XiaoMi-AI文件搜索系统
World File Search Systemlters
跟踪与 3D 中高度机动目标相关的 Frenet-Serret 框架
在雷达应用中，轨道维护是该过程的一个重要组成部分。从数学上讲，它可以归结为一个滤波问题，即必须从嘈杂的位置测量中滤除飞机的当前位置、速度以及可能的高阶导数。我们将此问题简称为“目标跟踪”。当飞机机动时，由于运动的不可预测性，该问题很难解决。在过去的四十年中，这一领域一直是广泛研究的对象，参见 [1]。跟踪的主要自由度是 1- 描述目标运动的动力学模型，以及 2- 使用的（统计）滤波器。对于动力学模型，有很多可能性，但线性模型通常用于工业应用，最著名的是 Singer 模型 [2]。对于滤波器，一种简单的稳健解决方案是 Castella 的噪声过程自适应卡尔曼滤波器 [3]。更现代的方法包括粒子滤波器 [4] 和用于跟踪的参考滤波器，即交互多模型 (IMM) 滤波器，参见 [1]。后者滤波器基于各种模型并行运行 (扩展) 卡尔曼滤波器组，并通过评估测量输出的可能性来评估每个模型的权重。这可以适应单个雷达可能面临的各种类型的目标和机动性程度。学术界现在主要转向多目标跟踪的挑战，并在视频中进行联合应用，参见 [5]。如今，雷达防空行业面临着新的挑战，目标的机动性越来越强。一些目标的速度可以达到 7 马赫，加速度为 15 g。通过运动模型注入一些结构的方法
基于 TSV 的发夹带通滤波器，适用于 6G 移动...
摘要 针对第六代（6G）移动通信应用，提出了三种新型五阶超紧凑发夹带通滤波器。发夹单元的臂采用三维集成技术（TSV）实现，部分发夹单元由四个臂组成。本文介绍了这三种滤波器的设计方法，并通过基于有限元法的工业级仿真器HFSS验证了滤波特性。结果表明:所设计的三个滤波器的中心频率分别为0.405 THz、0.3915 THz、0.3955 THz,带宽分别为0.1 THz、0.077 THz、0.063 THz,插入损耗为2.0 dB,回波损耗分别为12.4 dB、13.4 dB、14 dB。所设计的三个滤波器的尺寸均为0.284×0.0325 mm2(1.29×0.148λg2)。关键词:第六代(6G)移动通信、太赫兹(THz)频段、发夹带通滤波器、硅通孔(TSV)分类:电子器件、电路和模块(硅、化合物半导体、有机和新材料)
使用多输入ddtas
摘要：本文使用差异差异放大器（DDTAS）提出了一种通用的第一阶类似物过滤器。DDTA采用了在亚阈值区域运行的批量驱动（BD）多输入的MOS MOS驱动技术（MI-MIST）。这会导致低压和低功率操作能力。因此，DDTA在Cadence环境中使用UMC的130 nm CMOS技术设计，其运行速度为0.3 V，并且消耗了357.4 NW。与先前的作品不同，所提出的通用前类似物过滤器提供了单个拓扑内的低通，高通和全通滤波器的第一阶传输函数。所有滤波器都可以使用转移功能的非反转，反转和电压增益。此外，提出的结构提供了高输入和低输出阻抗，这是电压模式电路所需的。可以通过电子控制滤波器的极频率和电压增益。低通量过滤器的总谐波失真计算为-39.97 dB，施加的正弦波输入信号为50 mV pp @ 50 Hz。所提出的过滤器已用于实现正交振荡器，以确保新结构的优势。
基于启发式的深度神经网络自动修剪
摘要 深度神经网络 (deep NN) 的性能取决于大量需要训练的权重参数，这是一个计算瓶颈。更深层次的架构日益增长的趋势对资源受限设备上的训练和推理方案造成了限制。剪枝是去除深度 NN 中不重要的参数并使其更容易在资源受限的设备上部署以供实际应用的重要方法。在本文中，我们提出了一种基于启发式的新型滤波器剪枝方法来自动识别和剪枝不重要的滤波器，并加快资源有限设备上的推理过程。不重要的滤波器的选择由一种新颖的剪枝估计器 (c) 进行。所提出的方法在各种卷积架构 AlexNet、VGG16、ResNet34 和数据集 CIFAR10、CIFAR100 和 ImageNet 上进行了测试。在大规模 ImageNet 数据集上的实验结果表明，VGG16 的 FLOP 可降低高达 77.47%，实现 5 倍推理加速。与其他最先进方法相比，更流行的 ResNet34 模型的 FLOP 降低了 41.94%，同时保持了具有竞争力的性能。
基于钠的凹入式墨膜，用于通过模板旋转的sodoophic -glass
光学过滤器引起了高级光子仪器和现代数字显示器的巨大兴奋，因为它们的光谱操纵能力具有灵活性。等离子带宽，高光谱对比度和健壮的结构耐受性的等离子元面是光学效果（尤其是在可见的状态），但由于内在的欧姆损失和设计/制造偏差而宽阔的光谱扩大。此处，通过空间脱钩的凹面表面的独特结构设计，通过液体金属的模板固定效率来证明，通过在450至750 nm的光学结构设计中，证明了高性能的跨质面积。由于明显地抑制了金属损失以及界面结构的制造耐受性，因此，经过准备的凹面偏移可以使最小线宽约为15 nm，最大的光学对比度为≈93％，高度衡量的光谱匹配比率高度高度匹配比率≈1500。这些结果在第一次将基于钠的等离子设备的运行波长从红外线推向可见的运行波长，这反过来又表明了迄今为止填写商业介电光学过滤器空白的能力。
