XiaoMi-AI文件搜索系统
World File Search System卡尔曼滤波
DRONEVR：DroneOperator 的虚拟现实模拟器
摘要 — 近年来，无人驾驶飞行器 (UAV) 已广泛应用于娱乐、虚拟旅游、建筑、采矿、农业等各种领域。导航、路径规划和图像采集是管理这些飞行设备的主要任务，同时还要对价格实惠的飞行器进行实时物体跟踪。飞机坠毁是最关键的问题之一，因为不受控制的环境和信号丢失会导致飞行器在返回过程中撞到建筑物。此外，实时图像处理（例如物体跟踪）尚未用于低成本飞行器。本文提出了一种嵌入在基于 Web 的应用程序中（称为 DroneVR）的原型，以缓解上述问题。虚拟现实环境是根据现实世界的飞行数据（OpenStreetMap）重建的，并在其中进行路径规划和导航。高斯混合模型用于提取前景并检测移动物体，然后应用卡尔曼滤波方法来预测和跟踪物体的运动。为了改进模拟器，我们通过小规模样本用户调查了感知到的易用性。索引术语 —UAV、虚拟现实、无人机坠毁、3D 模拟器、Openstreetmap、路径规划
卫星姿态确定与控制实验室
ADCS 仿真台 该台模拟卫星的动态和在轨位置。它还模拟所有环境干扰。它包括 ADCS 传感器（星跟踪器、磁力计、陀螺仪、太阳传感器）和 ADCS 执行器（反作用轮、磁力矩器、推进器）的数学模型、姿态确定算法（卡尔曼、扩展卡尔曼滤波器、三叉戟等）。它还包含用于卫星脱轨、卫星成像、惯性物体跟踪和地面站跟踪的所有常见控制算法。
一种用于癫痫发作预测的新型多尺度扩张 3D CNN
癫痫是一种神经系统疾病，以意外复发性发作为特征，影响着全球 1% 的人口 [1] [2]。由于癫痫发作的不确定性，它对患者的日常生活有很大影响，如果患者在危险情况下（例如开车、上下楼梯）癫痫发作，甚至会威胁患者的生命。因此，准确的癫痫发作预测对于帮助患者避免可能的伤害至关重要。脑电图是研究癫痫发作最常用的数据，根据所代表的人类大脑活动的不同状态，癫痫发作可分为四种类型，即发作前（癫痫发作前）、发作期（癫痫发作）、发作后（癫痫发作后）和发作间期（正常阶段）[3] [4] [5] [6]。通过使用机器学习或深度学习算法分析脑电图信号，可以区分发作前和发作间期，从而实现癫痫发作预测 [7] [8] [9]。机器学习算法依赖于手工制作的特征，原始EEG信号需要通过多种滤波技术进行预处理以消除噪声和伪影。带通滤波器、自适应滤波器、卡尔曼滤波器、维纳滤波器和贝叶斯滤波器是最常用的滤波技术[10][11]。例如，单变量谱功率[12]、脉冲率[13]、功率谱[14]、排列熵[15]和双谱熵[16]是以前基于机器学习的工作中使用过的特征。这些特征进一步输入到分类器（例如支持向量机（SVM）、多层感知器（MLP）、决策树）以获得预测结果。虽然机器学习方法是可行的，但手动处理EEG信号和复杂的特征工程使得
格拉斯曼简历
2016-2018 EECS 博士后学者 伯克利设计学院，加州大学伯克利分校，EECS 系 指导老师：Björn Hartmann，EECS 副教授 2012-2016 研究生 用户界面设计组，EECS 系，麻省理工学院 CSAIL 博士论文：大规模编程类中的聚类和可视化解决方案变化 指导老师：Robert Miller，CS 杰出教授 2008-2011 研究生 机器人运动组，EECS 系，麻省理工学院 CSAIL，M.Eng.论文：基于二次调节器的启发式方法，用于快速探索状态空间 由 EECS 教授 Russ Tedrake 指导 2010-2011 斯坦福大学仿生学与灵巧操作实验室客座研究员 2006-2008 麻省理工学院 CSAIL 机器人运动组本科研究员 2004-2006 麻省理工学院 CSAIL 网络与移动系统本科研究员 2003-2004 普林斯顿大学心理学系脑电图实验室特邀高中生研究员
