软件生产工厂(SPF)是集成在一起的计算机,硬件和软件的网络物理结构,以作为一个构想和快速原型环境。SPF是一个虚拟动态环境,可分析要求,建筑和设计,评估权衡取舍,测试地面车辆开发工件,例如结构和行为特征,以及部署系统文物和操作资格。SPF在产品开发以及系统操作和支持期间都使用。白皮书描述了SPF的组成部分,以根据以模型为中心的数字工程过程指南来构建相关的地面车辆快速原型(GVRP)模型。工厂和过程共同确保按照指定生产工件。这些过程围绕建筑物,维护和追踪从源到构建系统的最终原子元素的单个信息来源。
当今世界,各种服务的实现都依赖于计算机软件。随着软件的日益复杂化,培养负责软件生命周期(包括规划、开发和运行)的高级软件工程师具有很高的社会重要性。软件开发过程包括规划、需求分析、设计、编程和软件测试等各种过程(ISO,2017)。软件工程师需要学习各种知识和技能来开发每个过程中的工件。我们正在开发一种可视化工具 VRale-SCM,用于 VR 空间中每个过程的工件及其之间的关系(Kishikawa,2020)。软件工程师可以自由浏览工件,以深入了解工件及其之间的关系。在本文中,我们提出了一种生成设计模式和 Java 源代码之间关系的机制。将提出的机制集成到 VRale-SCM 将丰富系统的教育内容,从而进一步提高教育效果。设计模式(Gamma,1995)是面向对象软件设计推荐惯例的抽象描述,可用于教授系统软件设计。我们提出了 xPIML 来描述设计模式的结构和描述(Ohtsuki,1998 和 2011)。
摘要 — 通过脑机接口 (BMI) 和闭环深部脑刺激器 (DBS) 精确测量脑活动是脑与后续处理模块之间通信的最重要步骤之一。在 DBS 中经常使用的传统胸装系统中,传感接口中会产生大量伪影,通常是施加在外壳和传感电极之间的共模信号。由于接口的共模抑制比 (CMRR) 能力有限,因此衰减这种共模信号在这些系统中可能是一个严峻的挑战。正在开发的新兴 BMI 和 DBS 设备可以安装在头骨上。将系统安装在颅骨区域可以通过限制伪影幅度来抑制这些感应生理信号。在本研究中,我们使用躯干形体积导体中的电流源偶极子模型,通过关注心脏活动来模拟伪影的影响。使用不同的 DBS 架构执行有限元仿真,我们估计了几种设备架构的 ECG 共模伪影。使用该模型有助于定义整个系统 CMRR 的总体要求,以保持大脑活动的分辨率。模拟结果估计,颅骨安装系统的心脏伪影影响将明显低于包括胸部区域的非颅骨系统。预计对于胸部安装的设备,至少需要 60-80 dB CMRR 来抑制 ECG 伪影,而对于颅骨安装的设备,在最坏情况下 20 dB CMRR 就足够了。用于估计心脏伪影的方法可以扩展到其他来源,例如运动/肌肉源。设备对伪影的敏感性对于闭环 DBS 和 BMI 的实际转化具有重要意义,包括生物标志物的选择以及绝缘体和导线系统的设计要求。
Oregon State Police: Chris Allori 503-731-4717 or cell 503-708-6461 CIS: Karen Quigley 503-986-1067 Appropriate Tribes: As designated by CIS SHPO: Dennis Griffin 503-986-0674 or John Pouley 503-986-0675 Construction work may uncover previously unidentified Native American or欧美文物。这可能是由于多种原因而发生的,但可能与深层埋葬的文化材料,项目开发过程中的访问限制有关,或者如果该地区在整个项目区域中包含不透水的表面,这将阻止标准的考古场地发现方法。在联邦土地上发现的历史考古材料近50年(州公共土地或私人土地为75年)。如果发现的材料不是明显的现代制造日期(即大多数是由塑料制成或拥有UPC条形码的工件),将停止工作,直到可以咨询合格的历史考古学家。将强调,考古文物和特征,尤其是历史考古材料,需要大量的培训和经验,并且如果对发现任何材料的年龄有任何疑问,将咨询专业考古学家。发现任何文物或特征将停止工作,并将咨询合格的考古学家。美国原住民文物可能包括(但不限于):
