XiaoMi-AI文件搜索系统
World File Search System流水
结合刺激与双模电荷平衡和时域流水线记录的 CMOS BD-BCI
基于皮层脑电图 (ECoG) 的双向脑机接口 (BD-BCI) 引起了越来越多的关注，因为：(1) 需要同时进行刺激和记录以恢复人类的感觉运动功能 [1] 和 (2) 良好的空间分辨率和信号保真度以及临床实用性。在刺激方面，这种 BD-BCI 可能需要 >10mA 的双相电流来引发人工感觉，以及 >20V 的电压顺应性以适应各种生物阻抗 [1]。两个刺激相之间的电荷不匹配会导致电压积累，从而造成电极腐蚀和组织损伤。现有的电荷平衡 (CB) 技术，例如电荷包注入 (CPI) [2] 和基于时间的电荷平衡 (TCB) [1]，会在脉冲间隔内产生 CB 电流，导致不必要的二次感觉和过度的刺激伪影 (SA)。对于记录，低输入参考噪声 (IRN) 是获取小神经信号 (NS) 所必需的，而大动态范围 (DR) 则是容纳大 SA 所必需的。现有的记录系统采用 SAR [1] 或连续时间 delta-sigma (CT-ΔΣ) [3] ADC（图 4）。前者由于 DAC 不匹配而具有有限的 DR，而后者则受到环路延迟内大幅度尖锐 SA 引起的失真的影响。尽管在 [4] 中，ΔΣ-ADC 的采样频率会自适应地变化以适应 SA，但所需的稳定时间很长。为了解决上述问题，本文提出了一种基于 ECoG 的 BD-BCI，其中包括：(1) 具有双模基于时间的电荷平衡 (DTCB) 的高压 (HV) 刺激系统和 (2) 高动态范围 (HDR) 时域流水线神经采集 (TPNA) 系统。图 1 描绘了所提出的 BD-BCI。刺激系统包括 4 个刺激器，每个刺激器包括一个 8 位分段电流控制 DAC 和一个 HV 输出驱动器，用于生成刺激脉冲。为了执行 CB，每个刺激器都采用具有 2 种模式的 DTCB 环路，即无伪影 (AL) TCB 和脉冲间有界 (IB) TCB 模式。3 阶 II 型 PLL 为基于时间的量化创建所需的时钟。记录系统有 4 个通道，每个通道都采用低增益模拟前端 (LG-AFE)、HDR 电压时间转换器 (VTC)、两步流水线 (TSP) TDC 和一个数字核心，其中操作模式由状态机控制。受 [1] 的启发，所提出的 DTCB 的工作原理如图 2 所示。AL-TCB 监测电极电压 V ESn -V CM （1≤n≤N；此处，N=4）并调整后续刺激脉冲的幅度而不产生额外的 SA，而当 |V ESn -V CM | 过大而需要立即去除电荷时，IB-TCB 在下一个刺激脉冲之前完成 CB。在第一个 T CC 开始时，如果 |V ESn - V CM |≤V TH,AL （V TH,AL 是标志着需要立即去除电荷的过电位阈值），则 AL-TCB 导通，并且 V ESn - V CM 在第一个 T CC 周期内由 VTC 和 TDC 数字化。然后将数字数据 D TDCn 馈送到通道间干扰消除 (ICIC) 模块，该模块可补偿由于多极刺激导致的通道间干扰 (ICI) 引入的电压误差。接下来，数字直流增益增强器 (DDGB) 有助于提高 CB 精度，而不会降低 AL-TCB 环路稳定性。为了执行 CB，AL-TCB 的电流（例如，I AL-Cn ）（其大小由 DDGB 输出 D ALn 控制）被添加到后续刺激电流中以调整其大小。相反，仅当 |V ESn -V CM |>V TH,AL 时，IB-TCB 才会开启并在一个 T IP 内的几个 T CC 中执行 CB，直到 |V ESn - V CM |
校准稳定流水力学模型
美国地质调查局将 Price 流速计的良好流量测量结果归类为在真实值的 ±5% 以内。有些人认为，这种假设的误差是乐观的。无论如何，在许多河流系统中，±5% 意味着 ±1 英尺的水位误差。声速计提供连续记录，但当前的美国地质调查局技术会校准这些仪表以重现 Price 流速计的测量结果，因此 AVM 与流速计一样准确。船测总是值得怀疑。人们认为，使用在船上安装三根光束的声速计的较新技术要好得多。还应仔细检查已发布的流量记录。连续流量是根据流量测量（通常每两周或每月进行一次）和连续水位记录计算得出的。测量结果被汇编成流量曲线，后续测量与流量曲线的偏差用于定义偏移。偏移是由于非稳定流效应（环状流量曲线）和短期地貌变化导致的流量曲线的暂时变化。记录的质量取决于流量测量的频率和水文学家的技能。唯一的方法是将流量测量值与流量记录进行比较。不过，如果测量频率不高，则只能将流量记录应用于模型，看看水位记录的再现效果如何。记住！大多数已发布的流量记录都是平均日流量。建模者必须以某种方式为这些记录分配时间值。
