XiaoMi-AI文件搜索系统
World File Search SystemVary
多线圈MRI重建挑战 - 评估大脑MRI重建模型及其对改变线圈配置的概括性
深度学习的大脑磁共振成像（MRI）重建方法具有加速MRI采集过程的潜力。尽管如此，科学界缺乏适当的基准来评估高分辨率大脑图像的MRI重建质量，并评估这些提出的算法在存在很小但预期的数据分布变化的情况下将如何行为。使用大型高分辨率，三维，T1加权MRI扫描的大量数据集，旨在解决这些问题的基准，旨在解决这些问题。挑战有两个主要目标：（1）比较该数据集上的不同MRI重建模型，以及（2）评估这些模型对使用不同数量的接收器线圈获取的数据的概括性。在本文中，我们描述了挑战实验设计，并总结了一组基线和最先进的脑MRI重建模型的结果。我们提供了有关当前MRI重建最先进的相关比较信息，并强调了获得更广泛采用之前所需的可推广模型的挑战。公开可用的MC-MRI基准数据，评估代码和当前的挑战排行榜。他们提供
DVE：不同程度 - 军队安全
视觉参考和提示为飞行中的定位提供了最重要的感官输入（据估计，70-80% 的飞行定位信息是通过视觉获得的）。例如，当驾驶仪表时，机组人员可以训练忽略可能错误的前庭或躯体感觉输入，以“使仪表读数正确”。当按照 VFR 飞行时，DVE 会减少安全驾驶所必需的关键环境视觉提示。机组人员可以在 DVE 中操作，通过保持足够的视觉参考或仪表提示来了解他们的操作环境，从而实现飞机定位和空间/时间 SA。然而，在某种程度的能见度受限的情况下，机组人员的熟练程度和经验不足以弥补 DVE 内减少的提示，飞机坠毁的可能性会大大增加。
使用时变流体队列对跑道上的飞机起飞进行建模
摘要：减少跑道入口处的出发队列长度是减少机场飞机交通拥堵和燃料消耗的最重要要求之一。本研究使用随时间变化的流体队列设计了跑道上的飞机出发模型。所提出的模型使我们能够确定出发队列中的飞机等待时间，并评估在登机口而不是跑道入口处分配合适停留的有效控制方法。作为案例研究，本研究模拟了东京国际机场 05 号跑道一整天的出发队列。使用机场出发的实际交通数据，该模型估计飞机在 05 号跑道上一天总共花费 2.5 小时的出发等待时间。考虑到实际出发交通的随机性，使用验证标准讨论了所提出的模型的相关性。与实际交通数据中记录的出发队列相比，模型估计显示出合理的预期数量级。此外，假设起飞排队长度减少，则定量评估生态和经济效益。我们的结果表明，由于飞机在一条起飞跑道上等待起飞，每年会浪费大约一千吨燃油。
锂离子电池的热失控：内部动力学、质量喷射和热量如何随电池几何形状和滥用类型而变化
锂离子电池的热失控可能涉及各种类型的故障机制，每种机制都有其独特的特征。使用分数热失控量热法和高速射线照相术，对三种不同几何形状的圆柱形电池（18650、21700 和 D 型电池）对不同滥用机制（热滥用、内部短路和钉子刺穿）的响应进行了量化和统计检查。确定了电池几何形状与其热行为之间的相关性，例如在钉子刺穿过程中，随着电池直径的增加，电池每安培小时的热量输出（kJ Ah − 1 ）会增加。高速射线照相术显示，与热滥用或内部短路滥用相比，钉子刺穿时电池内的热失控传播速率通常最高，其中随着直径的增加，传播速率相对增加。对于在相同条件下测试的特定电池模型，观察到热量输出分布，随着质量喷射的增加，热量输出呈增加的趋势。最后，使用嵌入在穿透钉中的热电偶进行内部温度测量被证明是不可靠的，因此表明在温度快速变化的情况下使用热电偶时需要小心。本文中使用的所有数据均通过 NREL 和 NASA 电池故障数据库开放获取。© 2022 作者。由 IOP Publishing Limited 代表电化学学会出版。这是一篇开放获取的文章，根据知识共享署名 4.0 许可条款分发（CC BY，http://creativecommons.org/licenses/ by/4.0/ ），允许在任何媒体中不受限制地重复使用作品，前提是正确引用原始作品。[DOI：10.1149/ 1945-7111/ac4fef ]
增加储物电池寿命在自主光伏系统中，发电结构在全年中有所不同
摘要。本文证实了全年发电结构各不相同的光伏系统的使用。该研究主题来自对位于西伯利亚和俄罗斯远东的自动光伏系统的操作模式的深入分析。本文对秋季和冬季在与柴油和太阳能站的运营可持续性有关的问题进行建模的方法进行了详细而简洁的描述。在春季和夏季，自动光伏系统使用标准电源积累算法运行，而柴油发电站则用作备用电源，从而增加了存储电池的寿命，从而减少了其更换的数量并通过折扣来降低成本。能源的总体水平成本也大大下降。本文介绍了建模实际的自动源能源系统的结果，其中计划在不久的将来构建配备储存电池的太阳能电站。建模结果表明，全年使用的结构不断变化，将电池寿命从6年增加到11年，在整个电池寿命中，只有一个（而不是三个）替换。已经考虑了所获得的结果，并应在设置正在审查的光伏系统方面进行实践。提供的方法是用途广泛，可用于分析各种光伏系统。
