XiaoMi-AI文件搜索系统
World File Search System测试流程
通过特征向量联合对齐实现 P300 脑机接口的迁移学习
摘要 — 本文介绍了一种新的迁移学习方法，即群组学习，它可以联合对齐多个域（多对多），以及一种扩展方法，即快速对齐，它可以将任何其他域与先前对齐的域组对齐（多对一）。在脑机接口 (BCI) 数据上评估了所提出的组对齐算法 (GALIA)，并研究了该算法的最佳超参数值以了解分类性能和计算成本。使用了六个公开的 P300 数据库，包含来自 177 个受试者的 333 个会话。与传统的针对特定受试者的训练/测试流程相比，群组学习和快速对齐均显著提高了分类准确率，但临床受试者的数据库除外（平均改进：2.12±1.88%）。GALIA 利用循环近似联合对角化 (AJD) 来找到一组线性变换，每个域一个，联合对齐所有域的特征向量。群组学习实现了多对多迁移学习，同时不会损害非临床 BCI 数据的分类性能。快速对齐进一步扩展了任何未见域的群组学习，从而允许具有相同属性的多对一迁移学习。前一种方法使用来自先前受试者和/或会话的数据创建单个机器学习模型，而后一种方法利用训练后的模型来处理未见域，无需进一步训练分类器。
不同的安全：航空维护-维修-大修设施案例研究
摘要。本文介绍了航空业“安全差异”（SD）案例研究的结果，特别是东南亚一家维护、维修和大修 (MRO) 组织的研究结果。案例研究的目标是应用一种新的安全干预方法，该方法是“安全差异”工具包的一部分，采用自下而上的方法。这项研究测试了这些干预措施在高度受控的环境（即航空 MRO）中嵌入持续改进计划的程度。这些干预措施（称为微实验，ME）被视为一种灵活的工具，它允许以安全失败的方式测试流程改进，赋予组织较低层级权力，挑战安全相关问题并揭示需要转型的关键领域。案例研究中考虑的干预措施的想法是从对 50 名机械师的采访中得出的，包括解决航空安全和职业健康以及质量的问题。我们选择在本研究中包括所有三个类别，因为 ME 方法适用于所有这些类别。本 MRO 案例研究展示了航空业 ME 的优势和局限性，揭示了其可能发挥作用的条件。未来的研究应进一步探索复杂且受严格控制的行业在类似自下而上的方法中的作用，以便干预措施可以成为持续改进计划的一部分。
切线空间对齐：脑机接口的迁移学习...
受试者之间和会话之间的脑电图 (EEG) 统计差异是脑机接口 (BCI) 领域面临的一个常见问题。这种差异阻碍了预先训练的机器学习模型的使用，并且需要对每个新会话进行校准。本文介绍了一种处理这种差异性的新迁移学习 (TL) 方法。该方法旨在通过在正定矩阵黎曼流形的切线空间中将一个受试者的 EEG 数据与另一个受试者对齐，来减少校准时间甚至提高 BCI 系统的准确性。我们在 18 个 BCI 数据库上测试了该方法，这些数据库总共包含 349 名受试者，属于三个 BCI 范式，即事件相关电位 (ERP)、运动想象 (MI) 和稳态视觉诱发电位 (SSVEP)。我们使用支持向量分类器进行特征分类。结果表明，与传统的训练-测试流程相比，在 ERP 范式中，分类准确度显著提高，而对于 MI 和 SSVEP 范式，性能均未下降。与之前发布的黎曼方法黎曼普鲁克勒斯分析 (RPA) 相比，总体准确度提高了 2.7%。有趣的是，切线空间对齐具有处理具有不同通道数的数据集的迁移学习的内在能力，自然适用于数据集间的迁移学习。
切线空间对齐：脑机接口的迁移学习...