“使用人工智能和机器学习对遗产图像进行分类”项目的目标是创建一种自动分类旧图像的方法。目标是使用机器学习和人工智能根据照片的历史和文化相关性对其进行准确分析。通过自动化图像分类过程,该计划旨在加快历史照片的保存和可访问性。使用深度学习技术,将研究照片的特征,以便将它们分类为相关类别,例如建筑、文物、绘画、雕塑或历史古迹。由此产生的自动分类系统将通过实现高效的检索和查询,帮助保存和推广我们的文化历史。该项目的目标是通过整合尖端技术彻底改变环境的管理和保护。关键词:遗产图像、自动分类、人工智能、机器学习、深度学习算法、图像特征、分类、建筑、文物、绘画、雕塑、历史地标、可搜索数据库、保存、可访问性、文化遗产、保护、文化文物和历史。
可重复性对于科学的发展至关重要;它对看似矛盾的结果充满信心,并扩大了已知发现的界限。计算机安全具有创建工件的益处,可以促进计算可重复性,这是他人使用他人代码和数据以相对直接的方式使用他人的代码和数据独立重新创建结果的能力。尽管安全界最近增加了对可重复性的关注,但尚未对当前可重复性状态进行独立且全面的测量。在本文中,我们进行了第一项此类研究,针对由机器学习安全性的论文专门生成的可重复的伪像(学术研究中最流行的领域之一),该论文在过去十年(2013-2022)中发表了第1层安全会议。我们对近750篇论文,其代码库和数据集进行了间接和直接可重复性的测量研究。我们的分析表明,在第1级会议中引入工件评估委员会之前和之后,在统计上没有统计学上的差异。然而,根据三年的结果,通过此过程的伪像比没有的伪像更高。从收集的发现中,我们提供了以数据为基础的建议,以改善社区的可重复性,包括我们研究中观察到的五个问题。这样做,我们证明了计算机安全研究中的计算可重复性仍需要取得重大进展。
摘要 - 我们现在是Hyppo,这是一种新型系统,可优化探索机器学习中遇到的管道。Hyppo利用过去执行的工件的替代计算路径,以得出更好的执行计划,同时重复生产工件。添加替代计算引入了有关工作负载表示,系统体系结构和最佳执行计划生成的探索机器学习的新挑战。为此,我们提出了一种基于定向超图的新型工作负载代表,我们制定了将最佳执行计划作为搜索问题而不是定向的超图和选择文物以作为优化问题实现的问题的问题。彻底的实验评估表明,Hyppo的计划通常比非优化管道更快,更便宜的计划(最多两个阶数),并且比在实质性货物时,比艺术状况产生的计划更快且更便宜。最后,我们的评估表明,即使无法利用物质化,Hyppo也将成本降低3-4 ˆ。
这项研究的目的是观察基于单词想象的原始EEG信号的独立组件分析(ICA)方法的有效性,该方法将用于无言语的单词分类。脑电图(EEG)信号是当某人进行活动(例如睡觉,思维或其他体育活动)时代表人脑的电活动的信号。eeg数据基于用于研究的想象力一词,伴随着肌肉运动,来自肌肉运动,心跳,眼睛眨眼,电压等。在先前的研究中,ICA方法已被广泛使用且有效地缓解生理伪像。伪像的信号比(ASR)用于测量ICA在本研究中的有效性。如果比率越大,则ICA方法被认为有效地清除了脑电图数据中的噪声和伪影。基于实验,从14个电极上获得的11个受试者获得的ASR值在0,910至1,080的范围内。因此,可以得出结论,ICA可有效根据单词想象从EEG信号中删除伪像。
图 4 EEG 和伪影:(a) 参考点的变化降低了频谱中的飞机结构振动模式,如飞行前和飞行时 Cz 电极中的原始信号所示。(b) 和 (c) 中显示了 ICA 表征的一些说明性伪影。我们选择了相应 IC 活动的 1 分钟特征段。数据被分段以方便可视化。发动机故障发生在第 30 段左右。(b) 显示与发动机相关的组件,其活动呈现周期性模式,当发动机关闭时停止。(c) 说明与参与者运动相关的组件,其特征是短暂的峰值