XiaoMi-AI文件搜索系统
World File Search Systemgpr
尼日利亚的结构健康监测
摘要 - 结构设计用于承受多种环境载荷条件，并确保在规定的时间内将这些载荷安全转移到地基。然而，生命损失和不利的经济影响是结构倒塌造成的潜在问题。建筑物的运营和结构健康监测 (SHM) 可用于减轻尼日利亚的建筑物故障。本研究考虑使用基于摄像机的技术、地面穿透雷达 (GPR)、光纤传感器 (FOS) 和压电薄膜进行损坏检测。从现有文献中分析了这些技术，以评估它们的应用并验证它们在可用性、实际应用、操作评估、数据采集和处理方面的有效性。本研究描述了 SHM 系统的性能、它们的使用方式以及它们在尼日利亚的可用性。因此，提出 BHM 作为缓解尼日利亚建筑物故障的工具。关键词- 建筑健康监测 (BHM)、地面穿透雷达 (GPR)、光纤传感器 (FOS)、压电薄膜、尼日利亚建筑物故障、基于视觉的技术。
飞机起飞重量的统计建模
摘要 — 飞机的起飞重量 (TOW) 是飞机性能的一个重要方面，会影响从飞行轨迹到燃油消耗的大量特性。由于其依赖于乘客和货物载重因素以及运营策略等因素，特定航班的 TOW 通常不提供给运营航空公司以外的实体。上述观察结果促使开发准确的 TOW 估计值，可用于燃油消耗估计或轨迹预测。本文提出了一种基于高斯过程回归 (GPR) 的统计方法，使用从起飞地面滑行观测到的数据来确定 TOW 的平均估计值和相关的置信区间。选择预测变量时要同时考虑它们的易用性和底层飞机动力学。模型开发和验证是使用飞行数据记录器档案进行的，该档案还提供地面真实数据。发现所提出的模型的平均 TOW 误差为 3%，平均适用于八种不同类型的飞机，比飞机噪声和性能 (ANP) 数据库中的模型误差小近 50%。与仅提供 TOW 点估计的 ANP 数据库相比，GPR 模型通过提供概率分布来量化估计中的不确定性。最后，开发的模型用于估计飞机上升过程中的燃油流量。GPR 模型估计的 TOW 用作燃油流量估计的输入。与确定性 ANP 模型或不使用 TOW 作为明确输入的模型相比，所提出的 TOW 统计模型能够更好地量化燃油流量的不确定性。索引术语 — 统计建模；起飞重量 (TOW)；燃油流量；飞行数据记录器 (FDR)；起飞地面滑行
大脑年龄预测：使用基于区域和体素的形态学数据
图1基于区域和体素的SVR，RVR和GPR模型的MAE具有或没有PCA的GPR模型，训练集大小与机会水平相比（7.5岁；黑色虚线）。显示了CV（站点1）和独立测试集（站点2; Blue Line）中的训练（红线）和测试集（绿线）中的性能（绿线）。使用Bootstrap分析计算了不同数据集的置信区间（阴影区域）。请注意，自举训练样本被选择为年龄和性别的年龄和性别，大小增加，最少有一个男人和一个女性，最多一个男性，最多有20名男性和20名女性。对于带有PCA的基于体素的模型，无法评估具有<150个受试者的数据集，因为PCA算法比主要组件需要更多的样本。此外，由于有限的时间和计算资源
PEO 航空模块化开放系统方法 (MOSA)
• VLC 网站将托管“ACWG”和“CRADA 努力”页面 • 不再有安全站点！万岁！ • 单一位置访问最新 USG 发布的信息 - CSM - 草案/正式架构发布 - 可发布的实施指南 - 可发布的 TDP，即 GPR 或无限权利 - BLOG 信息/MOSA TO/ACWG 更新/公告
一般地质和地质研究（域A）
一般地质和地质研究（域A）[注：以下给出的示例仅是描述性的，不是包含全包的项目列表] A-1。地球系统和过程A-1.1地球历史A-1.2地球系统（例如地球，水圈，大气层，生物圈）A-1.3地质周期和过程（例如，岩石类型，板块构造）A-1.4的水平周期和过程（例如，蒸发，蒸发，降水量，质量源）（E. GEORNES ACERES和CYC，E.平衡）A-1.7碳循环A-2。地质信息的来源A-2.1政府机构（例如USGS，USDA，NRCS，州地质调查）A-2.2科学文献（例如，经过同行评审的出版物，地质实地考察出版物，地质实地考察出版物，研究生论文）A-3。地质和地球物理工具，技术和解释A-3.1地下调查（例如，钻孔，岩石芯，土壤采样）A-3.2岩石和土壤日志记录以及描述A-3.3表面和井眼地球物理学（例如，地震反射/反射/反射，电阻，gpr，gpr，gpr，televiever，televiewer）。字段注释，文档和记录保存A-5。全局定位，坐标系统和基准A-5.1坐标系统和基准（例如类型和应用程序）A-5.2全局定位系统（GPS）A-5.3测量精度和精度A-6。比例尺和比例分析A-6.1量表类型，应用和分析A-6.2水平和垂直尺度和关系（例如垂直夸张）A-7。遥感，图像分析和地理信息系统A-8.1航空影像和摄影测量A-8.2遥感（例如，红外，雷达图像，卫星图像以及光检测和范围（LIDAR））表面和地下映射和地图应用A-7.1地形图，斜率和配置文件A-7.2地质图，符号和应用A-7.3罢工和倾斜，显而易见，厚度和深度A-7.4 ISOPACH和ISOPACH和ISOCOCOCOCTACH和ISOCOCOCTECTRATION MAPE MAPS A-8。
MINEHOUNDTM VMR3 双传感器地雷探测器（用于 EOD）...
