XiaoMi-AI文件搜索系统
World File Search System定位精度
PPP/PPP-RTK 服务提供商报告
传统 RTK（实时动态）是一种基于 OSR 的方法，需要本地参考站的载波相位和伪距校正（或测量）。它提供几乎瞬时的收敛和厘米级定位精度；然而，它在可扩展性方面存在重大缺陷，因为 RTK 用户需要附近的站点。在 PPP 领域，为了本报告的目的，做了一些区分。PPP 被定义为一种基于 SSR 的方法，只需要校正空间信号误差（轨道、时钟、代码偏差）[1]。传统 PPP 具有可扩展性的巨大优势；然而，它的巨大挑战是收敛时间比 RTK 慢，通常用于估计各个误差贡献的状态，而这对于 RTK 来说不是必需的。PPP 的一个核心特征是估计载波相位测量模糊度。为了将模糊度解为整数，除了上述 PPP 校正（轨道、时钟、代码偏差）之外，PPP 算法还需要卫星载波相位偏差。模糊度解析技术可以实现更高的精度和更快的收敛速度。允许具有相位偏差的 PPP 将被称为 PPP-AR（模糊度解析）。在本报告中，我们还将 Fast-PPP 定义为一种为 PPP 提供本地或区域电离层校正的服务，同样可以实现更快的收敛速度。如果该服务同时提供精确的电离层和对流层校正，允许完全校正大气误差，则将其定义为 PPP-RTK，它提供几乎即时的收敛和厘米级精度，但比 PPP 消耗更多的带宽。
密度脑电图
摘要 目的 功能连接 (FC) 越来越多地被用作神经调节和提高性能的目标。目前，使用脑电图 (EEG) 对 FC 进行可靠的评估需要具有高密度蒙太奇的实验室环境和较长的准备时间。本研究调查了使用低密度 EEG 蒙太奇重建源 FC 以用于实际应用的可行性。方法 使用逆解重建源 FC，并将其量化为 alpha 频率中绝对虚相干的节点度。我们使用模拟的相干点源以及两个真实数据集来研究电极密度（19 个电极 vs. 128 个电极）和使用模板与基于单个 MRI 的头部模型对定位精度的影响。此外，我们还检查了低密度 EEG 是否能够捕捉个体间相干强度的变化。结果 在数值模拟和实际数据中，电极数量的减少导致相干源和耦合强度的重建可靠性降低。然而，当比较从 19 个电极重建 FC 的不同方法时，使用波束形成器获得的源 FC 优于传感器 FC、独立成分分析后计算的 FC 和使用 sLORETA 获得的源 FC。特别是，只有基于波束形成器的源 FC 才能捕捉运动行为的神经相关性。结论 从低密度 EEG 重建 FC 具有挑战性，但使用波束形成器的源重建时可能是可行的。
神经计算和应用
摘要：癫痫尖峰是脑电图中互补的信息来源，可以诊断和定位癫痫的起源。但是，不仅对脑电图劳动的视觉检查不仅是耗时，而且耗时且容易出现人为错误，而且还需要长期培训才能获得识别癫痫释放所需的技能水平。因此，采用了计算机辅助方法，目的是节省时间并提高检测和来源定位精度。由于形态相似，可能被混淆为癫痫尖峰的最重要伪影之一是眼睛眨眼。只有少数研究考虑在检测前去除此伪像，并且大多数使用视觉检查或计算机辅助方法需要专家监督。因此，在本文中，开发了一个无监督和基于脑电图的系统，具有嵌入式眼睛眨眼伪影的去除剂，以检测癫痫尖峰。所提出的系统包括三个阶段：眼睛眨眼伪影，特征提取和分类。小波变换均用于移除和特征提取步骤，以及用于分类目的的自适应神经模糊推理系统。使用公开可用的脑电图数据集对所提出的方法进行了验证。与类似的研究相比，结果显示了使用低分辨率EEG使用低分辨率EEG，计算复杂性，最高灵敏度和较小的人类相互作用的低分辨率EEG检测癫痫尖峰的效率。此外，由于癫痫尖峰检测是癫痫源定位的重要组成部分，因此该算法可用于基于脑电图的癫痫病前术前评估。
关于估计地图模型误差和 GPS...
