钥空间和低计算复杂性。
用于脑源定位的头皮电磁传感器阵列的优化设计
图 4 全头部 OPM 和混合 OPM/EEG 设计。（a – d）OPM 和混合 OPM/EEG 系统的误差指标与所考虑的头皮磁力仪数量的关系。两个系统的 r 95 的中值和最大值均与市售阵列（不同颜色）相对应的指标一起显示，这些指标是恒定的并且与 OPM 的数量无关。（e – g）仅 OPM（e）、混合 OPM/EEG（f）和完整 OPM ABC 160（g）阵列的等效不确定半径的空间分布，前两个阵列采用 100 个头皮磁力仪。（h – i）所有源的等效不确定半径的归一化直方图，采用线性（h）和半对数（i）尺度。（j）三个系统的 r 95 平均值与源深度的关系（每 5 毫米分箱一次）。 （k – l）最佳混合 OPM/EEG 阵列传感器位置（k）和布局（l）。EEG 电极和 OPM 分别用蓝点和红点表示
针对基于 FPGA 的设计的周期精确软错误漏洞分析框架
摘要 — 许多航空航天和汽车应用在其设计中使用 FPGA，因为它们具有低功耗和可重构性要求。同时，此类应用对系统可靠性也提出了很高的标准，这使得基于 FPGA 的设计的早期可靠性分析变得非常关键。在本文中，我们提出了一个框架，可以快速准确地对基于小型 FPGA 的设计进行软错误漏洞的早期分析。我们的框架首先从 FPGA 设计中提取综合后网表。然后，它使用我们提出的接口软件将位翻转配置故障插入到设计网表中。之后，它将网表的黄金副本和故障副本无缝地输入到开源模拟器 Verilator 中，以进行周期精确仿真。最后，它生成原始设计的漏洞得分直方图以指导可靠性分析。实验结果表明，在 ITC'99 基准上分析注入的位翻转故障时，我们的框架比具有周期级精度的 Xilinx Vivado 故障模拟运行速度快 53 倍。索引词——FPGA、可靠性、CAD 框架、软错误。