XiaoMi-AI文件搜索系统
World File Search SystemSNR
GMSK载波同步环路相位检测器在极低信噪比下的性能分析
I. 简介 深空通信系统在非常远的距离内运行，而机载能量发生器的容量非常有限，导致接收端的信噪比 (SNR) 非常低。这就是使用接近香农极限的纠错码的原因。然而，为了利用这种增益，必须进行相干解调，并且必须在更严格的 SNR（对于 Turbo 码 1/6，𝐸 𝑠 /𝑁 0 ≃ – 8 dB）下提供载波相位同步。分配给深空任务的频谱资源是有限的（X 波段 8 GHz），为了优化频谱效率，空间数据系统咨询委员会（CCSDS）建议 [1] 对于 B 类任务（深空任务）使用预编码 GMSK 调制（高斯最小频移键控），高斯滤波器带宽位周期积𝐵𝑇 𝑏 = 0.5，对于 A 类任务（低空任务）使用 GMSK 𝐵𝑇 𝑏 = 0.25。本文讨论了一种由最大后验（MAP）准则和洛朗展开式 [3] 衍生的用于 GMSK 调制的盲相位检测器 [2]。为了评估该相位检测器在非常低的 SNR 下在闭环结构中的性能，我们考虑了 [4] 和 [5] 中描述的另外两个简化版本。我们对线性和非线性域中的这三种不同结构进行了全面研究。我们还介绍了使用低速率纠错码（Turbo 1/6）进行计算机模拟所获得的结果。这项工作的目的是比较这三个相位检测器的性能，并评估为获得两个简化版本而进行的简化的影响。
测试分子云范式从SNR G106.3+2.7
R。Alpharo 1，C。Alvarez 2，J。C. Art 3，D。Avila Royals Cup 6 6，A。Carramañana7，St。Casanova8，U.Cotsi 3，J.Cotsomi 9，St.Leon 10，E Hernandez 7，E Hernandez 7，B.L.Dingus 14，B.L.Dingus 14，M。A。Duvernois 10，K。Duvernois 10，K。Endel 15，K。Ergina 5，C。escino 5，t.10，k。escino，c。esc. esc. c。esc。A. Gonzalez Garcia 16，F。Garf 6，M。M. Conccert 6，J。 A. Goodman 15，St.Groetsch 17，J。P。Hüntemeyer17，St.Kaufmann 18，D。Kieda25，W。Lee6 6 6 6 19，H。LeóVargas1，J。T。Linnemann J. Martin-Castro 20，J。J. J. A. Matthews 21，P。Miranda-Romagno 22，J。 A. Monttes 6，E。一起9，M。Mostafaá27，M。Najafi 17，L。Nellen 23，M。U. Nice 5，L。Olivera 12，N。Omodei 13，C。D. Rho 24，D。Rosary 7，H。Salazar 9，H。Salazar 9，D。Salazar-Gallo 5，D。Salazar-Gallo 5，A。Sandaval 1，M.Shandaval 1，M.Sm. Smith 1，J。 声音19，R。W。Springer 25，Wang 17，Z. Wang 15，I。J。Watson 19，E。Willox15，S。A. Gonzalez Garcia 16，F。Garf 6，M。M. Conccert 6，J。A. Goodman 15，St.Groetsch 17，J。P。Hüntemeyer17，St.Kaufmann 18，D。Kieda25，W。Lee6 6 6 6 19，H。LeóVargas1，J。T。Linnemann J. Martin-Castro 20，J。J. J.A. Goodman 15，St.Groetsch 17，J。P。Hüntemeyer17，St.Kaufmann 18，D。Kieda25，W。Lee6 6 6 6 19，H。LeóVargas1，J。T。Linnemann J. Martin-Castro 20，J。J.A. Matthews 21，P。Miranda-Romagno 22，J。 A. Monttes 6，E。一起9，M。Mostafaá27，M。Najafi 17，L。Nellen 23，M。U. Nice 5，L。Olivera 12，N。Omodei 13，C。D. Rho 24，D。Rosary 7，H。Salazar 9，H。Salazar 9，D。Salazar-Gallo 5，D。