为了确定是否可以安全地执行所需的操作，谨慎的导航员必须了解其车辆定位系统的当前空间不确定性以及用于描绘战区的导航地图模型的空间不确定性。从安全导航的角度来看，了解数据的准确性与数据本身一样重要。本文讨论了 GPS 车辆定位误差和特定于水深地图模型（图表）的相对较大的数据建模误差对电子海图 (EC) 的影响。它提出并演示了软件解决方案，这些解决方案可以统计评估这两种空间不确定性，并在 EC 环境中以图形方式集成这两个随机模型。本文还记录了加拿大水文服务局进行的一项实验，旨在确保实时 DGPS 用户计算出统计上有效的位置误差估计。实验使用传统的伪距冗余实时误差分析获得了位置误差估计，并对其进行了地面实况分析。利用这些地面实况信息，根据经验确定了改进的伪距误差模型。新的伪距误差模型使用 Novatel GPS 接收器计算出的估计伪距方差不断更新，而不是应用最小二乘调整中典型的恒定先验伪距方差。这种动态范围误差模型有效地减少了观测到的误差与其预测的误差估计之间的统计偏差。改进的范围误差模型还显著提高了位置解的性能。修改后的软件计算的所有 DGPS 位置的定位精度均优于 0.5 米。
关于估计地图模型误差和 GPS...
为了确定是否可以安全地执行所需的操作，谨慎的导航员必须了解其车辆定位系统的当前空间不确定性以及用于描绘战区的导航地图模型的空间不确定性。从安全导航的角度来看，了解数据的准确性与数据本身一样重要。本文讨论了 GPS 车辆定位误差和特定于水深地图模型（图表）的相对较大的数据建模误差对电子海图 (EC) 的影响。它提出并演示了软件解决方案，这些解决方案可以统计评估这两种空间不确定性，并在 EC 环境中以图形方式集成这两个随机模型。本文还记录了加拿大水文服务局进行的一项实验，旨在确保实时 DGPS 用户计算出统计上有效的位置误差估计。实验对使用伪距冗余的传统实时误差分析获得的位置误差估计进行了地面实况分析。利用此地面实况信息，根据经验确定了改进的伪距误差模型。新的伪距误差模型使用 Novatel GPS 接收器计算的估计伪距方差不断更新，而不是应用最小二乘调整中典型的恒定先验伪距方差。该动态范围误差模型有效地减少了观察到的误差与其预测的误差估计之间的统计偏差。改进的范围误差模型还显著提高了位置解的性能。修改后的软件计算的所有 DGPS 位置的定位精度均优于 0.5 米。
利用低密度脑电图重建源功能连接的可行性
摘要 目的 功能连接 (FC) 越来越多地被用作神经调节和提高性能的目标。目前，使用脑电图 (EEG) 对 FC 进行可靠的评估需要具有高密度蒙太奇的实验室环境和较长的准备时间。本研究调查了使用低密度 EEG 蒙太奇重建源 FC 以用于实际应用的可行性。方法 使用逆解重建源 FC，并将其量化为 alpha 频率中绝对虚相干的节点度。我们使用模拟的相干点源以及两个真实数据集来研究电极密度（19 个电极 vs. 128 个电极）和使用模板与基于单个 MRI 的头部模型对定位精度的影响。此外，我们还检查了低密度 EEG 是否能够捕捉个体间相干强度的变化。结果 在数值模拟和实际数据中，电极数量的减少导致相干源和耦合强度的重建可靠性降低。然而，当比较从 19 个电极重建 FC 的不同方法时，使用波束形成器获得的源 FC 优于传感器 FC、独立成分分析后计算的 FC 和使用 sLORETA 获得的源 FC。特别是，只有基于波束形成器的源 FC 才能捕捉运动行为的神经相关性。结论 从低密度 EEG 重建 FC 具有挑战性，但使用波束形成器的源重建时可能是可行的。
by-slam：基于台面和语义信息提取的动态视觉大满贯系统
摘要：SLAM是一种至关重要的技术，用于实现无人车辆的自主导航和定位。传统的视觉同时本地化和映射算法建立在静态场景的假设上，从而忽略了动态目标在现实世界环境中的影响。来自动态目标的干扰可以显着降低系统的定位精度，甚至导致跟踪故障。为了解决这些问题，我们提出了一个名为S-Slam的动态视觉大满贯系统，该系统基于“同样和语义信息提取”。最初，引入了词汇描述符来描述定向的快速特征点，从而提高了特征点匹配的精度和速度。随后，fasternet替换了Yolov8的骨干网络以加快语义信息提取。通过使用DBSCAN聚类对象检测的结果，获得了更精致的语义掩码。最后，通过利用语义面膜和表现约束，可以辨别和消除动态特征点，从而仅利用仅利用静态特征点进行姿势估计，并构建了不包括动态目标的密集3D地图。在TUM RGB-D数据集和现实世界情景上进行了实验评估，并证明了拟议算法在滤除场景中的动态目标方面的有效性。与Orb-Slam3相比，TUM RGB-D数据集的本地化准确性提高了95.53％。针对经典动态大满贯系统的比较分析进一步证实了通过lam的定位准确性，地图可读性和鲁棒性的提高。