受试者之间和会话之间的脑电图 (EEG) 统计差异是脑机接口 (BCI) 领域面临的一个常见问题。这种差异阻碍了预先训练的机器学习模型的使用，并且需要对每个新会话进行校准。本文介绍了一种处理这种差异性的新迁移学习 (TL) 方法。该方法旨在通过在正定矩阵黎曼流形的切线空间中将一个受试者的 EEG 数据与另一个受试者对齐，从而减少校准时间并提高 BCI 系统的准确性。我们在 18 个 BCI 数据库上测试了该方法，这些数据库总共包含 349 名受试者，涉及三个 BCI 范式，即事件相关电位 (ERP)、运动想象 (MI) 和稳态视觉诱发电位 (SSVEP)。我们使用支持向量分类器进行特征分类。结果表明，与传统的训练-测试流程相比，在 ERP 范式中，分类准确度显著提高，而对于 MI 和 SSVEP 范式，性能均未下降。与之前发布的黎曼方法黎曼普鲁克勒斯分析 (RPA) 相比，总体准确度提高了 2.7%。有趣的是，切线空间对齐具有处理具有不同通道数的数据集的迁移学习的内在能力，自然适用于数据集间的迁移学习。
FY-23 网络研讨会时间表
22 年 10 月 6 日 FY-23 最佳实践（尿液分析检测） 22 年 10 月 13 日 尿液分析包装程序和 UPC 文件 22 年 10 月 20 日 SSN 使用和未满足检测要求 22 年 10 月 27 日 WebDTP/DTP Lite 检测和高风险水手 22 年 11 月 3 日 DAR 提交 22 年 11 月 10 日 青少年药物教育 (DEFY)（仅限上午） 22 年 11 月 17 日 iFTDTL 报告 22 年 11 月 24 日 假期 22 年 12 月 1 日 ADMITS 更新（推迟至 23 年 3 月 23 日） 22 年 12 月 8 日 酒精滥用预防 22 年 12 月 15 日 节日预防（大麻、CBD、THC） 23 年 1 月 12 日 判定阳性 23 年 1 月 19 日 已选定但未接受检测的检测成员（延续或取消检测） 2023 年 1 月 26 日 WebDTP 池/单位和报告 2023 年 2 月 2 日 UPC OpGuide 3 2023 年 2 月 9 日 前提代码使用 2023 年 2 月 16 日 政策更新 2023 年 2 月 23 日 青少年药物教育 (DEFY) 2023 年 3 月 2 日 指挥部/UPC/DAPA 清单审查 2023 年 3 月 9 日 电子烟与传统烟草制品 2023 年 3 月 16 日 常见问题和故障排除 (WebDTP) 2023 年 3 月 23 日 ADMITS 报告和使用 2023 年 3 月 30 日 海军合规报告（RRU 的年度合规工具和报告） 2023 年 4 月 6 日 管理差异 2023 年 4 月 13 日 青少年药物教育 (DEFY) 2023 年 4 月 20 日 年终测试报告 2023 年 4 月 27 日 DAPA 角色和职责 2023 年 5 月 4 日 SARP 流程11 23 年 5 月 尿液分析包装程序和 UPC 文件 18 23 年 5 月 WebDTP 测试 25 23 年 5 月 滥用药物（舰队听证会是什么？）01 23 年 6 月 尿液分析重新测试 08 23 年 6 月 EOY 测试流程/更新 15 23 年 6 月 青少年药物教育 (DEFY) 22 23 年 6 月 IFTDTL（ADHOC 搜索/标记已查看访问权限/谁有权访问我的结果？）29 23 年 6 月 暑假安全 06 23 年 7 月 海军药物筛查实验室流程 13 23 年 7 月 DAR 提交 20 23 年 7 月 特殊测试（推迟至 2023 年 9 月 7 日） 27 23 年 7 月 NCIS 简报 03 23 年 8 月 ADMITS（ADCO/DAPA/UPC 特定） 10 8 月 23 日年底 (EOY) 测试流程/更新/海军和 ARG 和 WebDTP 报告 8 月 17 日青少年药物教育 (DEFY)
TSA 航空货物安检技术清单 (ACSTL)
