XiaoMi-AI文件搜索系统
World File Search Systemepochs
从单个碎片监测中识别碎片时期的统计方法
在过去的几十年中，在轨驻留物体数量不断增长已成为世界各地航天机构和研究机构的主要关注点之一。在此背景下，碎片进一步增加了空间碎片的数量，从操作上讲，尽快确定事件时期至关重要，即使只有由初始轨道确定 (IOD) 过程得到的单个碎片轨道状态。这项工作说明了碎片时期检测器 (FRED) 算法，该算法通过统计方法处理该问题，从单个碎片 IOD 结果（通过平均状态和协方差表示）和父星历表（假设为确定性）开始。该过程用多元正态分布填充碎片星历表，对于每对样本父代，首先在时间窗口上计算通过最小轨道交叉距离 (MOID) 的时期，然后按时间聚类。对于每个簇，都会导出三维 MOID 和三维相对距离分布（通常是非正态分布，后者是在母星通过 MOID 时计算的），并对它们的相似性进行统计评估。最后，将两个分布之间最匹配的簇视为最佳候选，并从母星通过 MOID 时返回碎片时期，以平均值和标准差表示。通过数值分析评估 FRED 算法的性能。还讨论了从雷达测量开始嵌入 IOD 过程的操作案例。
脑瘫、中风和
摘要：脑机接口的性能可能会随着时间的推移而降低，但调整分类器可以减少这个问题。误差相关电位 (ErrPs) 可以标记数据以进行持续调整。然而，这在严重运动障碍人群中很少被研究过。本研究的目的是通过离线分析从脑瘫、截肢或中风患者的单次脑电图中检测出 ErrPs，并确定不同大脑区域拥有多少判别信息。10 名脑瘫患者、8 名截肢患者和 25 名中风患者试图进行 300-400 次手腕和脚踝运动，同时假脑机接口对他们引发 ErrPs 的表现提供反馈。预处理的脑电图时期被输入到多层感知器人工神经网络中。每个大脑区域都单独用作输入（额叶、中央、颞右、颞左、顶叶和枕叶）、中央区域与每个相邻区域的组合以及所有区域的组合。额叶和中央区域最重要，添加其他区域只会略微提高性能。脑瘫、截肢和中风参与者的平均分类准确率分别为 84 ± 4%、87 ± 4% 和 85 ± 3%。总之，可以在运动障碍的参与者中检测到 ErrP；这可能对开发自适应 BCI 或自动纠错具有重要意义。
使用大脑连接性估计器改善基于EEG的驱动器分心分类
摘要：本文讨论了通过使用大脑连接估计器作为特征来讨论脑电图（脑电图）基于脑电图分散分类的新方法。有超过一年的驾驶经验和平均年龄为24.3的健康志愿者参加了具有两个条件的虚拟现实环境，简单的数学解决问题任务和一项骑行任务，以模仿分心的驾驶任务和一项非分布驾驶任务。独立的组件分析（ICA）是在与额叶，中央，顶，枕骨，左运动和右运动区域相关的六个选定组件的选定时期进行的。Granger – Geweke因果关系（GGC），定向转移函数（DTF），部分定向相干（PDC）和广义部分定向相干性（GPDC）大脑连接估计器用于计算连接性矩阵。这些连接矩阵被用作具有径向基函数（RBF）的支持向量机（SVM）的功能，并将分心和非分布驾驶任务分类。GGC，DTF，PDC和GPDC连接估计器的分类精度分别为82.27％，70.02％，86.19％和80.95％。进行了PDC连接估计器的进一步分析，以确定分散注意力和非分布驾驶任务之间的最佳窗口。这项研究表明，PDC连接性估计器可以为驾驶员分心提供更好的分类精度。
免责声明：这是当前在同行评审中的手稿的预印本。随着同行评审PR
