XiaoMi-AI文件搜索系统
World File Search System光谱带
美国宇航局的自主模块化扫描仪 (AMS) – 野火传感器
美国宇航局的自主模块化扫描仪 (AMS) – 野火传感器：从机载平台改进野火观测 V. Ambrosia a, *, J. Myers b , E. Hildum b a 加州州立大学 - 蒙特利湾 / 美国宇航局艾姆斯研究中心，美国加利福尼亚州莫菲特菲尔德 - vincent.g.ambrosia@nasa.gov b 大学附属研究中心 (UARC)，美国宇航局艾姆斯研究中心，美国加利福尼亚州莫菲特菲尔德。– jeffrey.s.myers@nasa.gov, edward.a.hildum@nasa.gov 摘要 - 美国宇航局自主模块化扫描仪 (AMS) – 野火传感器是一种机载 16 波段线扫描仪，其通道位于 VIS-IR-MIR-TIR 光谱区域。四个 AMS 热通道复制了两个拟议的 NPOESS VIIRS 通道的光谱带通区域，并可以更好地辨别野火情况。AMS 已在一系列有人驾驶和无人驾驶飞机上运行，包括 NASA Ikhana UAS。机载处理器允许从光谱数据中获取近实时的 2 级产品，并通过卫星链路发送给地面调查人员。自 2006 年以来，AMS- Wildfire 仪器已在美国西部广泛飞行，为灾害管理人员提供实时火灾产品，这些产品可定义热点、活跃火灾、阴燃和火灾后情况。在 2007-2010 年的活动期间，AMS 通过在野火事件上同时收集 MODIS 数据来支持卫星校准和验证工作。这些测量提高了人们对卫星观测的理解，并重新将重点放在 AMS 传感器上，作为一种能够得出关键火灾参数的仪器，以便更好地推断野火的热特性。借助 AMS 仪器的高空间、时间和辐射测量能力，可以更好地辨别火灾特性。机载平台提供的“持续”能力允许对火灾特性进行时间观察，而不是卫星系统提供的单一观察。将重点介绍 AMS 的运营、成功的任务以及未来用于支持火灾科学界和灾害管理界的计划。1 关键词：NASA、AMS、UAS、野火、VIS-IR-MIR-TIR 1.简介 自主模块化扫描仪 (AMS) - WILDFIRE 传感器是一种多用途 NASA 设施传感器系统和模块化 UAS 系统，供科学和应用界使用。AMS 扫描仪由具有三个配置光学头的 Daedalus AADS-1268 扫描系统组成。该配置主要在 NASA ER-2 高空飞机平台上飞行。其中一种配置是专题制图模拟器 (TMS)，用于土地覆盖研究，也用于野火成像。新的 AMS 被重新配置为具有类似扫描头的全功能 UAS 兼容传感器 * 通讯作者。
美国宇航局的自主模块化扫描仪 (AMS) – 野火传感器
美国宇航局的自主模块化扫描仪 (AMS) – 野火传感器：从机载平台改进野火观测 V. Ambrosia a, *, J. Myers b , E. Hildum b a 加州州立大学 - 蒙特利湾 / 美国宇航局艾姆斯研究中心，美国加利福尼亚州莫菲特菲尔德 - vincent.g.ambrosia@nasa.gov b 大学附属研究中心 (UARC)，美国宇航局艾姆斯研究中心，美国加利福尼亚州莫菲特菲尔德。– jeffrey.s.myers@nasa.gov, edward.a.hildum@nasa.gov 摘要 - 美国宇航局自主模块化扫描仪 (AMS) – 野火传感器是一种机载 16 波段线扫描仪，其通道位于 VIS-IR-MIR-TIR 光谱区域。四个 AMS 热通道复制了两个拟议的 NPOESS VIIRS 通道的光谱带通区域，并可以更好地辨别野火情况。AMS 已在一系列有人驾驶和无人驾驶飞机上运行，包括 NASA Ikhana UAS。机载处理器允许从光谱数据中获取近实时的 2 级产品，并通过卫星链路发送给地面调查人员。自 2006 年以来，AMS- Wildfire 仪器已在美国西部广泛飞行，为灾害管理人员提供实时火灾产品，这些产品可定义热点、活跃火灾、阴燃和火灾后情况。