Salazar-Gallo 5，A。Sandaval 1，M.Shandaval 1，M.Sm. Smith 1，J。 声音19，R。W。Springer 25，Wang 17，Z. Wang 15，I。J。Watson 19，E。Willox15，S。A. Matthews 21，P。Miranda-Romagno 22，J。A. Monttes 6，E。一起9，M。Mostafaá27，M。Najafi 17，L。Nellen 23，M。U. Nice 5，L。Olivera 12，N。Omodei 13，C。D. Rho 24，D。Rosary 7，H。Salazar 9，H。Salazar 9，D。Salazar-Gallo 5，D。Salazar-Gallo 5，A。Sandaval 1，M.Shandaval 1，M.Sm. Smith 1，J。声音19，R。W。Springer 25，Wang 17，Z. Wang 15，I。J。Watson 19，E。Willox15，S。
考虑功率和信噪比后，可以在不同认知状态下以相似的精度预测脑电图相位
（（* 3KDVH &DQ %H 3UHGLFWHG :LWK 6LPLODU $FFXUDF\ $FURVV &RJQLWLYH 6WDWHV $IWHU $FFRXQWLQJ ）RU 3RZHU DQG 615 .LP % (ULFNVRQ % $ )HUQDQGH] 1XQH] * 5LFK 5 0HQW]HORSRXORV * 9LWDOH ）0HGDJOLD - 'HSDUWPHQW RI 3V\FKRORJLFDO DQG %UDLQ 6FLHQFHV 'UH[HO 8QLYHUVLW\ 'HSDUWPHQW RI %LRHQJLQHHULQJ 8QLYHUVLW\ RI 3HQQV\OYDQLD &HQWHU IRU 1HXURHQJLQHHULQJ DQG 7KHUDSHXWLFV 8QLYHUVLW\ RI 3HQQV\OYDQLD &HQWHU IRU 1HXURWUDXPD 1HXURGHJHQHUDWLRQ DQG 5HVWRUDWLRQ &RUSRUDO 0LFKDHO - &UHVFHQ] 9HWHUDQV $IIDLUV 0HGLFDO &HQWHU 'HSDUWPHQW RI 1HXURORJ\ 8QLYHUVLW\ RI 3HQQV\OYDQLD 'HSDUWPHQW RI 3K\VLFDO 0HGLFLQH DQG 5HKDELOLWDWLRQ 8QLYHUVLW\ RI 3HQQV\OYDQLD 'HSDUWPHQW RI 1HXURORJ\ 'UH[HO 8QLYHUVLW\ &RUUHVSRQGHQFH VKRXOG EH DGGUHVVHG WR HLWKHU $GGUHVV -RKQ ' 0HGDJOLD 3K' 'HSDUWPHQW RI 3V\FKRORJLFDO DQG %UDLQ 6FLHQFHV DW 'UH[HO 8QLYHUVLW\ &KHVWQXW 6WUHHW 3KLODGHOSKLD 3$ 7HOHSKRQH (PDLO MGP #GUH[HO HGX 25 $GGUHVV )ODYLD 9LWDOH 3K' 'HSDUWPHQW RI %LRHQJLQHHULQJ DW WKH 8QLYHUVLW\ RI 3HQQV\OYDQLD +D\GHQ +DOO 6PLWK :DON 3KLODGHOSKLD 3$ 7HOHSKRQH (PDLO YLWDOHI#SHQQPHGLFLQH XSHQQ HGX
超快速退火改善了SNR和长期稳定性的长期逐线FBG阵列，该阵列刻在无固定纤维中，用于极度温度应用
摘要 - 这项研究报告了在高度多模型无芯光纤中使用飞秒激光铭文制造的4阶逐行线纤维Bragg Gragg Gragg（FBG）阵列，特别着重于实现实质性的多重功能。采用了超快速退火程序，从而使FBG传感器的边缘可见性的令人印象深刻的增强大约13 dB，这意味着显着改善了约4 dB。这种实质性的增强有助于在极端温度条件下多路复用FBG阵列的长期稳定性和性能。用于多路复用FBG阵列采用的系统制造方法可以保证阵列内每个单独的FBG的高信号效率比（SNR）。此FBG阵列旨在用于极端温度应用，以基于掺杂的光纤（包括SNR降解和温度诱导的边缘漂移）的传统FBG相关的限制。在高达1120°C的温度下进行测试证明了FBG阵列的稳定性，而不会在读数中发生波动。此外，它忍受了七个热周期，从500°C到1120°C，超过60小时，表现出出色的热稳定性。具有超快速退火方法的高度多路复用的FBG阵列对极端温度环境（例如钢制造）有希望，例如，精确且可靠的分布式温度监测必须进行。索引条款 - 超快速退火；无木纤维bragg graging;按线方法； Femto秒激光制造；高度多模波导。