该文件按技术资格组排列如下：(1) 视觉图像 (VI) 设备，以前称为非计算机断层扫描 (Non-CT) 透射 X 射线设备，(2) 爆炸物痕量检测 (ETD) 设备，(3) 金属探测器 (MD)，以前称为电子金属探测 (EMD) 设备，(4) 爆炸物探测系统 (EDS)，以及 (5) 二氧化碳 (CO2) 监测器。每个技术资格组下都有三个部分：合格技术部分、核准技术部分和祖父技术部分。合格技术部分按技术指定已经过 TSA 赞助的正式测试流程并被视为有资格进行筛查操作的设备。从 ACSTL 采购设备时，鼓励受监管方从合格技术部分中选择设备。 “认可技术”部分按技术指定了哪些设备已被有条件批准用于安检操作，并且目前正在进行或计划进行现场测试活动。这些设备自添加到“认可技术”部分之日起最多有 36 个月的时间成功通过 TSA 的适用性现场测试活动。如果设备无法在规定的 36 个月内通过现场测试活动，它将被从“认可技术”部分中删除。鉴于此，从“认可技术”部分采购设备的受监管方需自行承担风险。TSA 可自行决定将其他技术添加到“认可技术”部分。“祖父技术”部分按技术指定了哪些设备目前有资格用于安检货物，但有规定的有效期。这让使用祖父技术的受监管方有机会逐步淘汰该设备，并过渡到“合格”或“认可”部分中列出的设备。鉴于此，受监管方不应从此部分购买设备；相反，他们应该参考合格或批准部分来了解其采购需求。
冠状病毒（COVID-19）-扩大我们的检测项目
1.6 获得适当的人员、实验室空间、设备和化学品供应：需要专业实验室使用合适的诊断机器和熟练的专业人员来分析每个样本。我们很幸运，全国拥有大量这种高度专业化的机器（提取和 PCR）（仅 NHS 实验室就有 500 多台，英国公共卫生部实验室有近 100 台，大学和研究机构还有更多）。挑战在于全球缺乏全面运行端到端测试流程所需的材料，特别是有助于确保这些测试具有高灵敏度和特异性的试剂、用于验证的拭子，以及将特定材料与可用的不同机器相匹配的挑战。大多数这些高科技测试平台都是“封闭的”，这意味着这些材料只能由与机器相同的制造商提供。因此，我们依赖全球制造商来非常迅速地增加其特定试剂和试剂盒的数量。我们正在与他们合作，增加这些专有试剂的供应，最大限度地提高英国的全球分配，并创造这些组件的可持续供应，包括在英国建立本地制造基地。在可能的情况下，我们正在“开放”封闭平台，以利用合适试剂的替代供应商。在我们有开放平台的地方，我们正在迅速扩大本地组件供应并寻找创新替代品。利用我们在英国的世界级研究机构，我们一直在开发传统方法的替代品，试图克服 RNA 提取等限速步骤。我们还在迅速研究如何利用大学、研究机构和私人实验室的能力和技能，特别是在他们的平台开放的情况下，利用新兴的成功模式（如克里克研究所）研究对患者数据的影响。全国各地的实验室都准备扩大测试规模。有些实验室已经
利用人工智能技术进行语言学习
尽管对人工智能 (AI) 的研究可以追溯到几十年前，但由于大型语言模型 (LLM) 和旨在模仿人类对话的聊天机器人（如 ChatGPT）的出现，人工智能在过去几年中变得越来越突出。这导致人们对人工智能辅助教育的潜力重新产生了兴趣，特别是通过其改善个性化学习的潜力，以及它对学术诚信带来的挑战以及对安全和隐私的普遍担忧。在第二语言习得方面，人工智能的最新发展建立在智能计算机辅助语言学习 (iCALL)（Schulze，2008）的先前研究基础上，旨在研究如何通过个性化学习材料、教学和反馈来增强学习（Hellmich 和 Vinall，2021；Xiao 和 Park，2021；Dai 和 Wu，2023）。例如，在反馈方面，语言学习者可以使用人工智能技术在计算机或移动设备上录制自己的声音，然后通过语音评估系统获得分数和反馈（Dizon，2020；Zou 等，2023a）。此外，当他们使用人工智能进行口语练习时，可以通过社交网络环境中的协作活动来提高学习成果（Zou 等，2023b）。除了直接指导之外，人工智能还在提高管理、课程开发和测试流程的效率方面取得了重大进展（Xu 等，2021）。尽管人工智能在语言教育方面具有相当大的潜力，但该主题的研究仍然很少，现有的研究已经开始确定进一步研究的重要领域。一个新出现的问题是如何为学生提供一系列与课程和评估一致的输入。研究发现了语言学习人工智能编程方面的差距，包括调整各种类型的语言技能即时反馈等功能以维持自主学习。因此，需要进一步研究人工智能程序的潜力，探索如何将人工智能应用于培养现实生活中所需的语言技能。同样重要的是考虑人工智能程序中的即时反馈如何满足学习者的语言学习目标，以及如何设计各种反馈来增强学习者在计算机或移动设备上的自主学习。