最近十年的移动脑电图（EEG）的可用性增加了。这些移动系统使研究人员能够在“信封中”进行数据收集，从而减轻了参与者的负担，并可能增加了研究样本的多样性和表示。我们的研究团队使用移动EEG系统从来自低收入背景的400多名12个月大的婴儿完成了家庭数据收集。在本手稿中，我们为收集婴儿的高质量移动脑电图提供了方法和分析指南。具体来说，我们为设备选择，数据收集和数据分析提供了见解和建议，重点介绍了选择移动EEG系统的重要注意事项。示例包括记录设备，电极类型，参考类型和可用蒙太奇的尺寸。我们还重点介绍了围绕围绕脑电图收集的非标准化记录环境的重要建议此外，我们还提供了对分析代码的访问权限，并使用此方法证明了最近一项研究中数据的鲁棒性，其中20个无伪影时代具有良好的内部一致性可靠性。最后，我们为未来的研究提供了建议和公开资源，以收集移动脑电图。
![arXiv:2408.09600v2 [cs.AI] 2024 年 9 月 3 日](/simg/g:\will\search\icon\source\d\d4cd68d911f7d8236ffaa02df34844280fde3518.webp)
arXiv:2408.09600v2 [cs.AI] 2024 年 9 月 3 日
安全对齐的大型语言模型 (LLM) 容易受到有害的微调攻击 (Qi 等人，2023)——微调数据集中混入一些有害数据可能会破坏 LLM 的安全对齐。现有的缓解策略包括对齐阶段解决方案 (Huang、Hu 和 Liu，2024；Rosati 等人，2024a) 和微调阶段解决方案 (Huang 等人，2024；Mukhoti 等人，2023)。然而，我们的评估表明，当选择某些特定的训练超参数时，这两类防御都会失败——微调阶段的较大学习率或大量训练周期很容易使防御失效，但这对于保证微调性能是必要的。为此，我们提出了 Antidote，这是一种后微调阶段解决方案，它与微调阶段的训练超参数无关。 Antidote 的理念是，通过删除有害参数，可以从有害行为中恢复有害模型，而不管这些有害参数在微调阶段是如何形成的。基于这一理念，我们在有害微调之后引入了一次性剪枝阶段，以删除导致有害内容生成的有害权重。尽管 Antidote 非常简单，但实证结果表明，它可以在保持下游任务准确性的同时降低有害分数。我们的项目页面位于 https://huangtiansheng.github.io/Antidote_gh_page/
图像和视频柔和对比度自我监督学习的相似性估计
抽象的对比表示学习已被证明是图像和视频的有效自我监督的学习方法。最成功的方法是基于噪声对比估计（NCE），并将实例的不同视图用作阳性，应与其他称为否定的实例形成对比，被称为噪声。但是，数据集中的几个实例是从相同的分布中汲取的，并共享基本的语义信息。良好的数据表示应包含实例之间的关系，语义相似性和差异性，即通过将所有负面因素视为噪声来损害对比学习。为了避免此问题，我们提出了一种新的对比度学习的表述，使用称为“相似性对比估计（SCE）”的实例之间的语义相似性。我们的训练目标是一个软的对比目标，它使阳性更接近，并估计根据其学到的相似性推动或提取负面实例的连续分布。我们在图像和视频表示学习方面均通过经验验证我们的方法。我们表明，SCE在ImageNet线性评估方案上的最低时期时代的较少时代的时期与最低的时期进行了竞争性，并且它概括为几个下游图像任务。我们还表明，SCE达到了预处理视频表示的最新结果，并且学习的表示形式可以推广到下游任务。源代码可用：https：//github.com/juliendenize/eztorch。
使用人工神经网络对燃气轮机进行诊断...
