XiaoMi-AI文件搜索系统
World File Search System坐标系
月球的标准化月球坐标系...
本白皮书旨在提供月球坐标系的摘要，该系统建议用于作战目标确定、跨学科科学以及未来和正在进行的美国和国际月球任务之间的通信。建议将同一系统用于行星数据系统 (PDS) 中存档的月球数据产品。该文件最初由月球勘测轨道器 (LRO) 任务创建，专门用于该任务的上述用途。2008 年中，NASA 月球前体机器人计划 (LPRP) 月球大地测量和制图工作组 (LGCWG) (Archinal 等，2008a、2008b) 开始与 LRO 数据工作组 (LDWG) 合作，进一步更新和维护该文件，供 LRO 任务以及所有其他 NASA 部门进一步使用。它也可供国际月球任务使用。
代表不同坐标系中的量子旋转，用于建模刚体方向
1。简介compution countientation在包括机器人技术和航空设备在内的许多领域中，刚体的方向是一项重要任务。特定于机器人技术，定向在许多工业，医疗和手术应用中起着基本作用。各种方法通常用于建模和表示刚体的方向，例如球形坐标和欧拉角，或偏航，俯仰和滚动（YPR）角度。这些方法使用3 3个矩阵来保存三个单元向量的投影坐标，从而使它们成为内存和资源密集型。相比之下，还开发了紧凑的方法，例如四季度和双重四季度。此代表仅使用四个组件：一个真实和三个虚构部分。上述所有方法已成功用于多个应用程序；
1C 级处理器（几何校正）ATBD - EnMAP
13.1 地心地球固定笛卡尔坐标系 (ECEF 或 ECR) .......................................................................... 65 13.2 椭球地理坐标系 .............................................................................................................. 65 13.3 局部地心坐标系 (LTS) ............................................................................................................. 65 13.4 地理坐标系和地心坐标系之间的转换 ............................................................................. 66 13.5 地心 (ECR) 坐标系和局部地心 (LTS) 坐标系之间的转换 .................................. 67 13.6 大地基准 ............................................................................................................................. 67 13.7 地图投影 ............................................................................................................................. 68 13.8 大地水准面和椭球高程 ............................................................................................................. 68 13.9 准惯性坐标系 (ECI 地心惯性) ............................................................................................. 69
对数极坐标系下自适应采样数据的量子表示及扩展算法
摘要：在对数极坐标系中，常规的数据采样方法是沿对数极坐标半径和极角方向均匀采样，这使得数据中心点处的采样比周边处更加密集。常规采样方法的中心过采样现象并不能提供更有效的信息并且会造成计算浪费。幸好自适应采样方法是实际应用中解决这一问题的有力工具，因此本文将其引入到量子数据处理中。本文首先提出了自适应采样数据的量子表示模型，其中极角的采样个数上限与对数极坐标半径有关。由于这一特点，其制备过程变得相对复杂。然后，为了论证本文所给模型的实用性，给出了基于双圆弧插值的具有整数缩放比的量子自适应采样数据的放大算法及其电路实现。然而，由于对数极坐标系中自适应采样方法的特殊性，自适应采样数据的插值过程也变得相当复杂。论文最后通过数值例子验证了算法的可行性。
用于 360° 图像的 3D Scanpath Transformer
2，λ ∈ [ − π，π ] 。然而，这两种表示360°图像中扫描路径的方法都存在不连续性的问题，比如纬度相同但经度不同的两个点λ = − 180 ◦和λ = 180 ◦，其实代表的是同一个位置，但在以上两个坐标系中，它们代表的是两个不同的位置，而且相距甚远。为了解决上述问题，我们在三维笛卡尔坐标系中表示注视点，其中每个位置都以p =（x，y，z）的形式给出。采用该三维坐标系，可以有效解决二维等距矩形投影中使用的坐标系的不连续性问题。此外，三个坐标系中的表示可以使用以下公式灵活地转换。
使用frenet坐标的轨迹跟踪与深...