在 2007-2010 年的活动期间，AMS 通过在野火事件上同时收集 MODIS 数据来支持卫星校准和验证工作。这些测量提高了人们对卫星观测的理解，并重新将重点放在 AMS 传感器上，作为一种能够得出关键火灾参数的仪器，以便更好地推断野火的热特性。借助 AMS 仪器的高空间、时间和辐射测量能力，可以更好地辨别火灾特性。机载平台提供的“持续”能力允许对火灾特性进行时间观察，而不是卫星系统提供的单一观察。将重点介绍 AMS 的运营、成功的任务以及未来用于支持火灾科学界和灾害管理界的计划。1 关键词：NASA、AMS、UAS、野火、VIS-IR-MIR-TIR 1.简介 自主模块化扫描仪 (AMS) - WILDFIRE 传感器是一种多用途 NASA 设施传感器系统和模块化 UAS 系统，供科学和应用界使用。AMS 扫描仪由具有三个配置光学头的 Daedalus AADS-1268 扫描系统组成。该配置主要在 NASA ER-2 高空飞机平台上飞行。其中一种配置是专题制图模拟器 (TMS)，用于土地覆盖研究，也用于野火成像。新的 AMS 被重新配置为具有类似扫描头的全功能 UAS 兼容传感器 * 通讯作者。
硅光子学
执行摘要 最新技术摘要 在过去 20 年中，硅光子学已成为光子集成电路 (PIC) 的一项极具吸引力的技术，因为它直接建立在硅纳米电子领域的极度成熟基础之上。因此，它开辟了一条通往非常先进的 PIC 的道路，具有非常高的产量和低成本。更准确地说，今天，硅光子 PIC 正在 200 毫米和 300 毫米 CMOS 代工厂中以纳米级精度和可重复性进行商业化生产，这从光子学的角度来看是前所未有的。基本技术利用绝缘体上硅 (SOI) 晶圆，其中埋氧层顶部的硅层充当连接芯片上器件的波导的核心。由于硅是导光材料，氧化硅是包层，该技术可以解决波长范围约为 1 至 4 m 的应用，从而包括以 1300nm、1550nm 和 1550(+)nm（分别为 O、C 和 L 波段）为中心的非常重要的光纤光谱带。硅光子学已经成为十多家公司（其中大部分是无晶圆厂公司）用于数据中心和电信网络中高数据速率收发器产品的首选技术。总的来说，他们向市场部署了估计数百万个硅光子收发器。大约有 20 个硅光子制造平台（部分为工业平台，部分为支持原型设计和小批量制造的研究机构平台）已经建立，这些平台基于现有基础设施和源自硅电子行业的专有技术（见附录 A1）。典型平台允许集成高速调制器和高速 Ge 探测器，符号率范围为 50 至 100 Gbaud，以及用于光束组合/分裂、波长选择功能、偏振选择功能和片外耦合的高级无源功能。一些平台允许其他功能，例如与高级电子设备的集成（单片或混合）、光源的集成（异构或混合）以及面向传感的功能（例如微流体）。大多数平台的运作方式类似于代工厂：任何最终用户都可以访问它们，无论是全掩模版/全晶圆批次 (FRFL) 模式还是成本分摊多项目晶圆 (MPW) 模式，其中最终用户可以提交部分掩模版的设计，并将收到几十个处理过的芯片而不是完整的晶圆。 FRFL 模式成本高昂（数十万欧元/美元），但每芯片成本较低（每芯片约 10 欧元/美元），而 MPW 模式每设计成本更实惠（数十万欧元/美元），但每芯片成本约 1000 欧元/美元。当扩展到更高产量（例如 1000 片晶圆）时，芯片成本可降至每芯片 1 欧元/美元以下，因为固定掩模和间接成本在整个批次中摊销。当代工厂基础设施的投资已经折旧或与其他用户共享时，较低的单芯片成本也会受益。芯片代工厂向其客户提供工艺设计套件 (PDK)。这些 PDK 详细说明了给定平台的设计规则，并包含基本组件和电路库。硅光子学 PDK 的成熟度尚未达到 CMOS IC 代工厂的水平。今天，硅光子学 PDK 仅包含非常基本的构建模块库，特别是对于 MPW 操作模式。未来的硅光子学 PDK 必须包含组件和电路的紧凑模型，其参数基于经过验证的测量数据，并考虑到晶圆之间和晶圆之间的工艺变化。
智能神经接口和传感系统
