XiaoMi-AI文件搜索系统
World File Search System卡尔曼滤波
卡尔加里计划
卡尔加里市承认，我们聚集在锡克西卡特西帕的祖先土地上，包括西卡卡，皮卡尼，piikani，amskaapipiikani和kainai的原住民，以及奇卡达·韦尔斯帕伊（bearspaw）的传统领土，以及consspaw的传统领土第一民族。卡尔加里市也是奥特米西瓦克·梅蒂斯政府和鼻山梅蒂斯5区和肘部埃蒂斯区6.我们承认所有使卡尔加里家的土著人民。在与土地的土著联系与城市规划的土地实践之间存在共同点。有效利用土地和管理实践使土著人民自远古时代以来与土地的可持续关系中蓬勃发展。以类似的方式计划实践，以确保可持续和平衡的增长，从而为所有人提供健康的环境和充满活力的社区。卡尔加里的规划可以尊重，荣誉，包括土著和非土著规划实践，观点和知识，以共同管理和管理这些土地，并承认土著人民的权利。
卡尔加里大学
MDSC 301生物信息学讲师简介：Tatiana Maroilley，博士tatiana.maroilley@ucalgary.ca办公时间/回答学生电子邮件的政策，请注意，所有课程通讯必须通过您的@ucalgary电子邮件进行。 学生可以期望在48小时内通过@ucalgary电子邮件发送他们的电子邮件。 办公时间：星期二和星期三下午3-5pm教学助理：Suzanne Ferris（Suzanne.ferris@ucalgary.ca）Shreya Tomar（Shreya.tomar@ucalgary.ca）研究生助理：Rumika Mascarenhas：Rumika.mascarenhas@ucarenhas@ucalgary.ca Ca Ca Ca） 2024/04/08有关地点，请参见D2L星期一，星期三：10:30 AM-11:45AM先决条件/共同条件：300级的计算机科学中的6个单位（1.0全路等效）；或医学341；或300级生物科学中的6个单位（1.0全路等效）；或讲师的同意。 课程描述：此入门课程将使学生在研究环境中熟悉生物信息学。 要涵盖的主题包括对多摩管数据集的分析，生物信息学分析的设计，生物学数据的解释，实施不同平台的生物信息学管道以及对科学发现的传播。 总体主题生物信息学是由过程定义的字段；也就是说，所谓的应用生物信息学的一部分涉及计算分析，工具和算法的实际应用，以回答有关生物学的问题。 本课程将涵盖当代生物信息学中的一些主要流，特别关注高章中的测序分析。MDSC 301生物信息学讲师简介：Tatiana Maroilley，博士tatiana.maroilley@ucalgary.ca办公时间/回答学生电子邮件的政策，请注意，所有课程通讯必须通过您的@ucalgary电子邮件进行。学生可以期望在48小时内通过@ucalgary电子邮件发送他们的电子邮件。办公时间：星期二和星期三下午3-5pm教学助理：Suzanne Ferris（Suzanne.ferris@ucalgary.ca）Shreya Tomar（Shreya.tomar@ucalgary.ca）研究生助理：Rumika Mascarenhas：Rumika.mascarenhas@ucarenhas@ucalgary.ca Ca Ca Ca） 2024/04/08有关地点，请参见D2L星期一，星期三：10:30 AM-11:45AM先决条件/共同条件：300级的计算机科学中的6个单位（1.0全路等效）；或医学341；或300级生物科学中的6个单位（1.0全路等效）；或讲师的同意。课程描述：此入门课程将使学生在研究环境中熟悉生物信息学。要涵盖的主题包括对多摩管数据集的分析，生物信息学分析的设计，生物学数据的解释，实施不同平台的生物信息学管道以及对科学发现的传播。总体主题生物信息学是由过程定义的字段；也就是说，所谓的应用生物信息学的一部分涉及计算分析，工具和算法的实际应用，以回答有关生物学的问题。本课程将涵盖当代生物信息学中的一些主要流，特别关注高章中的测序分析。该课程的结构是在课堂环境中在已发表和原始数据的课堂环境中提供研究经验，从而强调将学生整合到生物信息学项目的实际方面以及生物信息学的解释
跟踪与 3D 中高度机动目标相关的 Frenet-Serret 框架