稀疏量：通过非IID数据集对定向和时间变化的图表进行交流和节能分散的分布式学习
当前的深度学习（DL）系统依赖于集中的计算范式，该计算范式限制了可用培训数据的数量，增加了系统延迟并增加了隐私和安全性。通过分散的DL模型对DL模型对点对点连接的边缘设备进行的分散和分布式培训启用的设备学习，不仅可以减轻上述限制，而且还可以启用需要DL模型的下一代应用程序，以连续进行交互并从他们的环境中学习。然而，这需要开发新型培训算法，这些新型培训算法会通过随着时间变化和定向的对等图结构进行训练DL模型，同时最大程度地减少设备之间的连接数量，并且对非IID数据分布也有弹性。在这项工作中，我们提出了稀疏的畅通，这是一种交流效率分散的分布式培训算法，该培训算法支持对点对点，指导和时间变化的图形拓扑。所提出的算法可以减少466倍的交流，而在训练各种DL模型（例如Resnet-20和VGG11）上的CIFAR-10数据集时，性能仅降解了1％。此外，我们证明了如何导致非IID数据集的频率降解的显着性能降解，并提出了偏斜补偿的稀疏推动算法，从而恢复了这种性能下降，同时保持相似的通信压缩水平。
一种有效的带测量噪声的时变量子态在线估计算法
受在线交替方向乘法器方法 (OADM) 的启发，本文提出了一种高效的在线量子态估计 (QSE) 算法 (QSE-OADM) 用于恢复时变量子态。具体而言，在 QSE-OADM 中，密度矩阵恢复子问题和测量噪声最小化子问题被分开并分别求解，而无需迭代运行算法，这使得所提出的方法比所有先前的工作都更高效。在数值实验中，对于 4 量子比特系统，所提出的算法在 71 个样本后可以达到超过 97.57% (保真度) 的估计准确率，每次估计的平均运行时间为 (4.19±0.41)×10-4 秒，与现有的在线处理算法相比，其性能更为优越。
基于时变依赖退化模型的飞机公用系统旋转唇形密封可靠性评估及试验验证
摘要 旋转唇形密封件因其多种优良性能而被广泛应用于飞机公用系统中，其可靠性评估受到越来越多的关注。提出一种基于时变相关分析的可靠性评估方法。采用时变Copula函数建立旋转唇形密封件两项性能指标泄漏率和摩擦扭矩之间的依赖关系，以多项式表示时变参数，并采用有效的Copula选择方法选取最优Copula函数。基于贝叶斯方法进行参数估计，基于蒙特卡罗方法计算全寿命期间的可靠度。对旋转唇形密封件进行退化试验，并通过试验数据对所提模型进行验证。基于试验数据确定了最优Copula函数和多项式的最优阶数。结果表明，该模型可有效评估旋转唇形密封件的可靠性，且能获得较好的拟合优度。 � 2019 中国航空航天学会。由 Elsevier Ltd. 制作和托管。这是一篇根据 CC BY-NC-ND 许可协议开放获取的文章 ( http://creativecommons.org/licenses/by-nc-nd/4.0/ )。
Daniel Laver使用立方持久性揭示时间变化的fMRI数据的拓扑
功能性磁共振成像（fMRI）是一种至关重要的技术，可以洞悉人类认知过程。从fMRI测量中积累的数据会导致体积数据集随时间变化。但是，分析此类数据的挑战是由于大脑中信息的表示方式的噪音和人与人之间的变化。为了应对这一挑战，我们提出了一种新颖的拓扑方法，该方法在fMRI数据集中编码每个时间点，作为拓扑特征的持久图，即数据中存在的高维空隙。 此表示自然不依赖于voxel-voxel对应关系，并且对噪声是可靠的。 我们表明，可以将这些随时间变化的持久图聚类以发现参与者之间有意义的分组，并且它们在研究执行特定任务的受试者的受试者内部脑状态轨迹也很有用。 Here, we apply both clustering and tra- jectory analysis techniques to a group of participants watching the movie ‘Partly Cloudy'. 我们观察到大脑状态轨迹以及观看同一电影的成人和儿童之间的整体拓扑活动的显着差异。数据中存在的高维空隙。此表示自然不依赖于voxel-voxel对应关系，并且对噪声是可靠的。我们表明，可以将这些随时间变化的持久图聚类以发现参与者之间有意义的分组，并且它们在研究执行特定任务的受试者的受试者内部脑状态轨迹也很有用。Here, we apply both clustering and tra- jectory analysis techniques to a group of participants watching the movie ‘Partly Cloudy'.我们观察到大脑状态轨迹以及观看同一电影的成人和儿童之间的整体拓扑活动的显着差异。