使用图形卷积神经网络学习智能手机的GNSS定位校正
抽象的智能手机接收器包括大约15亿个全球赛车卫星系统接收器。智能手机接收器的信号水平较低，噪音较低，而噪声则比Commer CIAL接收器更高。由于对尺寸，重量，功耗和成本的限制，与这些接收器进行准确的定位尤其是在城市环境中，这是一项挑战。传统上，全球定位系统测量方法是通过基于模型的方法（例如加权最小二乘和卡尔曼过滤方法）处理的。基于模型的方法可以以后处理方式提供仪表级的定位精度，但这些方法需要对相应的噪声模型进行牢固的假设，并且需要对参数（例如协方差）进行手动调整。相比之下，已经提出了基于学习的方法，这些方法对数据结构做出了更少的假设，并且可以准确地对环境特定的错误进行建模。但是，这些方法比基于模型的方法提供了较低的精度，并且对初始化敏感。在本文中，我们提出了一个用于学习校正的混合框架，该框架对应于真实接收器姿势和估计位置之间的偏移。对于基于学习的方法，我们提出了一个图形卷积神经网络（GCNN），该神经网络可以学习具有多构造和多频信号的不同图形结构。为了更好地对GCNN进行初始化，我们使用Kalman滤波器来估计一个粗糙的接收器位置。然后，我们使用此粗糙接收器位置来调节输入特征到图。我们从Google智能手机分解挑战中测试了对现实世界数据集的建议方法，并比基于模型的方法（例如加权最小二乘和卡尔曼过滤器方法）显示出改进的定位性能。
使用无线信号
摘要 - 物联网领域（IoT）中的杂货应用涉及跟踪人员和商品，其质量受室内位置精度影响的质量。信号方法的模式匹配，也称为特征指纹方法，是众多室内定位方法之一。由于存在嘈杂的环境情况，因此在定位中实现精度很容易中断。需要有效的稳定技术来减轻对本地化质量的负面影响。本研究介绍了几种新型机器学习方法和索引方法，旨在提高室内定位应用的准确性。遗传算法和部分最小二平方理论提议为此目的共同起作用。传统的指纹定位方法，例如粒子群优化（PSO），高斯模型还测试了验证目的。这种方法通过PSO算法试图近似接收信号强度指示器（RSSI）信号的噪声频谱，从而通过PSO算法来调整高斯模型的主要频率/振幅。与PSO/Gaussian模型指纹方法相比，遗传算法（GA）/部分最小二乘（PLS）/K-Nearest邻居（KNN）方法可以达到92％的室内定位精度，同时需要最小的开发时间。在复杂的实验室和走廊设置中，当目标位置验证程序中包括加权KNN算法时，总准确率可以达到95％，分辨率为16 cm。总体而言，我们建议的GA/PLS/KNN方法优于传统方法和基于许多无线技术的当前静态定位方法，例如WiFi，4G/5G，蓝牙低能（BLE）等。关键字 - 事物（IoT）本地化，粒子群优化（PSO）算法，部分最小二乘（PLS）算法，遗传算法（GA），智能定位
GNSS 中 AI 算法执行的可能性
人工智能算法在 GNSS 中执行的可能性 Darshna Jagiwala(1)、Shweta N. Shah(2) (1) 女科学家，DST (2) 助理教授，SVNIT，印度 摘要 大量研究验证了在全球导航卫星系统 (GNSS) 领域使用人工智能 (AI) 算法的机会。实现智能有两种方式：一种是通过机器学习 (ML)，另一种是通过深度学习 (DL)。最常见的是，支持向量机 (SVM) 和卷积神经网络 (CNN) 是人工智能的重要算法，在文献中用于提高 GNSS 系统的定位精度。本文通过考虑 GNSS 接收器在射频 (RF) 前端级别、预相关级别、后相关级别和导航级别的不同阶段来进行文献综述，这将更好地理解 AI 在该领域的实施。主要研究工作是在后相关阶段进行的，其中使用了不同的数据格式，如相关输出、国家海洋电子协会 (NMEA) 数据和接收器独立交换格式 (RINEX) 数据。除此之外，本文还讨论了与 AI 算法应用相关的威胁和风险因素。1.简介 GNSS 使用精确的定时信息、定位和同步技术提供全球和实时服务。目前，美国的全球定位系统（GPS）、俄罗斯的全球导航卫星系统（GLONASS）、欧洲的伽利略（GALILEO）和中国的北斗卫星导航系统（BDS）是全面运行的GNSS系统。此外，印度的印度星座导航（NavIC）和日本的准天顶卫星系统（QZSS）都是独立自主的区域导航系统。近年来，GNSS应用越来越精确，其精确度为广泛的应用打开了大门。[1]。卫星导航系统是根据发现的物理定律设计的[2]。• GNSS系统背后的基本思想是卫星在太空中传输信号。在这里，卫星在轨道上的位置遵循开普勒行星运动定律。• 这些信号由地球表面或附近的接收器接收。扩频技术用于获取从地球轨道发射的非常微弱的卫星信号。