摘要:情绪识别对于理解人类情感状态具有重要意义,具有多种应用。脑电图 (EEG) 是一种捕捉大脑活动的非侵入性神经成像技术,在情绪识别方面引起了广泛关注。然而,现有的基于 EEG 的情绪识别系统仅限于特定的感觉模式,阻碍了它们的适用性。我们的研究创新了 EEG 情绪识别,提供了一个全面的框架来克服感觉聚焦限制和跨感觉挑战。我们使用多模态情绪模拟(三种感觉模式:音频/视觉/视听,两种情绪状态:愉悦或不愉悦)收集跨感觉情绪 EEG 数据。所提出的框架——滤波器组对抗域自适应黎曼方法 (FBADR)——利用滤波器组技术和黎曼切线空间方法从跨感觉 EEG 数据中提取特征。与黎曼方法相比,滤波器组和对抗域自适应可以分别提高 13.68% 和 8.36% 的平均准确率。分类结果的比较分析证明,所提出的 FBADR 框架实现了最先进的跨感官情感识别性能,平均准确率达到 89.01% ± 5.06%。此外,所提出方法的稳健性可以确保在信噪比 (SNR) ≥ 1 dB 下具有较高的跨感官识别性能。总的来说,我们的研究为基于 EEG 的情感识别领域做出了贡献,提供了一个全面的框架,克服了感官导向方法的局限性,并成功解决了跨感官情况的困难。
摘要:锂离子电池在线监视由于其内部状态的不可衡量的特征而具有挑战性。到目前为止,电池监视的最有效方法是基于等效电路模型应用高级估计算法。此外,一种估计缓慢变化的不可估计的参数的通常方法是将它们包括在零时间导数条件下,构成所谓的扩展等效电路模型,并已广泛用于电池状态和参数估计。尽管将各种高级估计算法应用于联合估计和双重估计框架,但这些估计框架的本质尚未更改。因此,电池监视结果的改进有限。因此,本文提出了一种新的电池监视结构。首先,由于叠加原则,提取了两个子模型。对于非线性,进行了可观察性分析。表明,局部可观察性的必要条件取决于电池电流,电池容量的初始值以及相对于充电状态的开路电压的衍生物平方。然后,获得的可观察性分析结果成为提出新的监测结构的重要理论支持。选择并使用常用的估计算法,即卡尔曼过滤器,扩展的卡尔曼过滤器和无香的卡尔曼过滤器。使用合成数据的数值研究已证明了所提出的框架的有效性。使用合成数据的数值研究已证明了所提出的框架的有效性。除了提供电池开路电压的同时估算外,电池容量估计更快,更易用的电池容量估计是新提出的监测结构的主要优势。
(IC50) 值是从欧洲化学分子生物学实验室 (CHEMBL) 数据库中检索到的。18 下载数据后,我们过滤掉缺少 IC50 值的 SMILES 条目,只保留以纳摩尔 (nM) 为单位测量的生物活性条目,并删除重复的分子,得到 744 个数据点。由于 IC50 值的尺度各不相同,它们被转换成相应的负对数,称为 pIC50 值。此阶段使用 P zer 规则,也称为 Lipinski 五规则 (RO5),根据药物相似性过滤数据。19,20 满足大多数 Ro5 参数并不能确保化合物会成为药物;它仅表示药物相似性并有助于在临床前阶段淘汰较弱的化合物。我们使用应用 RO5 过滤器后剩余的 659 个数据点来训练模型。图 2 显示了数据集中 RO5 域内或域外的化合物的蜘蛛图。
碳化硅因其色心缺陷的长自旋相干性和单光子发射特性而成为领先的量子信息材料平台之一。碳化硅在量子网络、计算和传感中的应用依赖于将色心发射有效收集到单一光学模式中。该平台的最新硬件开发专注于角度蚀刻工艺,以保留发射器特性并产生三角形设备。然而,人们对这种几何结构中的光传播知之甚少。我们探索了三角形横截面结构中光子带隙的形成,这可以作为开发碳化硅中高效量子纳米光子硬件的指导原则。此外,我们提出了三个领域的应用:TE 通滤波器、TM 通滤波器和高反射光子晶体镜,可用于高效收集和传播光发射模式选择。
摘要:在过去的十年中,包括5G在内的Modern电信技术的扩散以及广泛采用The Internet(IoT)导致了数据生成和传播的前所未有的激增。这次激增创造了对高级信号处理能力的不断升级需求。微波处理(MWP)处理器提供了一种有希望的解决方案,以满足资本对高带宽和低潜伏期对光学系统可实现的史无前例的数据处理需求。在这项工作中,我们引入了使用Ele-thickimony的全光RF过滤的集成MWP处理单元。我们利用了锑的结晶动力学来证明光子泄漏的积分器,该积分器被认为是作为一阶低通量过滤器,带宽为300 kHz,超紧凑型足迹为16×16μm2。我们通过实验证明了这种过滤器作为包膜检测器的实现,以解调振幅调节信号。最后,提出了有关实现带宽可调性的讨论。
抗生素灵敏度盘是进行抗菌易感性测试的必不可少的工具。这些光盘是通过浸入特殊选择的过滤纸的精心制作的,该纸张遵循WHO,FDA和CLSI设定的严格标准的抗菌溶液。浸渍过程可确保溶液在纸张上的准确和均匀应用。
摘要 — 无人机的视觉对于无人机相关应用(例如搜索和救援、在移动平台上着陆等)非常重要。在本工作中,我们开发了无人机在移动平台上着陆以及复杂环境中无人机物体检测和跟踪的集成系统。首先,我们提出了一种基于 LoG 的鲁棒深度神经网络进行物体检测和跟踪,与典型的基于深度网络的方法相比,它在对物体尺度和光照的鲁棒性方面具有很大的优势。然后,我们还在原有的卡尔曼滤波器的基础上进行了改进,并设计了一个基于迭代多模型的滤波器来解决运动估计实际情况下未知动态的问题。接下来,我们实现了整个系统,并在两种复杂情况下进行了基于 ROS Gazebo 的测试,以验证我们设计的有效性。最后,我们将提出的检测、跟踪和运动估计策略部署到实际应用中,以实现无人机对支柱的跟踪和避障。事实证明,我们的系统在实际应用中表现出很高的准确性和稳健性。
摘要 — 本文使用来自自动识别系统 (AIS) 的实时数据和扩展卡尔曼滤波器 (EKF) 设计来解决船舶运动估计问题。AIS 数据从全球船舶传输,甚高频 (VHF) AIS 接收器以美国国家海洋电子协会 (NMEA) 指定的格式接收信号作为编码的 ASCII 字符。因此,必须使用解析器解码 AIS 语句以获得实时船舶位置、航向和速度测量值。状态估计用于碰撞检测和实时可视化,这是现代决策支持系统的重要特征。使用来自挪威特隆赫姆港的实时 AIS 数据验证了 EKF,并证明估计器可以实时跟踪船舶。还证明了 EKF 可以预测船舶的未来运动,并在防撞场景中分析了不同的规避动作。索引术语 — 卡尔曼滤波器、状态估计、运动预测、碰撞检测、无人水面航行器、船舶