视觉刺激背景亮度对引发稳态视觉诱发电位的影响
归因于脑电图（EEG）信号的信噪比差（SNR）[3]。可以通过增加信号水平和/或降低噪声水平来改善SSVEP信号的SNR。研究人员在改善SSVEP的SNR并提高BCI性能方面取得了长足的进步。首先，研究人员通过应用高级信号处理方法改善了SNR。例如，在当前的BCI系统中广泛使用试验平均，以改善脑电图分析中的SNR [3]。空间过滤已用于将多通道脑电图数据投射到低维空间空间中，以消除任务 - 无关的组件并改善与任务相关的EEG信号的SNR [4]。对于SSVEP，规范相关分析（CCA）方法可以最大程度地提高SSVEP的检测频率[5，6]。独立的组件分析是另一种空间滤波方法，通过将与任务相关的脑电图组件与任务 - iRrelevant eeg和人为成分分开，从而增强了脑电图信号的SNR [7，8]。第二，研究人员设计了实验以获得增强的与任务相关的脑电图信号并改善SNR。例如，在有效的基于SSVEP的BCI中，与使用Checkerboard刺激获得的刺激相比，使用情感人脸的视觉刺激大大提高了SSVEP信号的振幅[9]。第三，一些研究人员调整了视觉刺激亮度的参数，以调节SSVEP响应的幅度，从而改善了SSVEP的SNR [10-12]。例如，相关研究表明，亮度对比信息对于形式，运动和深度的感知至关重要[13，14]。亮度对比或“调制深度”定义为最大亮度的比率减去最小亮度与最大亮度以及
HBM.26416.pdf- -orca-加的夫大学
图1均方根误差（RMSE），调整后的R 2，并对使用相同参数和最大B值计算的Sandi模型的每个参数进行了截取，但壳数量不同，但壳数量不同：从与我们的协议相对应的6个。这三个曲线表示球形平均值的不同信噪比（SNR）预先形成的模拟：SNR = 50的圆形标记，SNR = 100的星号标记物以及在没有噪声的情况下正方形（即SNR相等的无限）。扩散率以μm2 /ms的含量为单位，在μm中的RSOMA报告。
人工智能提升 MR 成像质量和效率
MRI 的主要挑战之一是找到信噪比 (SNR) 和图像分辨率之间的最佳平衡。更高的空间分辨率可以改善结构的可视化，但当空间分辨率增加时，SNR 会下降。为了重新获得 SNR，通常需要增加扫描时间，从而降低患者的舒适度并降低吞吐量。
评估刺激颜色和频率对SSVEP的影响
摘要：大脑 - 计算机接口（BCI）可以通过注册和处理脑电图（EEG）信号来提取有关受试者意图的信息，以生成对物理系统的操作。稳态视觉诱发的电位（SSVEP）是当受试者凝视着视觉刺激时产生的。通过光谱分析并测量其谐波含量的信噪比（SNR），可以识别观察到的刺激。刺激颜色很重要，一些作者提出了红色，因为它具有吸引注意力的能力，而另一些作者则拒绝了它，因为它可能会诱发癫痫发作。绿色也已提出，据称白色可能会产生最好的信号。关于频率，尽管尚未彻底研究高频，但声称中间频率产生了最佳的SNR，并且由于该频带的自发性脑活动较低，因此可能是有利的。在这里，我们以三个频率显示白色，红色和绿色刺激：5（低），12（中）和30（高）Hz至42个受试者，并进行比较以找到可以产生最佳SNR的。我们的目标是知道对白色的响应是否像红色一样强，并且对高频的响应是否与较低频率触发的响应一样强。注意力。方差分析（ANOVA）显示了具有中间频率的最佳SNR，其次是低，最终是高频率的。白色在12 Hz时给出了红色的SNR，绿色为5 Hz，在30 Hz时没有差异。这些结果表明中间频率是可取的，并且可以避免使用红色。相关性分析还显示了注意力低频与SNR之间的相关性，因此表明对于低频，更多的注意力能力会带来更好的结果。
正规化参数不确定性，用于改善加强学习的概括
为了在现实世界中部署强化学习（RL）代理，它们必须能够推广到看不见的环境。但是，RL在分布外的概括方面挣扎，通常是由于过度拟合培训环境的细节。尽管可以应用监督学习的正则化技术来避免过度插入，但超级学习和RL之间的差异限制了其应用。为了解决这个问题，我们提出了RL的信噪比调节的参数不确定性网络（SNR PUN）。我们将SNR作为正规化网络的参数定向的新量度，并提供了正式分析，解释了SNR正则为什么对RL效果很好。我们证明了我们提出的方法在几个模拟环境中概括的有效性；在一个物理系统中，显示了使用SNR PUN将RL应用于现实世界应用程序的可能性。