在雷达应用中，轨道维护是该过程的一个重要组成部分。从数学上讲，它可以归结为一个滤波问题，即必须从嘈杂的位置测量中滤除飞机的当前位置、速度以及可能的高阶导数。我们将此问题简称为“目标跟踪”。当飞机机动时，由于运动的不可预测性，该问题很难解决。在过去的四十年中，这一领域一直是广泛研究的对象，参见 [1]。跟踪的主要自由度是 1- 描述目标运动的动力学模型，以及 2- 使用的（统计）滤波器。对于动力学模型，有很多可能性，但线性模型通常用于工业应用，最著名的是 Singer 模型 [2]。对于滤波器，一种简单的稳健解决方案是 Castella 的噪声过程自适应卡尔曼滤波器 [3]。更现代的方法包括粒子滤波器 [4] 和用于跟踪的参考滤波器，即交互多模型 (IMM) 滤波器，参见 [1]。后者滤波器基于各种模型并行运行 (扩展) 卡尔曼滤波器组，并通过评估测量输出的可能性来评估每个模型的权重。这可以适应单个雷达可能面临的各种类型的目标和机动性程度。学术界现在主要转向多目标跟踪的挑战，并在视频中进行联合应用，参见 [5]。如今，雷达防空行业面临着新的挑战，目标的机动性越来越强。一些目标的速度可以达到 7 马赫，加速度为 15 g。通过运动模型注入一些结构的方法
近十年来，乌克兰和世界各地的危险自然现象和重大人为灾难的数量稳步增加。
提出了利用算法冗余度解决 TV3-117 飞机发动机自动控制系统 (ACS) 可靠性提高问题的方法。研究的目的是开发测量通道故障诊断算法和内置于 ACS 的线性自适应机载发动机模型 (LABEM) 输入参数的应对算法。介绍了 LABEM 的基本数学原理。静态模型基于单个发动机的油门特性。油门特性是在维修后的验收测试或运行“竞赛”中获得的。燃气涡轮发动机的低级动态线性数学模型是通过状态空间法获得的。通过模型实际实施算法冗余度的技术和理论困难与发动机状态空间的高维性有关，该维性明显高于机载测量参数向量的维数。存在识别传感器故障并用建模信息替换值的问题。故障检测和隔离算法的必要性是合理的。为了提高燃油回路输入信息的可靠性，采用了集成故障检测和隔离逻辑的卡尔曼滤波算法来测量通道。介绍了基于卡尔曼滤波器的计量针阀回路传感器通道测量故障检测和隔离算法。该算法基于计算残差平方加权和 (WSSR) 的故障特征，并将其与选定的阈值进行比较。发动机台架试验和 MatLab 仿真的实践结果表明，基于所提算法的 TV3-117 航空发动机 ACS 具有较高的可靠性和质量。
基于机器学习的随机数字孪生 - arXiv
数字孪生技术潜力巨大，特别是在基础设施、航空航天和汽车领域。然而，这项技术的实际实施速度并不如预期，特别是因为缺乏特定于应用的细节。在本文中，我们提出了一种用于随机非线性多自由度 (MDOF) 动力系统的新型数字孪生框架。本文提出的方法将问题策略性地分解为两个时间尺度 - (a) 控制系统动态的快速时间尺度和 (b) 控制系统退化的慢速时间尺度。所提出的数字孪生有四个组成部分 - (a) 基于物理的名义模型（低保真度）、(b) 贝叶斯过滤算法、(c) 监督机器学习算法和 (d) 用于预测未来响应的高保真模型。基于物理的名义模型与贝叶斯滤波相结合用于组合参数状态估计，监督机器学习算法用于学习参数的时间演变。虽然所提出的框架可以与任何贝叶斯滤波和机器学习算法一起使用，但我们建议使用无迹卡尔曼滤波器和高斯过程。使用两个示例说明了所提出方法的性能。获得的结果表明所提出的数字孪生框架的适用性和优异的性能。
使用实时自动识别系统 (AIS) 数据进行扩展卡尔曼滤波器设计和船舶运动预测
摘要 — 本文使用来自自动识别系统 (AIS) 的实时数据和扩展卡尔曼滤波器 (EKF) 设计来解决船舶运动估计问题。AIS 数据由全球船舶传输，甚高频 (VHF) AIS 接收器以美国国家海洋电子协会 (NMEA) 指定的格式接收编码的 ASCII 字符信号。因此，必须使用解析器解码 AIS 语句以获取实时船舶位置、航向和速度测量值。状态估计用于碰撞检测和实时可视化，这是现代决策支持系统的重要功能。使用来自挪威特隆赫姆港的实时 AIS 数据验证了 EKF，并证明了估计器可以实时跟踪船舶。还证明了 EKF 可以预测船舶的未来运动，并在防撞场景中分析了不同的规避动作。索引词——卡尔曼滤波器、状态估计、运动预测、碰撞检测、无人水面舰艇、船舶