实施数字孪生、设计和测试、测试和测量策略
摘要 — 当我们谈论测试和测量策略时，我们会不断使用准确性、可重复性和利用率。这些基本原则允许在测试对产品或程序生命周期的贡献中实现技术和业务要求之间的平衡。从设计的角度来看，测试是确保设计理论符合产品或生产规范的现实的事实上的工具。在制造业中，测试是确保质量和成本之间的平衡。对于支持，测试是关于洞察力和操作的简单性。所有这些都是企业成功不可或缺的一部分，但要实现这一切，有一个基本假设，即测试和测量策略是按照设计实施和运行的。事实上，从整个企业和/或工作流程来看，并非所有测试都是平等的。并非每个人都以相同的方式制定测试策略并在产品上模拟其有效性和效率。数字孪生策略的概念在机械领域已经存在多年，并开始在电气领域获得关注，以尽量缩小理论与现实之间的差距。这些相同的原理现在可以应用于测试和测量领域。这样的策略可以提高测试策略的准确性、可重复性和利用率。它还允许在由于技术和/或性能原因冻结设计之前进行测试或设计更改。这种设计和测试 (DaT) 流程不仅会改变设计和测试流程的工作方式，还会改变整体程序如何从概念到支持改变其开展业务的方式。本文将探讨数字孪生的历史，并展示数字孪生如何能够并且将在未来改变我们开发和实施测试策略的方式。它将详细说明整个产品/程序生命周期的工作流程将如何变化，以减少时间、资源和成本，同时显著提高可预测性和可重复性，并确保测试策略的一致性。本文最终将为制定测试和测量 DaT/数字孪生策略的蓝图奠定基础，分享当今用例的示例，并概述实施此类策略的业务和技术优势。
实现 PROMISE，可编程混合信号 ASIC 电子框架
B. 非易失性存储器 IP 非易失性存储器 (NVM) 宏广泛用于数字电路中，用于存储指令、用户数据或任何配置数据。在 PROMISE 中，NVM 宏保存用户定义的 FPGA 配置数据。FPGA 由多个 LUT 实例组成。一般来说，每个 LUT 都有配置信号，这些信号定义 LUT 执行的逻辑功能。同时，这些配置信号的集合定义了 FPGA 的特定用户功能。在 PROMISE FPGA 中，配置数据在通电时从 NVM 上传到 LUT 寄存器。显然，NVM 的数据容量等于 FPGA 配置信号的数量加上辐射加固技术所需的冗余位。在 PROMISE 中设计的 NVM 宏基于 180 nm HV CMOS 工艺中提供的 E2PROM 类型的 SONOS 单元。该单元有望提供令人满意的抗 TID 效应鲁棒性。E2PROM 类型的写入/擦除操作提供可靠的数据保留参数。单元耐久性（擦除/写入周期数）比 FLASH 单元类型差，但目标应用不需要高耐久性。通过使用标准 DARE RH 缓解方法，NVM 内存可抵御 SEL 和 SEU/SET。除此之外，还实施了具有单纠错双错检测 (SECDED) 功能的纠错码 (ECC) 作为 SEU 缓解方法。ECC 还提高了 NVM 的一般读取稳健性，因此在太空应用中非常需要。[3] 中详细描述了不同类型的纠错码。因此，NVM 宏将用作坚固且抗辐射的数据存储 IP。NVM 宏具有 344 kbits 用户数据容量，并由 32 位数据字组成，其中 24 位为用户数据，8 位为 ECC。它分为 2 个 32x22 页的存储体。每页包含 8 个字。内存组织参数在表 II 中提供。 NVM 具有标准同步并行用户界面，可简化读取操作。NVM 具有内置电荷泵以及所有控制逻辑，可根据用户指令执行擦除/写入操作。NVM 宏中实现了各种测试模式，以支持生产测试流程。断电模式是另一个内存功能，它