用于单次试验识别运动相关皮质电位的非线性自适应时空滤波器
摘要：动作的执行或想象由皮质电位反映，可通过脑电图 (EEG) 记录为运动相关皮质电位 (MRCP)。从单次试验中识别 MRCP 是实现脑机接口 (BCI) 自然控制的一项具有挑战性的可能性。我们提出了一种基于最佳非线性滤波器的 MRCP 检测新方法，处理包括延迟样本在内的不同 EEG 通道（获得时空滤波器）。通过改变时间滤波器的顺序和输入数据的非线性处理，可以获得不同的输出。这些滤波器的分类性能通过对训练集进行交叉验证来评估，选择最佳滤波器（适应用户）并从最佳三个滤波器中进行多数投票，以使用测试数据获得输出。将该方法与我们团队最近推出的另一种最先进的滤波器进行比较，该滤波器应用于 16 名健康受试者记录的 EEG 数据，这些受试者执行或想象 50 次自定步调的上肢手掌抓握。新方法对整个数据集的平均准确率为 80%，明显优于之前的滤波器（即 63%）。对于具有异步、自定步调应用程序的在线 BCI 系统设计，它是可行的。
基于SSVEP的BCIS
摘要 - 稳定的视觉诱发电位（SSVEP）基于脑部计算机界面（BCIS），由于其快速通信速率和高信噪比，近年来已经大量研究了基本的研究。传输学习通常用于通过来自源域的辅助数据来提高基于SSVEP的BCI的性能。这项研究提出了一种通过转移模板和转移的空间过滤器来增强SSVEP识别性能的间接转移学习方法。在我们的方法中，通过多个协方差最大化训练空间过滤器，以提取与SSVEP相关的信息。培训试验，单个模板和人工构造的参考之间的关系涉及培训过程。将空间过滤器应用于上述模板以形成两个新的传输模板，并通过最小平方的回归获得了传输的空间滤波器。可以根据源主题和目标受试者之间的距离来计算不同源主题的贡献得分。最后，为SSVEP检测构建了四维特征向量。为了证明所提出的方法的有效性，采用了公开可用的数据集和一个自收集的数据集进行绩效评估。广泛的实验结果验证了提出的改善SSVEP检测方法的可行性。
David BombaraDavid Bombara
·进行了有关低地球轨道（LEO）资格和测试的文献，包括原位评估任务和模拟LEO环境。·开发了一种用于使用线性可变滤波器和红外摄像机对相位更改可调节滤波器进行自动实时表征的系统，用于广泛的中波红外红外成像·技能：MATLAB，C/C ++，C/C ++，电路，电路的拟合，科学撰写。·参考：Hyun Jung Kim，博士，hyunjung.kim@nasa.gov
高效、敏捷地开发设备上的 AI 系统
摘要 —我们提出了 NNStreamer，这是一个将神经网络作为流管道过滤器来处理的软件系统，将流处理范式应用于深度神经网络应用。随着深度神经网络应用的广泛传播，设备上的 AI 也成为一种新趋势。它是在移动设备或边缘/物联网设备而不是云服务器上处理神经网络。新出现的隐私问题、数据传输成本和运营成本意味着对设备上 AI 的需求，特别是在我们部署大量设备的情况下。NNStreamer 可以有效地处理设备上具有复杂数据流管道的神经网络，以最小的努力显著提高整体性能。此外，NNStreamer 简化了实现并允许直接重用现成的媒体过滤器，从而大大降低了开发成本。我们已经在包括 Galaxy 系列和各种消费电子设备在内的各种产品和平台上部署了 NNStreamer。实验结果表明，管道架构和 NNStreamer 的开发成本降低，性能增强。它是由 Linux Foundation AI 孵化的开源项目，可供公众使用，适用于各种硬件和软件平台。索引术语 — 神经网络、设备上 AI、流处理、管道和过滤器架构、开源软件
基于深钢筋学习的细分驱动图像增强
摘要。大型模型的兴起，通常称为基础模型，导致了人工智能研究领域的巨大进步。我们的经验发现表明，在特定表面分割挑战方面，大型模型可能会挣扎或表现不佳，包括识别和在条形钢表面上的缺陷（s 3 d）以及磁性瓷砖表面上不完美的情况检测。将大型模型应用于缺陷分割，而不是对大型模型进行填充，我们建议使用几种经典滤器来增强输入图像，提出了segrive demage d riven d riven d riven-d riven d riven-d riven。在这种情况下，多层中的过滤器的权重通过增强学习控制。然后，我们在具有不同少量设置的两个S 3 D数据集上测试我们的方法。我们的方法与S 3 D（例如CPANET）的其他方法相比，完成了任务。我们认为，我们的工作不仅为下游任务打开了机会，例如分割大型模型的工业缺陷，而且可能在将来在各种领域中都有潜在的应用，包括医疗图像处理，远程感应图像分析，农业等。