EEG硬件和分析方法中的摘要最新发展允许在固定设置和移动设置中进行记录。否则实验设置,脑电图记录被噪声污染,必须在功能解释数据之前将其删除。独立的组件分析(ICA)是一种综合使用的工具,可从数据中删除眼部运动,肌肉活动和外部噪声,并分析有关脑电图有效脑源水平的活动。过滤数据的有效性是改善先前研究的分解的一个关键预处理步骤。然而,迄今为止尚无研究比较有关ICA分解预处理的移动和固定实验的不同要求。因此,我们评估了脑电图实验,通道数量和预处理过程中高通滤波器的临界值如何影响ICA分解。我们发现,对于常用的设置(固定实验,64个通道,0.5 Hz滤波器),ICA结果是可以接受的。但是,在移动实验中应使用高达2 Hz截止频率的高通滤波器,并且更多的通道需要更高的过滤器才能达到最佳分解。在移动实验中发现了更少的大脑IC,但是即使使用低密度通道设置,使用ICA清洁数据也很重要且功能性。根据结果,我们为改善ICA分解的不同实验设置提供了指南。
摘要 —分布式光伏 (PV) 发电通常发生在“电表后面”:电网运营商只能观察到净负荷,即总负荷和分布式光伏发电的总和。这种可观测性的缺乏对系统在总体层面和分布层面的运行都构成了挑战。缺乏对总负荷和光伏发电的实时或近期分解估计将导致能源生产和监管储备的过度调度、可靠性约束违规、控制器设备磨损以及系统的潜在连锁故障。在本文中,我们建议使用贝叶斯结构时间序列 (BSTS) 模型和本地太阳辐照度测量来分解下游测量站点的总光伏发电和总负荷信号。BSTS 是一种高度表达的模型类,它将经典的时间序列模型与强大的贝叶斯状态空间估计框架相结合。分解是概率完成的,这会自动量化估计的光伏发电和总负荷消耗的不确定性。根据实时数据可用性,它可用于分解客户站点的光伏和总负载,或可用于馈线级别。在本文中,我们专注于解决馈线级别的问题。我们使用国家太阳辐射数据库 (NSRDB) 来估计局部辐照度,比较了 BSTS 模型以及 Pecan Street AMI 数据集上一些最先进的方法的性能。
本研究的重点是比较应用于中高空间分辨率传感器的数据融合方法。应用了两种已记录的方法,即空间和时间自适应反射融合模型 (STARFM) 和基于解混的方法,该方法提出了一种贝叶斯公式来整合先前的光谱信息。此外,两种算法的优势结合在一种新颖的数据融合方法中:空间和时间反射解混模型 (STRUM)。使用模拟图像和 Landsat 和 MODIS 图像展示了每种方法的潜力。算法的理论基础使 STARFM 和 STRUM 产生类似 Landsat 的反射,同时保留 Landsat 图像中的空间模式,而基于解混的方法产生类似 MODIS 的反射。还使用时间 NDVI 配置文件评估了融合图像捕捉物候变化的能力。 STARFM NDVI 的时间剖面与 Landsat NDVI 剖面非常相似。然而,在模拟输入高分辨率图像很少的情况的实验中,基于分离的方法和 STRUM 可以更准确地重建 NDVI 轨迹。STRUM 性能最佳,因为它产生的表面反射与参考 Landsat 图像的相关性最高。这项研究的结果表明,STRUM 更适合需要类似 Landsat 表面反射的数据融合应用,例如间隙文件