XiaoMi-AI文件搜索系统
World File Search System振铃
基于 SiC MOSFET 的高效交错升压...
摘要 碳化硅 (SiC) MOSFET 属于宽带隙器件家族，具有低开关和传导损耗的固有特性。SiC MOSFET 在较高工作温度下的稳定运行引起了研究人员对其在高功率密度 (HPD) 功率转换器中的应用的兴趣。本文介绍了基于 SiC MOSFET 的两相交错升压转换器 (IBC) 的性能研究，用于调节多电飞机 (MEA) 中的航空电子总线电压。已经开发了 450W HPD、IBC 进行研究，当由 24V 电池供电时，可提供 28V 输出电压。提出了一种 SiC MOSFET 的栅极驱动器设计，可确保转换器在 250kHz 开关频率下运行，降低米勒电流和栅极信号振铃。峰值电流模式控制 (PCMC) 已用于负载电压调节。将基于 SiC MOSFET 的 IBC 转换器的效率与 Si 转换器进行了比较。实验获得的效率结果表明，SiC MOSFET 是重负载和高开关频率操作下的首选器件。关键词：高功率密度 (HPD)、交错升压转换器 (IBC)、多电飞机 (MEA)、峰值电流模式控制 (PCMC)、碳化硅 (SiC)
1 新型平流层-对流层雷达风...
ST 系统（即为近地至 16 公里以上的系统设计的系统）最常用的天线元件类型是同轴共线 (COCO)。COCO 元件通常是天线罩材料（玻璃纤维或塑料）内部的中心馈电半偶极子阵列，长约 5 米以上，直径约 8 厘米。许多 COCO 以阵列形式设置，通过使用波束转向单元 (BSU)，阵列可以指向轴外和垂直方向。始终使用两个相互垂直的 COCO 阵列，因此天线可以指向三个或五个方向（例如，N、E、V 或 N、S、E、W、V）。COCO 阵列的性能相当不错，但也存在一些局限性，包括：1) 大元件尺寸难以在阵列中运输和更换，2) 天线指向方向仅限于 3 或 5 个方向，3) 难以进行幅度锥化，因此旁瓣难以管理，4) 带宽非常窄，因此在传输后会“振铃”（这会阻止低高度数据捕获），5) 它们是专用部件，不一定易于制造，6) 单个 COCO 元件故障会对整个天线波束产生重大影响，7) BSU 使用高功率机械继电器，其磨损时间最短为 18 个月。
将合成临床数据迁移到常规临床数据以检测脑部 T1 加权 MRI 中的运动伪影
临床数据仓库 (CDW) 包含数百万患者的医疗数据，为开发计算工具提供了绝佳机会。MRI 对图像采集过程中的患者运动特别敏感，这将导致重建图像中出现伪影（模糊、重影和振铃）。因此，CDW 中的大量 MRI 因被这些伪影破坏而无法使用。由于扫描次数太多，无法手动检测，因此有必要开发一种工具来自动排除带有运动的图像，以充分利用 CDW。在本文中，我们提出了一种 CNN 来自动检测 3D T1 加权脑部 MRI 中的运动。我们的迁移学习方法基于合成运动生成，包括两个步骤：使用合成运动对研究数据进行预训练，然后进行微调步骤，将我们的预训练模型推广到临床数据，依靠 5500 张图像的手动标记。目标是 (1) 能够排除具有严重运动的图像，(2) 检测轻微的运动伪影。我们的方法在第一个目标上实现了出色的准确率，平衡准确率几乎与注释者的准确率相似（平衡准确率 > 80%）。然而，对于第二个目标，其表现较弱，远低于人类评分者。总体而言，我们的框架将有助于在医学成像中利用 CDW，并强调对基于研究数据训练的模型进行临床验证的重要性。
使用合成数据自动检测临床数据仓库中脑 T1 加权磁共振图像中的运动伪影
临床数据仓库 (CDW) 包含数百万患者的医疗数据，为开发计算工具提供了绝佳的机会。磁共振图像 (MRI) 对图像采集过程中的患者运动特别敏感，这将导致重建图像中出现伪影（模糊、重影和振铃）。因此，CDW 中的大量 MRI 被这些伪影破坏，可能无法使用。由于扫描次数太多，无法手动检测它们，因此有必要开发工具来自动排除（或至少识别）带有运动的图像，以充分利用 CDW。在本文中，我们提出了一种从研究到临床数据的新型迁移学习方法，用于自动检测 3D T1 加权脑 MRI 中的运动。该方法包括两个步骤：使用合成运动对研究数据进行预训练，然后进行微调步骤，以将我们的预训练模型推广到临床数据，这依赖于 4045 张图像的标记。目标是 (1) 能够排除具有剧烈运动的图像，(2) 检测轻微的运动伪影。我们的方法在第一个目标上实现了出色的准确率，平衡准确率几乎与注释者的准确率相似（平衡准确率 > 80 %）。然而，对于第二个目标，其表现较弱，远低于人类评分者。总体而言，我们的框架将有助于在医学成像中利用 CDW，并强调对基于研究数据训练的模型进行临床验证的重要性。
建议的名称：QR-UOV Hiroki Furue
1简介4 1.1历史记录。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。4 1.2 QR-UOV在Asiacrypt 2021。。。。。。。。。。。。。。。。。。。4 1.3本文档的目的。。。。。。。。。。。。。。。。。。。6 2说明和参数6 2.1注释。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。7 2.2参数。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。8 3预序8 3.1用于QR-UOV的UOV的基本描述。。。。。。。。。。。8 3.2商振铃的矩阵表示。。。。。。。。9 4算法规范10 4.1生成。。。。。。。。。。。。。。。。。。。。。。。。。。。。11 4.2生成签名。。。。。。。。。。。。。。。。。。。。。。。。。13 4.3版本。。。。。。。。。。。。。。。。。。。。。。。15 4.4键和签名的表示。。。。。。。。。。。。。。。15 4.5参数集。。。。。。。。。。。。。。。。。。。。。。。。。。。。16 4.6辅助功能。。。。。。。。。。。。。。。。。。。。。。。。。18 4.7伪随机元素元素的产生。。。。。。。。20 4.8伪随机生成器。。。。。。。。。。。。。。。。。。。。。。22 4.9基本线性代数上的注释。。。。。。。。。。。。。。。。。。。。22 5性能分析22 5.1 NIST参考平台上的性能。。。。。。。。。。。22 5.2在其他平台上的性能。。。。。。。。。。。。。。。。。。25 6预期安全强度27 6.1潜在问题和安全定义。。。。。。。。。。。27 6.2安全证明。。。。。。。。。。。。。。。。。。。。。。。。。。。。。28 6.3建议参数的安全估计。。。。。。。。。。 div>。 div>。 div>33 7-攻击再次分析QR-UOV 37 7,1清晰发现攻击。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>37 7.2直接攻击。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>37 7.3对UVO的键恢复攻击。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>40 7.3.1 Kipien-Shamir攻击。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>41 7.3.2和解攻击。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。。。。。。。。41 7.3.3交叉攻击。。。。。。。。。。。。。。。。。。。。。。42 7.3.4矩形缩小攻击。。。。。。。。。。。。。。。。43 7.4多项式f的不可约性。。。。。。。。。。。。。。。。。。。。45 7.5提升方法在扩展字段上。。。。。。。。。。。。。。。。46 7.6乘以（φFx）（n）到公钥。。。。。。。。。。。。。。。49 8优点和限制51