摘要 - 本文研究DDPG算法在轨迹跟踪任务中的应用，并提出了一种与FRENET坐标系相结合的轨迹跟踪控制方法。通过将车辆的位置和速度信息从笛卡尔坐标系转换为FRENET坐标系，该方法可以更准确地描述车辆的偏差和旅行距离，相对于道路的中心线。DDPG算法采用了参与者 - 批评框架，使用深层神经网络进行策略和价值评估，并将体验重播机制和目标网络结合在一起，以提高算法的稳定性和数据利用效率。实验结果表明，基于FRENET坐标系的DDPG算法在复杂环境中的轨迹跟踪任务中表现良好，可实现高精度和稳定的路径跟踪，并证明其在自主驾驶和智能运输系统中的应用潜力。
原创文章 基于人体头部的集成和模块化组织，用 MRI 描绘颅面软硬组织对称性：三
摘要：目的：准确评估颅面对称性在正畸实践中至关重要但具有挑战性。我们提出使用磁共振成像（MRI）对颅面总体轮廓和软硬组织对称性的细节进行三维分析。方法：为此，对志愿者拍摄了最近描述的黑骨和软组织 MRI 序列，并使用坐标系进行分析。由于各种颅面组织（脑-颅骨-面部和神经-骨-肌肉）是相互作用的结构，因此脑中线和面部中线高度一致。在该坐标系中，大脑前镰（大脑镰）被用作正中矢状面。可以使用坐标系分析新提出的通过黑骨和软组织序列获取 MRI 数据的方法。结果：坐标系可以在软组织和黑骨序列之间转换，从而提供准确的三维颅面特征分析以确定颅面不对称性。结论：本初步研究为颅面对称性的三维分析、正中矢状面的确定及避免放射治疗提出了新的思路和方法。
主题演讲者 Michael Grieves 佛罗里达研究所...
摘要：机器学习和人工智能算法现在被用于自动从测量数据中发现控制物理方程和坐标系。然而，从数据中提出一个普遍的物理定律具有挑战性：（i）还必须提倡一个合适的坐标系，（ii）同时提出一个伴随的差异模型来解释理论和测量之间不可避免的不匹配。通过结合深度学习和稀疏回归，特别是稀疏非线性动力学识别 (SINDy) 算法，我们展示了如何构建一个强大的数学基础设施来同时学习物理模型及其坐标系。这可以用有限的数据和传感器来实现。我们在大量例子中展示了这些方法，展示了如何最大限度地利用数据进行科学和工程应用。
确定计算出的脑电图指数的不准确性
由于测量值而获得的数据，与测量过程本身有关，以及消除记录的干扰（如果有）的必要性。这些数据可用于进一步的计算，其结果将受到此不准确性的影响。确定计算结果的不确定性水平可能会对结果解释产生重大影响。例如，如果根据计算结果确定的参数会随时间变化，则将其与不准确性的水平联系起来很重要。这些更改可能是由于数据记录不准确。如果计算需要从不同来源集成数据，则计算结果的不准确性将是由于来自这些来源的数据不准确。来自许多来源的数据计算的一种类型是向量空间中的转换。一个简单的例子是测量对象在二维空间中的位置和坐标系的变化。可以使用具有不同参数的两个测量设备进行此类测量。测量坐标系可能与目标坐标系不同。在这种情况下，坐标系进行了转换。让我们假设一种设备提供了非常准确的值，而另一个设备非常不准确。如果我们开始旋转坐标系，则各个轴上的不准确性水平将会改变。它们将成长和收缩，经过360度旋转后，它们将返回其原始值。在计算过程中不确定性值可能会下降的事实排除了使用方法来确定不确定性的不准确性，其中应从坐标系统转换的公式中确定不确定性。可以从以下文章的推论中可以看出，坐标不准确的变化与坐标的方式不变。这使他们可以减少，即使他们不承担负值。坐标系转换的公式非常广泛使用。它不仅限于旋转，更改对象的比例。转换确定对象的大小如何在特定相对论理论，转换为傅立叶，余弦，波浪等中如何变化。
主题演讲者 Michael Grieves 佛罗里达研究所...
摘要：机器学习和人工智能算法现在被用于自动从测量数据中发现控制物理方程和坐标系。然而，从数据中提出一个普遍的物理定律具有挑战性：（i）还必须提倡一个合适的坐标系，（ii）同时提出一个伴随的差异模型来解释理论和测量之间不可避免的不匹配。结合深度学习和稀疏回归，特别是稀疏非线性动力学识别 (SINDy) 算法，我们展示了如何构建一个强大的数学基础设施来同时学习物理模型及其坐标系。这可以用有限的数据和传感器来完成。我们通过大量示例演示了这些方法，展示了如何最大限度地利用数据进行科学和工程应用。