摘要:高度椭圆形轨道(HEO)中的航天器的形成(SFF)引起了很多关注,因为在太空探索中的许多应用中,同时精确的指导导航和控制(GNC)技术(尤其是精确的范围)为此类SFF任务提供了成功的基础。在本文中,我们介绍了一种新颖的K带微波炉(MWR)设备,该设备旨在在未来的HEO SFF任务中对亚毫米级的精确范围技术的轨道验证。范围技术是一种同步的双单向范围(DOWR)微波相蓄积系统,在实验室环境中实现了数十微米的范围精度。提供了MWR设备的详细设计和开发过程,并分析了范围的错误源,并考虑了实际的扰动,为HEO形成场景提供了相对的轨道动态模型。此外,引入了一种自适应卡尔曼过滤算法,用于SFF相对导航设计,并结合了过程噪声不确定性。在使用MWR时,SFF相对导航的性能在高精度六个自由度(6-DOF)移动平台的硬件(HIL)模拟系统中测试。使用自适应过滤器的MWR的最终范围估计误差小于35 µm m,范围率为8.5 µm/s,这证明了未来HEO形成任务应用程序的有希望的准确性。
摘要。周围空气的湿度一直是聚合物底压接充电的主要因素。在气候测试室对尺寸(110 mm x 110 mm x 110 mm x 4.5 mm)的铝(AL)样品(100 mm x 100 mm x 15 mm x 15 mm x 15 mm x 5 mm x 5 mm)的样品擦除的气候测试室和聚乙烯基氯化物(PV)(PVC)板进行了一项研究。在固定温度(25°C)和三种不同的空气相对湿度(20%,40%和80%)的情况下,将样品至少在气候测试室中至少12小时,然后在三层式充电测试台上一起摩擦。然后将支流PP和PVC样品放在静电探头下,以测量样品表面产生的电势。实验的结果表明,当两个聚合物暴露于低环境湿度时,底环的符号会逆转。
13. 摘要(最多 200 个字)无人机系统 (UAS) 的普及加剧了恶意行为者利用该技术进行恶作剧或伤害的不对称威胁。现有的地面解决方案受到视线的限制,而人工操作的响应无人机响应速度较慢且劳动强度较大。因此,需要具备基于视觉的自主追击和拦截未经授权的无人机的能力。为了解决这个问题,作者开发了一种计算机视觉 (CV) 算法,用于在现场条件下检测、跟踪和估计悬停和移动的空中小型 UAS 目标的相对位置和范围。将基于 CV 的测量结果与 GPS 数据进行比较,以评估 CV 算法的范围和角度估计性能。然后,飞行控制算法利用简单的角度制导原理处理 CV 估计的范围和角度信息以追击和拦截目标。使用原型无人机对该算法进行了现场测试。这项研究将为商用现货反无人机能力的概念设计和硬件实现选择提供参考。更广泛地说,这项研究为自主物体跟踪应用的知识体系做出了贡献。
本文介绍了一种新型编队飞行任务 Cal X-1 的相对导航和卫星间指向的误差预算。尽管进行了广泛的地面校准活动,但轨道 X 射线天文台的交叉比较表明,测量的天体源通量存在超过 10% 的系统性差异。Cal X-1 任务将通过使用一对编队飞行的 SmallSat 建立在轨 X 射线通量标准来解决这一问题。第一艘航天器将搭载一台 X 射线望远镜,而第二艘航天器将搭载一个绝对校准的 X 射线源。任务设计需要精确的卫星间指向,但由于尺寸、重量、功率和成本方面的限制,无法使用专用硬件。本文试图证明通过先进的相对导航技术可以满足具有挑战性的卫星间指向要求。高保真模拟展示了合适的相对导航系统的性能。接下来,开发一个数学模型,该模型考虑了相对导航、姿态确定和航天器结构组装引起的误差,以便计算指向知识误差。通过将该指向知识误差与 Cal X-1 任务的要求进行比较,证明了所提出的卫星间指向方法的可行性。
摘要 — 在本文中,提出了一种自动识别心理工作量相对变化的新解决方案。使用可穿戴传感器收集 26 名人类受试者在执行三个难度级别 n ∈{1, 2, 3} 的 n-back 任务时的 EEG、EDA、PPG 和眼动追踪数据。目标是通过将当前信号窗口与前一个信号窗口进行比较来识别心理工作量是增加、减少还是稳定。所提出的三类分类器主要使用 CNN 层和新颖的合并层,该合并层系统地捕获两个检查窗口的局部段之间的相互作用。事实上,它受到了基于 Transformer 和 CNN 的网络在时间序列分类方面的竞争成功的启发。在所提出的解决方案利用了 CNN 网络的效率的同时,由于提出了合并层,它还与 Transformer 类似,具有捕获序列局部事件之间相互作用的能力。在准确性方面,实验结果表明,在眼球方向、PPG 和 EEG 数据上,所提出的解决方案优于经典 CNN、BiLSTM 和 transformer 网络,而在眼球瞳孔直径和 EDA 数据上,其性能与 transformer 网络相当。实验结果显示,每个时期的平均训练时间明显小于 transformer 和 BiLSTM 网络。索引术语——心理工作量 (MWL)、深度神经网络 (DNN)、时间序列分类 (TSC)、眼动追踪、光电容积图 (PPG)、脑电图 (EEG)、皮肤电活动 (EDA)、n-back 任务、transformer 神经网络、卷积神经网络 (CNN)。
