摘要 — 本文介绍了一种准确而强大的嵌入式运动想象脑机接口 (MI-BCI)。所提出的新模型基于 EEGNet [1],可满足 ARM Cortex-M 系列等低功耗微控制器单元 (MCU) 的内存占用和计算资源要求。此外,本文还提出了一组方法,包括时间下采样、通道选择和缩小分类窗口,以进一步缩小模型以放宽内存要求,同时几乎不影响准确度。在 Physionet EEG 运动/图像数据集上的实验结果表明,标准 EEGNet 在全局验证中对 2 类、3 类和 4 类 MI 任务的分类准确率分别为 82.43%、75.07% 和 65.07%,比最先进的 (SoA) 卷积神经网络 (CNN) 分别高出 2.05%、5.25% 和 6.49%。我们的新方法进一步缩小了标准 EEGNet,精度损失为 0.31%,内存占用减少了 7.6 倍,精度损失为 2.51%,减少了 15 倍。缩放后的模型部署在商用 Cortex-M4F MCU 上,运行最小模型需要 101 毫秒,每次推理消耗 4.28 mJ,在 Cortex-M7 上运行中等模型需要 44 毫秒,每次推理消耗 18.1 mJ,从而实现了完全自主、可穿戴、准确的低功耗 BCI。索引术语 — 脑机接口、运动意象、CNN、嵌入式系统、边缘计算
BKZ仿真的主要作用着重于显示BKZ算法的高块大小的行为,因此,当前的晶格安全性分析(例如,对当前LWE/NTRU基于的基于LWE/NTRU的方案)的有效/安全参数 - 选择这些模拟的有效/安全参数集的选择)。本文声称,当前的BKZ模拟不一定足够准确,可以进行精确的晶格安全分析,因此,这项研究首次介绍了两种可证明的“更新GSO/系数/系数的仿真”和“ LLL功能的仿真”的工具,以用于设计准确的BKZ模拟。本文证明,对于典型的SVP求解器“ Z”(例如,GNR驱动,筛分,离散的修剪),如果对“ z_memulate”进行了模拟,可以证明“ z_memulate”可以模仿“ z”的实际运行行为,那么我们可以通过“模拟我们的bkz模拟”来模拟'svpsolver'= z____________________________________________________________________________________________________________________________________________________求解器“ z”。我们的BKZ模拟解决了以前的BKZ模拟中的不同问题和弱点。Our tests show that, altogether, the shape of GSO norms ∥ b ∗ i ∥ 2 , the root-Hermite factor of basis, estimated total-cost and the running-time in “Experimental Running of Original BKZ algorithm” are closer to the corresponding test results in “Our BKZ Simulation” than to the test results in “Chen-Nguyen's BKZ simulation”, “BKZ simulation by Shi Bai et al.”和其他一些BKZ模型和近似值。此外,更新Chen-Nguyen的BKZ模拟的GSO规范/系数的错误策略会导致晶格块中的许多GSO违规错误,另一方面,我们的测试结果验证了我们的BKZ模拟中所有这些错误自动消除了所有这些错误。
Cold Spring Harbor Laboratory Press on February 27, 2025 - Published by rnajournal.cshlp.org Downloaded from Cold Spring Harbor Laboratory Press on February 27, 2025 - Published by rnajournal.cshlp.org Downloaded from Cold Spring Harbor Laboratory Press on February 27, 2025 - Published by rnajournal.cshlp.org Downloaded from Cold Spring Harbor Laboratory Press on February 2025年2月27日 - 由rnajournal.cshlp.org出版于2025年2月27日从冷春港实验室出版社下载 - 由rnajournal.cshlp.org出版于2025年2月27日从冷春港实验室出版社下载 - 由rnajournal.cshlp.org.cshlp.org plocalional出版。
结果:所提方法表现出更好的泛化性能,可以获得对所有结构的稳定准确率,而最新的深度学习方法对于某些结构的准确率极低。所提方法对所有样本都进行了分割,准确率明显高于传统方法,例如 3D U-Net、FreeSurfer 和脑功能性磁共振成像 (FMRIB) 软件库中的集成配准和分割工具 (FSL-FIRST)。此外,当将所提方法应用于较大的数据集时,可以对所有样本进行稳健的分割,而不会在明显不同于解剖相关区域的区域产生分割结果。另一方面,FSL-FIRST 对大约三分之一到四分之一的数据集在明显不同于解剖相关区域的区域产生了分割结果。
1 2 3 4 MD-82 商用客机头等舱的精确高分辨率边界条件和流场 6 7 刘伟 1 , 温继洲 1 , 赵江月 1 , 尹伟友 1 , 沈晨 1 , 赖代一 1 , 林朝欣 8 2 , 刘俊杰 1 , 孙和江 1,* 陈庆艳 1,3 9 10 1 天津大学环境科学与工程学院,天津 300072,11 中国 12 2 波音民用飞机公司环境控制系统,华盛顿州埃弗雷特 98203,美国 13 3 普渡大学机械工程学院,印第安纳州西拉斐特 47907,美国 14 15 * 电子邮件地址:sunhe@tju.edu.cn 16 17 摘要 18 19商用客机客舱中的流场对于创造热舒适和健康的客舱环境至关重要。除了客舱几何形状和家具外,流场还取决于扩散器处的热流体边界条件。为了研究客舱中的流场,本文介绍了一种获取客舱几何形状、扩散器边界条件和流场的程序。本研究使用激光跟踪系统和逆向工程生成了 MD-82 飞机客舱的数字模型。尽管该系统的测量误差很小,但仍需要近似值和假设来减少工作量和数据量。几何模型还可以轻松用于计算空间体积。结合使用热球风速计 (HSA) 和超声波风速计 (UA) 来测量
���������������������������������������� ...�� ������������������������������������������ �������������������������������������������� ���������������������������������������������� ������������������������������������������������ �������������������������������������������������� ������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������ ���������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������� ������������������������ ������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������ ������������������������������������ �������� ρ ���� ����������� ������������������������������������������������������������������ �������������������������������������������������������������������������������������������� ���������������������������������������������������� ・Δ � � =ρ ���� ・ � ・ � � ・Δ � �� � =ρ ���� ・ � ・ � ・ � �� = �� � �� �� �������������������������� ρ ���� ����������������������������� ����� Δ � � ����� Δ � � �������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������� ������������������������������������ ���������������� ��� ������������� ρ ���� �������������������������������� � �
结果:在这项研究中,我们介绍了 GiantHunter,这是一种基于强化学习的工具,用于从宏基因组数据中识别 NCLDV。通过采用蒙特卡洛树搜索策略,GiantHunter 动态选择代表性的非 NCLDV 序列作为负训练数据,使模型能够建立稳健的决策边界。对严格设计的实验进行基准测试表明,GiantHunter 在保持竞争灵敏度的同时实现了高精度,与第二佳方法相比,F1 分数提高了 10%,计算成本降低了 90%。为了证明其实际效用,我们将 GiantHunter 应用于从长江沿岸的六个城市收集的 60 个宏基因组数据集,这些城市位于三峡大坝的上游和下游。结果显示,NCLDV 多样性的显著差异与大坝的距离有关,这可能是由于大坝导致的流速降低所致。这些发现凸显了 GiantHunter 有潜力促进我们对 NCLDV 及其在不同环境中的生态作用的理解。