XiaoMi-AI文件搜索系统
World File Search System失真
通过数字预失真对 SFOL DME 脉冲进行整形，实现高精度 DME
摘要 — 拉伸前腿 (SFOL) 脉冲是一种高精度测距设备 (DME) 脉冲，旨在支持全球导航卫星系统中断期间飞机的替代定位和导航。为了方便使用 SFOL 脉冲，最好使用已经部署的传统 DME 来传输 SFOL 脉冲，而不是当前的高斯脉冲，只需通过软件更改即可。当尝试在传统 DME 中传输 SFOL 脉冲时，最大的挑战是传输单元中的脉冲整形电路和功率放大器引起的脉冲形状失真，使得原始 SFOL 脉冲形状不再保留。本信提出了一种基于逆向学习的 DME 数字预失真方法，并展示了基于商业传统 DME 的测试台成功传输的 SFOL 脉冲，该 DME 旨在传输高斯脉冲。
通过数字实现 SFOL DME 脉冲整形高精度 DME 的预失真
摘要 — 拉伸前腿 (SFOL) 脉冲是一种高精度测距设备 (DME) 脉冲，旨在支持全球导航卫星系统中断期间飞机的替代定位和导航。为了方便使用 SFOL 脉冲，最好使用已经部署的传统 DME 来传输 SFOL 脉冲，而不是当前的高斯脉冲，只需通过软件更改即可。当尝试在传统 DME 中传输 SFOL 脉冲时，最大的挑战是传输单元中的脉冲整形电路和功率放大器引起的脉冲形状失真，使得原始 SFOL 脉冲形状不再保留。本信提出了一种基于逆向学习的 DME 数字预失真方法，并展示了基于商业传统 DME 的测试台成功传输的 SFOL 脉冲，该 DME 旨在传输高斯脉冲。
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。
Han，W.，Huang，Y.，Hughes，M。和Zhang，M。（2021），“信任与不信任供应链协作之间的权衡”，工业营销M 供应链网络中协作的复杂性 主动建筑物作为能源系统-NTU> IREP SWOT分析太阳能的当前和未来利用 废物轮胎油解油的能源，自我，可持续性和经济分析 精心策略策略的互动流 增材制造的改进的失真补偿方法 大脑计算-NTU> IREP 具有增强挥发性的金属 - 疾病平台
Han，W.，Huang，Y.，Hughes，M。和Zhang，M。（2021），“供应链协作的信任与不信任之间的权衡”，《工业营销管理》，出版社。 致谢：这项研究的数据收集得到了诺丁汉商学院种子康的资助。 抽象的信任和不信任可以在健康的供应链协作关系中发挥重要作用，并且都带有潜在的缺点。 很少关注理解和解释信任的发展过程和对供应链合作的不信任，尤其是在国际背景下。 使用交易成本经济学理论，这项研究首先讨论供应链协作二元组中信任和不信任的表达。 然后，我们探讨了如何在网络级别上互动的信任和不信任。 使用一种新颖的，纵向的，多案例研究的方法，本文提供了新的经验证据，证明了信任和不信任在供应链协作中的互补作用，探索这些概念如何在关系的不同阶段和不同环境中之间的不同阶段共同工作。 这项研究区分了“能力信任”和“诚信信任”，这些协作合同通常会造成不信任。 最后，本文为文化对国际供应链合作的信任和不信任的解释和不信任的影响提供了独特的见解，这是基于中国汽车行业的背景。Han，W.，Huang，Y.，Hughes，M。和Zhang，M。（2021），“供应链协作的信任与不信任之间的权衡”，《工业营销管理》，出版社。致谢：这项研究的数据收集得到了诺丁汉商学院种子康的资助。抽象的信任和不信任可以在健康的供应链协作关系中发挥重要作用，并且都带有潜在的缺点。很少关注理解和解释信任的发展过程和对供应链合作的不信任，尤其是在国际背景下。使用交易成本经济学理论，这项研究首先讨论供应链协作二元组中信任和不信任的表达。然后，我们探讨了如何在网络级别上互动的信任和不信任。使用一种新颖的，纵向的，多案例研究的方法，本文提供了新的经验证据，证明了信任和不信任在供应链协作中的互补作用，探索这些概念如何在关系的不同阶段和不同环境中之间的不同阶段共同工作。这项研究区分了“能力信任”和“诚信信任”，这些协作合同通常会造成不信任。最后，本文为文化对国际供应链合作的信任和不信任的解释和不信任的影响提供了独特的见解，这是基于中国汽车行业的背景。
基于失真的验证定向能量沉积添加剂制造零件的热处理模拟
定向的能量沉积添加剂制造零件具有陡峭的应力梯度，并且由快速热循环引起的各向异性微观结构和上层层制造，因此可以使用热处理来减少残留应力并恢复微观结构。数值模拟是确定热处理过程参数并减少必要的应用程序的合适工具。热处理模拟在此过程中计算失真和残余应力。验证实验对于验证仿真结果是必要的。本文提出了添加剂组件的热处理的3D耦合热机械模型。使用C形状样品几何形状进行基于失真的验证以验证模拟结果。Therefore, the C-ring samples were 3D scanned using a structured light 3D scanner to compare the distortion of the samples with different post- processing histories.
Josephson任意波形合成器作为测量失真信号谐波相位的参考标准
基频为 60 Hz、均方根值为 0.158 V 的失真波形。这些精确失真的波形包含第 3、5、7、9、11、23、31 和 39 次谐波。选择这些谐波是出于以下两个方面的考虑：(a) 使用电力系统中常见且在电能质量文献标准中引用的谐波；(b) 保持谐波相对于频谱分析本底噪声的信噪比足够高，以使相位分辨率优于 0.001 。相对于基波，每个谐波的幅度为 10%，相位为 90 。首先使用 Digitizer1 测量包含基波和上述谐波之一的波形，然后测量包含基波和上述所有谐波的波形（图 2）。两组测量结果之间的差异不超过 0.001 。
集成接收器简化数字预失真的模拟部分 - 高频电子 2009 年 7 月
数字处理能力的飞速发展导致了对高性能模拟信号处理产品的需求增加。如今，蜂窝网络除了提供传统语音之外，还提供大量数据和视频，而且传输速率比以往任何时候都快。这导致了依赖复杂数字技术的新调制技术和新空中接口标准的出现。虽然数字技术使系统能够运行得更快、功耗更低、使用更小的封装尺寸并提高每一代系统的可靠性，但这些系统对系统的 RF 和模拟信号采集部分提出了新的要求。基站发射机的复杂调制和宽带宽导致功率放大器 (PA) 的波峰因数更高。为了满足更高波峰因数下更严格的要求，功率放大器通常尺寸过大，以便在线性区域内运行。如果不进行数字校正，PA 效率可能在 10% 左右，这意味着 20 W PA 需要 200 W 的能力。PA 是基站中最大的电力消耗者，因此是蜂窝服务提供商运营费用的重要因素。为了提高 PA 效率，数字技术用于峰值因数降低 (CFR) 和数字预失真 (DPD)。虽然放大器在饱和时效率最高，但它会变得高度非线性。复杂的数字调制需要 PA 具有极高的线性度，