摘要:加强学习的最新进步使得培养足球代理人,以模仿人类球员的行为。但是,现有方法成功复制现实的玩家行为仍然具有挑战性。实际上,代理商表现出诸如在球周围聚集或过早射击之类的行为。此问题的一个原因在于奖励功能总是为某些行动分配巨大的奖励,例如得分目标,无论情况如何,这种情况都会使代理人偏向高奖励行动。在这项研究中,我们将相对位置奖励和拍摄的位置重量纳入用于增强学习的奖励功能中。相对位置奖励,源自球员,球和目标的位置,是使用逆强化学习在真正的足球游戏数据集中估算的。拍摄的位置重量类似地基于这些游戏中观察到的实际射击位置。通过在真正的足球游戏中获得的数据集中进行实验,我们证明了相对位置奖励有助于使代理商的行为与人类玩家的行为更加紧密地保持一致。
摘要。亚细胞细胞器(植物)的DNA矩阵的拷贝数可以作为光合作用和氧化磷酸化过程的强度的指标。我们评估了三种葡萄品种的年轻和成熟叶子中线粒体和叶绿体DNA的相对拷贝数(RCN):“ Traminer Pink”,“ Chardonnay”和“ Syrah”和“ Syrah”,在田间条件下生长。叶样品(5-10 mg),以进行随后的总DNA提取。使用LightCycler 480 SYBR Green I Master Mix(Lifescience,Roche)和LightCycler 96自动分析仪(Roche Life Science)进行QRT-PCR反应。使用GAPDH基因(染色体DNA)确定NAD1基因(线粒体DNA)和RPS16基因(叶绿体DNA)的相对拷贝数。使用2 -∆ CT 2- ∆ΔCT算法进行定量评估。已经确定,叶绿体和线粒体DNA的相对拷贝数(RCN)值变化,并取决于葡萄的品种和叶片成熟度。RCN在成熟的葡萄叶中的光合作用强度和成熟葡萄叶片的氧化磷酸化强度更高。在评估宏观能力平衡(MEB)指标时,可以得出结论,通过光合作用过程在叶绿体中获得的能量的2%至4%用于生产年轻叶子和成熟叶片中各种葡萄品种的线粒体中的宏观能。我们开发的实验方案可以成功用作测试系统,以评估各种葡萄品种的潜在产量。
摘要 目的 确定青少年和青年男性运动员临床样本中低能量可用性 (EA) 替代指标与运动相对能量缺乏 (RED) 的预期健康和表现结果之间的关联。方法 邀请到两家三级医疗中心的运动医学诊所就诊的 15-30 岁男性运动员完成一份关于运动员健康和福祉的调查。根据调查回复,将参与者分为低 EA 组和充足 EA 组。使用 χ2 检验评估低 EA 和 RED 结果之间的关联,并使用二项逻辑回归计算 OR(显著性:p<0.05)。结果 低 EA 与自我报告的免疫、代谢、心理、心血管和胃肠道功能障碍的频率增加有关;耐力表现、训练反应、判断、协调和肌肉力量下降;以及易怒和抑郁增加。与 EA 充足的运动员相比,EA 较低的运动员更有可能出现自我报告的心血管功能障碍(OR 2.87,95% CI 1.56 至 5.26)和心理疾病(OR 3.23,95% CI 1.91 至 5.41),训练反应下降(OR 2.64,95% CI 1.38 至 5.03)和耐力表现下降(OR 2.26,95% CI 1.13 至 4.52),并且不太可能出现自我报告的性腺功能障碍(OR 0.49,95% CI 0.30 至 0.81)(p<0.05)。结论 低 EA 替代指标与男性运动员 RED 的许多不良健康结果和表现影响有关。需要对男性进行更多的前瞻性 RED 研究,以改进年轻男性运动员 RED 筛查的各个方面。
人们担心流感疫苗的有效性 (VE) 可能会因在生产过程中在鸡蛋中传代而减弱。我们比较了四价细胞培养疫苗与鸡蛋疫苗(其中大多数是三价的)在 2017-2018 年针对甲型流感和乙型流感的效果,当时 A (H3N2) 和 B/Yamagata(仅存在于四价疫苗中)占主导地位。我们回顾性研究了 4-64 岁北加州凯撒永久居民感染 PCR 确诊的甲型流感和乙型流感的风险。我们估计了细胞培养疫苗与鸡蛋疫苗的相对 VE (rVE),以及每种疫苗在接种疫苗和未接种疫苗个体之间的绝对 VE (aVE)。分析使用了带有日历时间线的 Cox 回归,按出生年份分层,并根据人口统计学、合并症和利用率进行了调整。三分之一(1,016,965/3,053,248)的人口接种了疫苗;932,545 人(占接种人数的 91.7%)接种了鸡蛋疫苗,84,420 人(占接种人数的 8.3%)接种了细胞培养疫苗。针对甲型流感的 rVE 为 8.0%(95% CI:-10, 23);细胞培养疫苗的 aVE 为 31.7%(CI:18.7, 42.6),鸡蛋疫苗的 aVE 为 20.1%(CI:14.5, 25.4)。针对乙型流感的 rVE 为 39.6%(CI:27.9, 49.3);细胞培养疫苗的 aVE 为 40.9%(CI:30,50.1),而鸡蛋基三价疫苗的 aVE 为 9.7%(CI 3.5,15.6)。在四价细胞疫苗中加入 B/Yamagata 谱系可更好地预防乙型流感,但细胞培养疫苗和鸡蛋基疫苗对甲型流感的疫苗效力都很低。改进流感疫苗需要持续进行疫苗效力比较监测。