河流水电光伏电池混合系统作为本地负载的能源供应商
摘要：混合水能系统通常与抽水蓄能系统一起进行分析，抽水蓄能系统可以促进从其他来源积累能量。尽管缺乏水库，但径流式水电站也因其投资成本低、建设时间短和对环境影响小而对混合系统具有吸引力。在本研究中，研究了一个混合系统，该系统包含径流式小水电站 (SHP)、光伏系统和电池，用于为当地负载提供服务。考虑使用变速运行的低功率和低水头方案。本研究的新颖之处在于提出了一种专用的径流式水电站稳态模型，该模型适用于不同水文条件下的能量生产分析。基于 150 kW 容量的实际 SHP 的计算表明，简化方法可能导致对生产能量的估计高估 43%。此外，使用实际河流流量数据对混合系统运行进行为期一年的分析表明，流量平均周期对能量平衡结果有显著影响。通过将平均时间从一天增加到一个月，系统能量短缺和过剩可能会被低估约 25%。
流水线式忆阻神经网络模数转换器
摘要——随着高速、高精度、低功耗混合信号系统的出现，对精确、快速、节能的模数转换器 (ADC) 和数模转换器 (DAC) 的需求日益增长。不幸的是，随着 CMOS 技术的缩小，现代 ADC 在速度、功率和精度之间进行权衡。最近，已经提出了四位 ADC/DAC 的忆阻神经形态架构。可以使用机器学习算法实时训练此类转换器，以突破速度-功率-精度权衡，同时优化不同应用的转换性能。然而，将此类架构扩展到四位以上具有挑战性。本文提出了一种基于四位转换器流水线的可扩展模块化神经网络 ADC 架构，保留了其在应用重新配置、失配自校准、噪声容忍和功率优化方面的固有优势，同时以延迟为代价接近更高的分辨率和吞吐量。 SPICE 评估表明，8 位流水线 ADC 可实现 0.18 LSB INL、0.20 LSB DNL、7.6 ENOB 和 0.97 fJ/conv FOM。这项工作朝着实现大规模神经形态数据转换器迈出了重要一步。
No.15 人工智能可以预测河流水位吗？
目前的预报技术是采用存储函数法和分布式模型来模拟雨水随时间如何流入流域内的河流，然后预测水位。 从历史上看，即使在观测网络较差、数据稀缺的情况下，也可以使用分析模型（物理模型）来提高准确性。 然而，以目前的方法，模型构建已经变得越来越复杂，只有有限数量的工程师能够处理它，并且更新模型需要大量的精力和时间。另一方面，提高预测技术依赖于确定分析模型所使用的参数，同时也需要客观性，预测需要计算时间。
河流水系统
1986 年，欧洲大型河流网络在欧洲委员会的支持下成立。经过多次研讨会，该网络的首部成果是 1989 年由 John Wiley 出版的《大型冲积河流的历史变迁：西欧》。与此同时，作为欧盟伊拉斯谟计划的一部分，人员交流导致两个研究小组就分析河流系统变化的不同但互补的方法展开辩论。这两个小组分别来自法国里昂大学和英国拉夫堡大学。里昂大学是法国国家科学研究院环境跨学科研究计划 (PIREN) 的中心。他们对罗纳河的研究促成了“河流水文系统”这一术语的引入，为生态变化分析提供了一个综合的多学科背景。拉夫堡大学成立了一个多学科团队——淡水环境小组，其目标是根据可预测的环境梯度模拟生物群落的分布，并利用这些模型评估河流调节的影响。将两套思想和方法融合成一部作品不仅是一个令人兴奋的目标，也是一个有趣的学术挑战！这本书的最初想法诞生于 G. E. Petts 和 M. T. Greenwood 在一辆载有 50 名拉夫堡一年级学生的长途汽车上前往斯卡伯勒的路上的一次谈话中。共同作者
评估机载 LiDAR 绘制河流水深地图的能力
在美国雅基马河和三一河流域，我们收集了 220 公里的机载水深激光雷达数据。在收集航空数据的同时，我们还对两个流域的河床进行了地面勘测。我们从水深激光雷达调查在创建准确、精确和完整的河床地形以供数值建模和地貌评估方面的应用角度来评估其质量。测量误差是根据地面调查的幅度和空间变化来评估的。方差统计分析表明，在相似位置进行的两个独立地面调查的残差不是来自同一总体，这意味着不同研究地点的误差也来自不同的总体。系统误差表示数据中存在一致的偏差，随机误差在预期精度值范围内。2007 年由 John Wiley & Sons, Ltd. 出版。