S4.2 病房声级测试期间应执行以下步骤: 1. 使用符合 ANSI S1.4《声级计规范》要求的仪表测量声级,对于 II 型仪表,将仪表设置为 A,以获得加权网络,“快速”仪表响应。 2. 将麦克风悬挂在车辆地板上方 23 英寸(584 毫米)处,横向和纵向位于病床的预期中心,因为它将固定在病房中。 3. 将救护车停放在混凝土或沥青路面上,停放位置应确保在被测车辆 50 英尺(15.2 米)范围内没有较大的反射面,例如其他车辆、招牌、建筑物或小山。 4. 关闭救护车所有门、窗和通风口。 5. 以最高速度运行病房内的空调和暖气鼓风机。 6. 将车辆变速器置于空档,并将发动机转速设置为救护车在平地以 55 英里/小时(88 公里/小时)的速度行驶时的转速。 7. 打开所有警告灯。 8. 将警报器调至最大音量模式。 9. 测量并记录最高声级。 10. 将发动机转速降低至怠速,然后降低至 55 英里/小时(88 公里/小时)的转速。 11. 测量并记录最高声级。 12. 重复操作,直到记录到两个最大声级,相差 2 分贝 (dB) 以内。 13. 对这两个最大声级读数取平均值。
ANFR 法国国家频率机构 ARCEP 法国邮政电子通信管理局(ARCEP 取代 ART) ART 法国电信管理局(法国监管机构) ATC 自动列车控制 BFWA 宽带固定无线接入 CALM 陆地移动设备通信接入 CBTC 基于通信的列车控制 CEPT 欧洲邮政和电信管理局会议 dBm 相对于 1 Mw 的分贝功率 DCS 数据通信系统 DFS 动态频率选择 DSRC 专用短程通信 ECC 电子通信委员会 EIRP 等效全向辐射功率 ERC 欧洲无线电通信委员会 ERM 电磁兼容性和无线电频谱问题 FSS 固定卫星服务 HAPS 高空平台站 IEEE 电气电子工程师学会 IP 互联网协议 ISM 工业、科学和医疗 ISO 国际标准组织 ITS 智能交通系统 ITS-G5A 频带范围从 5 875 MHz 到 5 905 MHz ITS-G5B 频段范围从 5 855 MHz 到 5 875 MHz ITS-G5C 频段范围从 5 470 MHz 到 5 725 MHz ITS-G5D 频段范围从 5 905 MHz 到 5 925 MHz kbps 千比特每秒 LOS 视距 LPR 液位探测雷达 Mbps 兆比特每秒 MODCOMM MODURBAN 通信系统 MODURBAN 模块化城市导轨系统 NLOS 非视距 OBU 车载单元 QPSK 正交相移键控
AFB 空军基地 AFI 空军指令 AFMAN 空军手册 AFSPC 空军太空司令部 ANG 空军国民警卫队 APE 潜在影响区域 APZ 事故潜在区域 AQCRs 空气质量控制区 BMP 最佳管理实践 BO 生物学观点 CAA 清洁空气法案 CAB 清洁空气部门 CFR 联邦法规 CNRH 夏威夷海军区司令 CO2e 二氧化碳当量 dBA A 加权分贝 DLNR 土地和自然资源部 DoD 国防部 DOE 教育部 DOH 卫生部 EA 环境评估 EIAP 环境影响分析过程 EO 行政命令 ESA 濒危物种法案 ESP 侵蚀和泥沙控制计划 FEMA 联邦紧急事务管理局 FIRM 洪水保险费率地图 ft 2 平方英尺 FY 财政年度 GHG 温室气体 GUANG 关岛空军国民警卫队 关岛 EPA 关岛环境保护局 HAR 夏威夷行政法规 HI 夏威夷 HIANG 夏威夷 ANG HQ 总部 HQ CNIC/N54 美国海军设施司令部 HUD 美国住房和城市发展部城市发展 Hz 赫兹 IAP 初始积累点 ICRMP 综合文化资源管理计划 IICEP 跨部门/跨政府环境规划协调会 IRP 安装恢复计划 JBPHH 珍珠港-希卡姆联合基地 KIUC 考艾岛公用事业合作社 km 公里 LBP 含铅油漆 MBTA 候鸟条约法案 MILCON 军事建设