3瓦济港科学技术大学，武汉，中国的癫痫发作检测处理器已提议使用机器学习来检测患者的癫痫发作，以提高或刺激目的[1-4]。现有设计可以实现高精度，当可用于培训的大量癫痫发作数据。然而，与收集非赛式数据的收集不同，癫痫发作数据的收集要求患者需要进行时间耗时且昂贵的住院治疗，这在实践中很难。为了解决这个问题，[5]提出了一个零射击癫痫发作检测处理器，在没有患者进行重新训练的情况下达到了相对较高的精度（此处的零照片意味着零癫痫发作数据[5]）。取而代之的是，只需要从患者的2分钟的非Seizure数据来校准用在公共癫痫发作数据集中预先训练的神经网络（NN）提取的聚类特征。尽管这解决了上述问题，但该设计的准确性（敏感性为90.3％＆特定的93.6％）仍然有限用于实际使用，并且能源消耗很大，用于可穿戴的EEG监测设备，例如其他使用NN的癫痫发作检测处理器，如图在这项工作中，我们提出了一个零射的癫痫发作检测处理器，不需要患者的癫痫发作数据以进行[5]中的癫痫发作，但准确性和能量效率更高。图33.1.1显示了所提出的癫痫发作检测处理器的整体体系结构。33.1.2。提取了四个手动特征，包括三个EEG光谱带功率和线长度。它具有两个主要特征：1）杂交驱动的自适应加工体系结构，其片上学习不需要患者的癫痫发作数据即可获得超低的能耗和高精度，以及2）一种基于学习的自适应渠道选择技术，以进一步降低能源消耗，同时保持高精度。It mainly consists of a multi-feature extraction engine (MFEE), a hybrid-feature-driven adaptive processing engine (HAPE), a reconfigurable on-chip learning engine (ROLE), a learning-based channel selection module (LCSM), a data buffer for storing the input data from multiple EEG channels, and a data interface for parameter loading including the NN instructions and weights.一些最新的癫痫发作检测处理器采用基于手动特征提取的分类，以较低的复杂性和更强大的患者性能，而其他人则使用基于端到端的NN基于NN的分类，以提高精确度，以较少的功能工程工作。在这项工作中，我们提出了基于片上学习和自适应处理的基于混合特征的癫痫发作检测处理，以利用两者的优势，如图NN特征提取由深度转换组成，并具有扩张的Cons和Pointwisce Conv。手动功能和NN功能首先通过两个完全连接（FC）层（即FC1_1和FC1_2）投影。33.1.2），然后融合为混合特征，以馈入FC2_2进行分类。对于基于片上学习的混合功能，不需要患者的癫痫发作数据。与[5]中一样，NN使用常用的公共数据集（CHB-MIT）进行预训练。对于片上学习，来自患者的1分钟的非Seizure数据和来自公共数据集的1分钟癫痫发作数据被混合为学习数据集。为了降低能量，仅重新训练了杂交分类层和投影层。图33.1.2显示了包含两个阶段的片上学习处理流。基于混合功能NN，我们提出了一个混合驱动的自适应处理体系结构。添加了另一个FC层（FC2_1）以对手动功能进行分类。最初，仅激活手动功能分类，而混合特征分类和NN特征提取被停用。如果Fc2_1的分类结果是非seizure，则分类终止。否则，NN特征提取和混合特征分类被激活以进行进一步的分类。这种显着的同时降低了能源消耗，同时保持高精度，因为与癫痫发作相比，非赛式事件通常是主要的。为了减少由于手动特征分类的分类误差而导致的准确性损失，在培训期间将实现偏差，以将输入分类为癫痫发作以进行进一步分类。图33.1.3用混合驱动的自适应处理流量显示了HAPE和MFEE的硬件体系结构。HAPE合并了16个用于NN计算的多精制MAC单位。在计算过程中，激活数据根据其值将激活数据动态分为4B或8B，对于4B数据，高4B乘法器被禁用以节能。MFEE将4个功能计算器通过16通道脑电图通过时间多路复用重复使用。在混合驱动的自适应处理控制器的控制下，NN计算是自适应的