XiaoMi-AI文件搜索系统
World File Search System维纳滤波
基于随机滤波方法的储能元件剩余使用寿命预测综述
摘要：锂离子电池是一种绿色环保的储能元件，因其能量密度高、循环性能好而成为储能的首选。锂离子电池在充放电循环过程中会发生不可逆过程，造成电池容量的不断衰减，最终导致电池失效，准确的剩余使用寿命（RUL）预测技术对储能元件的安全使用和维护具有重要意义。本文综述了国内外储能元件RUL预测方法的研究进展。首先明确储能元件的失效机理，然后总结以锂离子电池为代表的储能元件RUL预测方法；其次，分析了基于卡尔曼滤波和粒子滤波的数据-模型融合方法在锂离子电池RUL预测中的应用，并讨论了储能元件RUL预测面临的问题及未来的研究展望。
更正为：针对信号相关噪声滤波的改进各向异性扩散方案
在本文中，应将以下提到的隶属关系添加到作者 Jihene Malek 的现有隶属关系中。“苏塞大学应用科学与技术高等学院电子系，4003 苏塞，突尼斯”。原文已更正。
用于深度立体匹配的自适应单峰成本体积滤波
最先进的基于深度学习的立体匹配方法将视差估计视为一个回归问题，其中损失函数直接定义在真实视差及其估计视差上。然而，视差只是由成本量建模的匹配过程的副产品，而间接学习由视差回归驱动的成本量容易出现过度拟合，因为成本量受到约束。在本文中，我们提出直接向成本量添加约束，方法是用在真实视差处达到峰值的单峰分布过滤成本量。此外，估计每个像素的单峰分布的方差，以明确模拟不同环境下的匹配不确定性。所提出的架构在 Scene Flow 和两个 KITTI 立体基准上实现了最先进的性能。具体来说，我们的方法在 KITTI 2012 评估中排名第一，在 KITTI 2015 评估中排名第四（记录于 2019.8.20）。AcfNet 的代码可以在以下位置找到：https://github.com/youmi-zym/AcfNet。
基于受试者相关和分段频谱滤波解码运动相关皮质电位
摘要 — 开发基于运动相关皮层电位 (MRCP) 的脑机接口 (BMI) 的一个重要挑战是在现实环境中准确解码用户意图。然而，与其他 BMI 范例相比，由于内源性信号特性，该性能仍然不足以进行实时解码。本研究旨在从预处理技术（即频谱滤波）的角度提高 MRCP 解码性能。据我们所知，现有的 MRCP 研究对所有受试者都使用了具有固定频率带宽的频谱滤波器。因此，我们提出了一种基于受试者的分段频谱滤波 (SSSF) 方法，该方法考虑了受试者在两个不同时间截面的个人 MRCP 特征。在本研究中，MRCP 数据是在受试者进行自我启动步行的动力外骨骼环境下获取的。我们使用实验数据和公共数据集 (BNCI Horizon 2020) 对我们的方法进行了评估。使用 SSSF 的解码性能为 0.86 (± 0.09)，在公共数据集上的性能为 0.73 (± 0.06)，适用于所有受试者。实验结果显示，与之前方法在两个数据集上使用的固定频带相比，该方法具有统计学上显著的增强 (p < 0.01)。此外，我们还通过伪在线分析展示了成功的解码结果。因此，我们证明了所提出的 SSSF 方法可以比传统方法包含更多有意义的 MRCP 信息。
一种用于癫痫发作预测的新型多尺度扩张 3D CNN
癫痫是一种神经系统疾病，以意外复发性发作为特征，影响着全球 1% 的人口 [1] [2]。由于癫痫发作的不确定性，它对患者的日常生活有很大影响，如果患者在危险情况下（例如开车、上下楼梯）癫痫发作，甚至会威胁患者的生命。因此，准确的癫痫发作预测对于帮助患者避免可能的伤害至关重要。脑电图是研究癫痫发作最常用的数据，根据所代表的人类大脑活动的不同状态，癫痫发作可分为四种类型，即发作前（癫痫发作前）、发作期（癫痫发作）、发作后（癫痫发作后）和发作间期（正常阶段）[3] [4] [5] [6]。通过使用机器学习或深度学习算法分析脑电图信号，可以区分发作前和发作间期，从而实现癫痫发作预测 [7] [8] [9]。机器学习算法依赖于手工制作的特征，原始EEG信号需要通过多种滤波技术进行预处理以消除噪声和伪影。带通滤波器、自适应滤波器、卡尔曼滤波器、维纳滤波器和贝叶斯滤波器是最常用的滤波技术[10][11]。例如，单变量谱功率[12]、脉冲率[13]、功率谱[14]、排列熵[15]和双谱熵[16]是以前基于机器学习的工作中使用过的特征。这些特征进一步输入到分类器（例如支持向量机（SVM）、多层感知器（MLP）、决策树）以获得预测结果。虽然机器学习方法是可行的，但手动处理EEG信号和复杂的特征工程使得