R B Joly、S O T Ogaji *、R Singh 和 S.D. Probert 克兰菲尔德大学工程学院，贝德福德郡 MK43 OAL，英国 ______________________________________________________________________ 摘要 英国皇家空军运营的 Tristar 飞机每年在运输和空中加油任务中飞行数千小时。每台劳斯莱斯 RB211-524B4 发动机都记录了大量发动机数据：这些数据用于辅助维护过程。在维修和大修后的试验台发动机地面运行期间也会生成数据。为了更有效地使用记录的发动机数据，本文评估了使用人工神经网络 (ANN) 的主动发动机诊断工具的可行性。介绍了发动机健康监测，并介绍了 ANN 背后的理论。提出了一种使用多个 ANN 的发动机诊断结构。顶层区分单组分故障 (SCF) 和双组分故障 (DCF)。中层类包括有故障的部件或部件对。底层根据使用相关参数的一组发动机数据，为每个发动机部件估计与发动机无关的参数值。本文提出的 DCF 结果说明了 ANN 作为诊断工具的潜力。但是，ANN 应用程序也有许多用户定义的功能：ANN 设计、使用的训练时期数；采用的训练函数、met
tACS 夹带的检测主要取决于 Epoch 长度
神经同步是指神经元群与外部节律刺激（例如经颅交流电刺激 (tACS)）的相位同步。tACS 会对人类行为产生深远影响。然而，仍有大量研究发现，tACS 应用于人类受试者时不会产生行为影响。为了研究这种差异，我们对来自大鼠运动皮层的单个单元数据应用了基于时间敏感锁相值 (PLV) 的分析。分析表明，神经同步的检测主要取决于脉冲信息积累的时期长度。增加时期长度可以检测到逐渐减弱的神经同步水平。基于这种单个单元分析，我们假设 tACS 对人类行为的影响在使用更长时期长度的行为范式中更容易检测到。我们通过使用 tACS 来同步患者和健康志愿者的震颤来测试这一点。当使用短时间周期分析行为数据时，无法检测到震颤同步效应。然而，随着周期长度逐渐增加，可以检测到微弱的震颤同步。这些结果表明，依赖于长周期长度信息积累的 tACS 行为范式往往会成功检测到行为效应。然而，依赖于短周期长度的 tACS 范式不太可能检测到效应。
一种深入的CNN方法，用于解码上肢的电动机从源级别的EEG信号的时间 - 频率图
一个可以检测到行动和解码计划运动意图的系统，可以帮助所有可以计划运动但无法实施的受试者。在本文中，通过使用脑电图（EEG）信号来研究电动机计划活动，目的是解码运动制备阶段。在执行不同动作（肘部流量/扩展，前臂旋转/supination/supination/suplination/open/loth/collos）的过程中，可公开可用的61个通道EEG信号，右上肢录制了15个健康受试者的EEG信号。 引入了一种新型系统，用于静止与静止和前期时期的分类。 对于每个时期，所提出的系统都会通过光束成形和连续的小波变换（CWT）生成电动机源信号的时间频率（TF）图，然后将所有映射嵌入体积中并用作输入到深CNN中。 拟议的系统成功地歧视了前提下的平均准确度为90.3％（最低74.6％，最大100％），在文献中的表现优于可比较的方法，而在鉴别期间的VS vs vs vs等待中的平均准确度为62.47％。 所达到的结果鼓励通过深度学习方法在时间频域中的源级别调查电动机计划。可公开可用的61个通道EEG信号，右上肢录制了15个健康受试者的EEG信号。引入了一种新型系统，用于静止与静止和前期时期的分类。对于每个时期，所提出的系统都会通过光束成形和连续的小波变换（CWT）生成电动机源信号的时间频率（TF）图，然后将所有映射嵌入体积中并用作输入到深CNN中。拟议的系统成功地歧视了前提下的平均准确度为90.3％（最低74.6％，最大100％），在文献中的表现优于可比较的方法，而在鉴别期间的VS vs vs vs等待中的平均准确度为62.47％。所达到的结果鼓励通过深度学习方法在时间频域中的源级别调查电动机计划。
认知和大脑的进化全球神经科学...
大脑发育的进化基础代表出发点。它深入研究了进化史的深处，揭示了塑造人脑的复杂旅程。比较神经解剖学和系统发育提供了我们绘制认知进化肖像的画布。它考虑了雕刻人类大脑建筑的遗传和表观遗传学的约束。这些见解是进化全球神经科学所占据的基础。寻求解锁人脑的神秘复杂性，进化的全球神经科学是超越学科边界的变革性范式。这个广阔的领域探讨了我们的进化遗产与当代挑战在认知，脑健康和神经技术的不断发展的景观之间的深刻相互作用。认知，即人类生存的典型标志，几乎引起了我们的注意。它审问了跨时期认知的依赖价值，从而破译了其在生存和繁荣中的作用。然而，在这个快速的社会转变时代，“进化不匹配”的概念浮出水面。它探讨了这种不匹配是如何构成脑部疾病迅速发展的流行的基础，这突显了对解决认知健康的新范式的迫切需求。本文阐明了现代性脑部疾病的严峻景观。阿尔茨海默氏病和自闭症谱系障碍是吞噬我们的进化难题的典型典范。从遗传倾向到环境影响，它构成了这些疾病的多方面起源，始终注意到进化论