关于卵巢癌 - 达曼
1. 肿瘤大小 (T)：检查肿瘤大小可确定癌症是否已扩散至卵巢以外的邻近器官，例如子宫或膀胱。 2. 淋巴结转移 (N)：评估癌症是否已扩散至骨盆或主动脉周围的邻近淋巴结。 3. 远处转移 (M)：指示癌症是否已扩散至身体的其他部位，例如肺、肝或骨骼。
时空信息融合在船舶辅助系统故障检测中的应用
传感器融合一直是数据分析及其应用领域的焦点话题之一。个体传感信息通常用于揭示底层过程动态并识别其中的潜在变化。这些系统通常配备有（可能）不同模态的多个传感器。这些问题表明需要融合分布式和异构信息，以便实时准确推断关键系统的状态。为此，本文开发并验证了分布式物理过程（例如，船上辅助系统）中的故障检测和分类方法。文献中提出了几种传感器融合方法来解决故障检测问题，包括线性和非线性滤波器、自适应模型参考方法和基于神经网络的估计方案。然而，据作者所知，这些技术尚未应用于船载系统，因为存在一些固有的困难，包括：（可能）信号的非平稳行为、过程动态的潜在非线性、输入输出和反馈相互作用、多模态数据的缩放和对齐以及乘性过程噪声。上述一些问题可以在一定程度上简化或通过更简单的解决方案来近似。示例包括线性和线性化建模和贝叶斯估计技术（例如扩展卡尔曼滤波和粒子滤波）
时空信息融合在船舶辅助系统故障检测中的应用
传感器融合一直是数据分析及其应用的重点主题之一。个体传感信息通常用于揭示潜在的过程动态并识别其中的潜在变化。这些系统通常配备具有（可能）不同模态的多个传感器。这些问题表明需要融合分布式和异构信息，以便实时准确推断关键系统的状态。为此，本文开发并验证了分布式物理过程（例如，船上辅助系统）中的故障检测和分类方法。文献中提出了几种传感器融合方法来解决故障检测问题，包括线性和非线性滤波器、自适应模型参考方法和基于神经网络的估计方案。然而，据作者所知，这些技术尚未应用于船上系统，因为存在一些固有的困难，包括：（可能）信号的非平稳行为、过程动态的潜在非线性、输入输出和反馈相互作用、多模态数据的缩放和对齐以及乘性过程噪声。上述一些问题可以在一定程度上简化或通过更简单的解决方案来近似。例如线性和线性化建模和贝叶斯估计技术（例如扩展卡尔曼滤波和粒子滤波）[1][2]。研究人员还使用了软计算
时空信息融合在船舶辅助系统故障检测中的应用
传感器融合一直是数据分析及其应用的重点主题之一。个体传感信息通常用于揭示潜在的过程动态并识别其中的潜在变化。这些系统通常配备具有（可能）不同模态的多个传感器。这些问题表明需要融合分布式和异构信息，以便实时准确推断关键系统的状态。为此，本文开发并验证了分布式物理过程（例如，船上辅助系统）中的故障检测和分类方法。文献中提出了几种传感器融合方法来解决故障检测问题，包括线性和非线性滤波器、自适应模型参考方法和基于神经网络的估计方案。然而，据作者所知，这些技术尚未应用于船上系统，因为存在一些固有的困难，包括：（可能）信号的非平稳行为、过程动态的潜在非线性、输入输出和反馈相互作用、多模态数据的缩放和对齐以及乘性过程噪声。上述一些问题可以在一定程度上简化或通过更简单的解决方案来近似。例如线性和线性化建模和贝叶斯估计技术（例如扩展卡尔曼滤波和粒子滤波）[1][2]。研究人员还使用了软计算