用于医学图像处理的卡尔曼布西滤波神经模糊图像去噪
推荐引用 推荐引用 G., Mohanapriya；Muthukumar S.；Santhosh Kumar S.；和 Shanmugapriya MM。“用于医学图像处理的卡尔曼布西滤波神经模糊图像去噪。”中智集合与系统 70, 1 (2024)。https://digitalrepository.unm.edu/nss_journal/vol70/iss1/19
利用机载激光雷达数据自动进行 3D 建筑物建模
2.2 城市物体检测 ................................................................................................................18 2.2.1 形态滤波 ...................................................................................................................... 18 2.2.2 插值滤波 ...................................................................................................................... 19 2.2.3 渐进致密化滤波 ............................................................................................................. 21 2.2.4 基于分段的滤波 ............................................................................................................. 22 2.2.5 建筑物检测 ...................................................................................................................... 23
基于集成卡尔曼滤波框架与机器学习算法的锂电池荷电状态估计
摘要：基于卡尔曼滤波（KF）框架和机器学习算法的电池等效电路模型荷电状态（SOC）估计研究相对有限，大部分研究仅针对少数几种机器学习算法，缺乏全面的分析比较，且大部分研究侧重于通过机器学习算法获取卡尔曼滤波框架算法模型的状态空间参数，再将状态空间参数代入卡尔曼滤波框架算法中进行SOC估计，此类算法耦合性强，复杂度高，实用性不强。本研究旨在将机器学习与卡尔曼滤波框架算法相结合，将五种卡尔曼滤波框架算法的输入、输出和中间变量值的不同组合作为六种主流机器学习算法的输入，估计最终的SOC。这六种主流机器学习算法包括：线性回归、支持向量回归、XGBoost、AdaBoost、随机森林、LSTM；算法耦合度较低，无需进行双向参数调整，且不涉及机器学习与卡尔曼滤波框架算法之间。结果表明，集成学习算法与纯卡尔曼滤波框架或机器学习算法相比，估计精度有显著提高。在各类集成算法中，随机森林与卡尔曼滤波框架的估计精度最高，且实时性好。因此，可以在各种工程应用中实现。
基于模型的脑电图阿尔法波滤波，以提高动态条件下的准确性和伪影检测
摘要 — 脑电图 (EEG) 是大脑电生理活动的记录，通常通过放置在头皮上的电极进行。EEG 信号包含有关大脑状态的有用信息，特定状态与特定频率的振荡（所谓的脑电波）相关；因此，EEG 信号通常根据其频率内容进行分析。一个值得注意的例子是 alpha 波 (8-14 Hz) 的幅度估计。本文提出了一种基于模型的估计方法，该方法基于已知的 alpha 波物理特性，可在快速幅度动态的情况下增强稳健性，并自动识别 alpha 波中可能存在的伪影或不连续性。本文通过应用于临床 EEG 信号说明了所提出的方法，但它特别适用于可穿戴 EEG 应用，例如脑机接口 (BCI)，其中没有专家的人工监督。索引词 — 脑电图、生物医学测量、信号处理、时域分析、频域分析、数字滤波器、脑机接口