目的这项研究调查了综合暴露与高血糖发生率之间的关联,以及夜间工作持续时间与长期夜间工人之间的剂量反应关系。在这项前瞻性队列研究中,招募了来自全国人口的12个716名夜间工人。高血糖发病率是基于空腹血糖水平的一年变化。职业噪声暴露定义为暴露于8小时的平均声音水平≥85分贝。评估了个人面孔,包括体重指数和与工作有关的因素,例如每月夜间工作时间。多变量逻辑和线性回归模型用于探索关联。导致多元逻辑分析,每天的夜间工作都与高血糖的风险增加有关[调整后的优势比1.05,95%置信区间(CI)1.02-1.07]。在正常的快速葡萄糖组中,每天的夜间工作都与 +0.07%(95%CI +0.03% +0.03% - +0.12%)的线性增加有关,而禁食葡萄糖水平的变化和噪声暴露与 +1.34%的线性增加有关(95%CI +0.55%CI +0.55% - +2.12%)。此外,暴露于噪声和工作≥10天的夜间工作的种群显着增加了空腹葡萄糖水平(β +5.71%,95%CI +4.48% - 4.48% - +6.95%),具有显着的相互作用(相互作用<0.01的P)。结论夜间工作持续时间与禁食葡萄糖水平的变化之间可能的剂量反应关系。与单独接触夜间工作相比,夜间工作和噪音的综合暴露构成了高血糖的风险。
摘要 - 神经网络(NNS)已经证明了它们在从计算机视觉到自然语言处理的各个领域中的潜力。在各种NN中,二维(2D)和三维(3D)卷积神经网络(CNN)在广泛的应用中已被广泛采用,例如图像分类和视频识别,因为它们在提取2D和3D特征方面具有出色的功能。但是,标准的2D和3D CNN无法捕获其模型不确定性,这对于包括医疗保健和自动驾驶在内的许多关键安全应用至关重要。相比之下,作为CNN的一种变体,贝叶斯卷积神经网络(贝叶斯)(贝叶斯)已经证明了它们通过数学基础在预测中表达不确定性的能力。尽管如此,由于采样和随后的前向通过多次通过了整个网络,因此贝内斯科的计算要求并未在工业实践中广泛使用。结果,与标准CNN相比,这些过程显着增加了计算和内存消耗量。本文提出了一种新型的基于FPGA的硬件体系结构,以加速通过Monte Carlo辍学推断的2D和3D贝内斯科。与其他最先进的加速器相比,贝内斯科的设计可以达到高达高达能量效率的4倍,而计算效率的9倍。考虑部分贝叶斯推断,提出了一个自动框架,以探索硬件和算法性能之间的权衡。进行了大量实验,以证明我们提出的框架可以有效地发现设计空间中的最佳点。
Timothy T. Takahashi 1 亚利桑那州立大学,亚利桑那州坦佩,85287-6106 本文重新考虑使用火箭辅助起飞 (RATO) 系统来设计和认证更安静的商用飞机。由于飞机噪音在很大程度上取决于推进喷气速度,因此在起飞和降落时大幅“降低功率”可以显著降低特定客机对社区噪音的影响。例如,40% 的推力降低有可能进一步将飞机噪音降低多达 9 分贝。我之前的工作重点是探索扩展“油门推力”(ATTCS) 系统的可能性,而这项工作着眼于备用火箭辅助起飞系统的现场性能影响。波音公司早在 1970 年代就为 B727 认证了这种系统,以实现接近最大起飞重量的“热高原”操作。安全合法的调度要求飞机遵守八项主要规定:14 CFR § 25.105、14 CFR § 25.107、14 CFR § 25.109、14 CFR § 25.113、14 CFR § 25.121、14 CFR § 25.149 和 14 CFR § 36.B;它们共同确定了运输类飞机的最低允许起飞跑道要求。14 CFR § 25 附录 E 涵盖了备用火箭辅助系统的操作。这项工作探讨了此类提案在新型认证飞机上将面临的预定现场性能和性能认证问题。