MINEHOUND TM VMR3 使用简单，可为操作员提供清晰的音频信号，以提醒潜在地雷威胁的存在。当发现威胁时，MD 音频提供准确的位置信息和金属质量指示。GPR 音频提供额外的位置和深度信息，并识别目标的雷达横截面。两个探测器可以单独或一起使用。
基于被动射频信号强度分布的三维室内定位
摘要 — 近年来，室内定位系统 (IPS) 受到了机器人、导航、人机交互等许多研究领域的关注。然而，基于无源射频 (PRF) 技术的 IPS 仍然很少见。本文提出了一种基于接收信号强度 (RSS) 分布和高斯过程回归 (GPR) 的三维 (3D) IPS。传统的基于 RSS 的定位系统具有已知频率的发射器，而在提出的 PRf 机会信号 - 3D IPS (PRO-3DIPS) 中，系统既不部署新的发射器，也不使用任何发射器的先验知识。此外，PRO-3DIPS 集成了多个机会信号 (SoOP) 源、阴影、衰落，还可以捕获场景特征。在 3D 空间中基于 PRF 的 RSS 分布的数据收集和分析实现了 3D 定位功能。应用并比较了三种方法，以找到受场景影响最大的频带，以实现最佳定位性能，并用于估计 RSS 分布。 RSS 分布是通过在场景中测量固定网格上的 PRF 频谱来估计的。利用 RSS 分布，GPR 可以精确定位接收器位置。在实验场景中收集了 90 个网格位置的 RSS，每个位置有 100 个样本。实验结果表明，当
基因组生物学和技术的进展
4 月 14 日星期日 转机 下午 1 点至晚上 8 点 菲尼克斯天港国际机场 (PHX) 上午 7:00 至晚上 7:00 AGBT 会议注册 Akimel 休息室 下午 4:00 至下午 6:00 农场动物基因组学研究的未来 Sergey Koren，NIH，Fiona McCarthy，Darren Hagen，Juan Steibel 和 Angelica Van Goor Akimel 宴会厅 4 晚上 7:00 至晚上 9:00 跨越 T2T 终点线 Sergey Koren，副研究员，NIH/NHGR 基因组信息学部门 Arang Rhie，研究员，NIH/NHGR 基因组信息学部门 Akimel 宴会厅 4 4 月 15 日星期一 科学计划 上午 6:30 至上午 7:30 与 AGBT 一起起床和闪耀 - 可选活动 在接待处集合 上午 7:30 至晚上 7:00 会议注册 / 接待处 Akimel 休息室上午 7:30 - 9:00 早餐 Akimel Patio & Mesquite Terrace 上午 9:00 - 9:10 开幕致辞，（Sarah Hearne，CIMMYT 遗传资源项目主任（GPR），兼 AGBT 农业科学组织委员会联合主席） Komatke 宴会厅 全体会议 l：全球农业面临的机遇与挑战，（Sarah Hearne，CIMMYT 遗传资源项目主任（GPR），兼 AGBT 农业科学组织委员会联合主席） 上午 9:10 - 9:40 Ben Hayes，昆士兰农业与食品创新联盟，昆士兰大学动物科学中心主任“染色体片段堆叠以创造最终的作物和牲畜基因型” 上午 9:40 - 10:10 Damaris Odeny，国际半干旱热带作物研究所（ICRISAT），首席科学家
根据...预测土壤有机质和土壤水分含量
适当的土壤管理可以维持和改善整个生态系统的健康。适当的土壤管理需要对其特性进行适当的表征，包括土壤有机质 (SOM) 和土壤水分含量 (SMC)。与传统方法相比，基于图像的土壤表征显示出强大的潜力。本研究比较了 22 种不同的监督回归和机器学习算法的性能，包括支持向量机 (SVM)、高斯过程回归 (GPR) 模型、树集合和人工神经网络 (ANN)，在实验室环境下用数码相机拍摄的土壤图像中预测 SOM 和 SMC。共提取了 22 个图像参数，并分两步用作模型中的预测变量。首先使用所有 22 个提取的特征开发模型，然后使用 SOM 和 SMC 的六个最佳特征子集。饱和度指数（红色指数）是 SOM 预测的最重要变量，对比度（中位数 S）是 SMC 预测的最重要变量。颜色和纹理参数与 SOM 和 SMC 都表现出高度相关性。结果显示，对于使用六个预测变量的验证数据集，图像参数与实验室测量的 SOM（使用立体派的 R 2 和均方根误差 (RMSE) 分别为 0.74 和 9.80%）和 SMC（使用随机森林的 R 2 和 RMSE 分别为 0.86 和 8.79%）之间存在令人满意的一致性。总体而言，GPR 模型和树模型（立体派、RF 和增强树）最能捕捉和解释本研究中 SOM、SMC 和图像参数之间的非线性关系。
