XiaoMi-AI文件搜索系统
World File Search System自动地
QSEEK：一个用于自动地震检测，本地化和表征的数据驱动框架
摘要我们引入了一种数据驱动的方法和软件，用于检测和定位大型地震数据集中的地震。通过结合通过神经网络相拾取器传递的地震阶段到达注释，并通过自适应OCTREE搜索进行波形堆叠，我们也可以自动检测并定位Seis-MIC事件，即使在噪声主导地震数据中也是如此。搜索量的分辨率是地震源位置的迭代精制；该策略促进了有效，快速和准确的搜索。我们提出了一个基于既定框架，fea-turing事件检测层和复杂的3D速度模型以及事件特征提取功能，SutasmomentAndlocomeMentAndlocalMagnitudeCalcalulculationFrompeakeakermotions，提供了一个用户友好且高性能开源软件框架。Weimedsatation特定的校正和特定于源的电台项中的搜索中，以提高位置准确性。我们通过从不同地区和地质环境中的大型地震数据集中提取广泛的地震目录来验证并验证我们的方法：（1）冰岛雷克雅内斯半岛； （2）德国Eifel火山区； （3）犹他州锻造。我们从构造活动，火山群和诱导的微吸毒活性中捕获地震事件，幅度在-1到5。如此精确而完整的地震目录有助于解释和理解原本隐藏的地下过程。
越野自动地面车辆的强大预纳
摘要 - 由于频繁的车轮滑动，变化的车轮半径，并且车辆的3D运动不适合集成车轮速度测量法的2D性质，因此对越野车的状态估算中不常数使用。本文试图通过提出新颖的3D前纳入歧管上的3D前整合来克服这些问题。我们的方法添加 - 在线估计轮式滑移，半径和基线，以提高准确性和鲁棒性。此外，由于预先整合，可以使用车轮滑动和内在的一阶更新将许多测量结果汇总到单个运动约束中，从而可以在基于优化的状态估计框架中有效使用。虽然我们的方法可以与因子图框架中的任何传感器一起使用，但我们验证了其在蒙特卡洛模拟中视觉 - 轮键盘系统（VWO）中参数的有效性和可观察性。此外，我们说明了它的准确性，并证明它可用于在VWO和Visual惯性和视觉惯性轮式（VIWO）系统中在现实世界中的越野场景中克服其他传感器故障。
实施自动地面车辆的网络安全框架
ACKNOWLEDGMENTS ......................................................................................... iii ABSTRACT ............................................................................................................... iv LIST OF ILLUSTRATIONS ..................................................................................... vii LIST OF TABLES ..................................................................................................... viii第1章INTRODUCTION ......................................................................................... 1 1.1 Emerging Applications of Autonomous Vehicles ................................... 1 1.2 Security Concerns for Autonomous Vehicles .......................................... 1 1.3 AutoMav Autonomous Ground Vehicle .................................................. 2 1.4 NIST Risk Management Framework ....................................................... 2 2。LITERATURE REVIEW .............................................................................. 4 2.1 Vehicle Cybersecurity .............................................................................. 4 3.METHODOLOGY ........................................................................................ 5 3.1 AutoMav Design Process ......................................................................... 5 3.2 NIST Risk Management Framework ....................................................... 5 3.2.1 Categorize Information System ...................................................... 6 3.2.2 Select Security Controls ................................................................................................................................................................. 7 3.2.3实施安全控制.......................................................................
性能受限飞机的多路径自动地面防撞系统及飞行测试：Have Medusa 项目
1.1 背景 .......................。。。。。。。。。。。。。。。。。。。。。。。。....1 1.2 研究问题动机和描述 .....................3 1.2.1 案例研究：HAVOC 58 和 HAZE 01 ....................4 1.2.2 事故致因 ....................................6 1.3 目标和范围 .....。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。..7 1.3.1 研究目标 ......................................9 1.3.2 飞行试验目标。......。。。。。。。。。。。。。。。。。。。。。。。。.......10 1.4 约束 ..............。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。11 1.5 限制。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。12 1.6 假设。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。12 1.7 预期贡献。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。12 1.8 章节摘要和文档大纲。。。。。。。。。。。。。。。。。。。。。。。。。13
自动地面 EMI 发射器检测、分类...
自动地面 EMI 发射器检测、分类和定位 Richard Stottler Stottler Henke Associates, Inc.，加利福尼亚州圣马特奥 94002 Chris Bowman，博士。数据融合和神经网络，科罗拉多州布鲁姆菲尔德 80020 Apoorva Bhopale 空军研究实验室，RVSV，新墨西哥州阿尔伯克基 87123 摘要 地面站天线位置的清晰操作频谱对于与卫星通信、指挥、控制和维护卫星健康至关重要。电磁干扰 (EMI) 会干扰这些通信，因此追踪 EMI 源对于防止其将来发生至关重要。基于 CasE 推理的地面 RFI 定位自动化 (TRACER) 系统旨在自动定位和识别地面 EMI 发射器，提供改进的空间态势感知，实现显著的人力节省，大大缩短 EMI 响应时间，提供系统无需程序员参与即可发展的能力，并提供对对抗场景（例如干扰）的更多支持。TRACER 已经针对卫星通信天线和位于其附近的扫描测向 (DF) 天线进行了原型设计和真实数据（随时间变化的幅度与频率）测试。TRACER 监控卫星通信和 DF 天线信号，以使用根据过去正常通信和 EMI 事件案例训练的神经网络技术来检测和分类 EMI。基于 d