S4.2 病房声级测试期间应执行以下步骤: 1. 使用符合 ANSI S1.4《声级计规范》要求的仪表测量声级,对于 II 型仪表,将仪表设置为 A,以获得加权网络,“快速”仪表响应。 2. 将麦克风悬挂在车辆地板上方 23 英寸(584 毫米)处,横向和纵向位于病床的预期中心,因为它将固定在病房中。 3. 将救护车停放在混凝土或沥青路面上,停放位置应确保在被测车辆 50 英尺(15.2 米)范围内没有较大的反射面,例如其他车辆、招牌、建筑物或小山。 4. 关闭救护车所有门、窗和通风口。 5. 以最高速度运行病房内的空调和暖气鼓风机。 6. 将车辆变速器置于空档,并将发动机转速设置为救护车在平地以 55 英里/小时(88 公里/小时)的速度行驶时的转速。 7. 打开所有警告灯。 8. 将警报器调至最大音量模式。 9. 测量并记录最高声级。 10. 将发动机转速降低至怠速,然后降低至 55 英里/小时(88 公里/小时)的转速。 11. 测量并记录最高声级。 12. 重复操作,直到记录到两个最大声级,相差 2 分贝 (dB) 以内。 13. 对这两个最大声级读数取平均值。
传统的高维脑电图 (EEG) 特征(频谱或时间)在认知工作量估计中可能并不总能取得令人满意的结果。相反,深度表示学习 (DRL) 将高维数据转换为聚类友好的低维特征空间。因此,本文提出了一种集成时空深度聚类 (ISTDC) 模型,该模型使用 DRL 后跟聚类方法来实现更好的聚类性能。使用四种算法和变分贝叶斯高斯混合模型 (VBGMM) 聚类方法说明了所提出的模型。时间和空间变分自动编码器 (VAE) 模型(在算法 2 和算法 3 中提到)使用长短期记忆和卷积神经网络模型从序列 EEG 信号和头皮地形图中学习时间和空间潜在特征。连接的时空潜在特征(在算法 4 中提到)被传递给 VBGMM 聚类方法,以有效估计𝑛-back 任务的工作量水平。对于 0-back vs. 2-back 任务,所提出的模型实现了 98.0% 的最大平均聚类准确率,比最先进的方法提高了 11.0%。结果还表明,所提出的多模态方法在工作量评估方面优于基于时间和空间潜在特征的单模态模型。
摘要:必须提早发现火灾,以防止可能造成的危险事故。传统的火灾检测系统使用诸如传感器之类的硬件来检测火的存在。使用深度学习和机器学习提供了一种更自动化的方法。本研究谈论使用大型数据集使用卷积神经网络。此数据集有助于减少误报,假否定性,并提供更准确的分类。雾,天气,气候,日出,日落,野火和非火灾图像被收集和组合。这样做是为了使雾与烟雾混淆,并且所有橘红色的物体都不会被误解为火。图像增强是为了增加数据集的大小并使其更通用。CCTV镜头的视频被分为框架并进行了加工。这些框架被馈入经过训练的CNN模型,该模型的精度为0.94。如果任何框架显示出略有火,则会提高火警。这种实时立即检测火将防止大火的蔓延,并有助于尽快扑灭。开发的用户界面具有处理视频和图像的选项。完成此操作后,使用气流,分贝,频率和距离等声波的属性来预测火是否可以熄灭。使用具有所有这些功能的标签数据集对机器学习模型进行了培训。决策树分类器显示上述0.97的精度最高。通过使用这些技术,火灾检测和灭绝的预测变得更加容易,更有效。
名称 描述 AOI 影响区域 ARRT 美洲区域响应小组 CGM 社区申诉机制 CHS 文化遗产专家 dBA A 加权分贝 E&R 环境与监管 EEPGL 埃索勘探与生产圭亚那有限公司 EHS 环境、健康和安全 EIA 环境影响评估 EPA 圭亚那环境保护局 EPI 环境绩效指标 ERP 应急响应计划 ERT 应急响应小组 ESG 应急支援组 ESMMP 环境和社会经济管理和监测计划 ExxonMobil 埃克森美孚公司 FPSO 浮式生产、储存和卸载(船舶) GGMC 圭亚那地质和矿业委员会 GHG 温室气体 GIIP 良好的国际行业惯例 HDD 水平定向钻井 IC 事件指挥官 ICS 事件指挥系统 ICZM 综合沿海区管理 IFC 国际金融公司 IMO 国际海事组织 IMT 事件管理小组 MARAD 海事行政部门 MARPOL 73/78 《1973 年国际防止船舶污染公约》(经修订)根据 1978 年议定书 MOF 物料卸货设施 NGL 天然气液体 NGL 工厂 天然气液体加工厂 OIMS 操作完整性管理系统 OSRP 石油泄漏应急计划项目 天然气转化为能源项目 RoW 通行权 SEP 利益相关方参与计划 SSHE 安全、安保、健康和环境 UOG 上游石油和天然气 USEPA 美国环境保护署 WHO 世界卫生组织 WWTP 废水处理厂