XiaoMi-AI文件搜索系统
World File Search System计算精度
具有双V形磁铁结构的永久磁体同步电动机的动态等效磁网络模型和驱动系统
等效磁网络（EMN）方法似乎是电动机中磁场的一种更有效的分析方法，比等效磁路方法（EMC）[11]和比有限元方法（FEM）相比，相结合了更高的计算精度和更快的计算速度。W. Shi等。研究了具有V形磁铁结构的PMSM的EMN，该结构可以准确计算磁场分布并模拟电动机的抗磁力化能力[12]。J. Zhang等。 提出了双层磁铁结构永久磁铁同步不情愿电动机，并建立了其EMN模型，该模型可以准确计算电动机的气隙通量密度分布，并用于转子结构的设计和优化[13]。 尽管如此，[12]和[13]中的EMN模型不可用于计算绕道通量，电动力（EMF）和扭矩波形以及转子旋转。 然后，介绍了根据转子位置修改EMN在定子和转子之间的连接的动态EMN模型，以解决此问题。 H. Kwon等。 研究并建立了具有表面无磁体结构的PMSM的动态EMN模型，该模型可以获得与FEM相似的磁场计算结果[14]。 G. Liu等。 研究了具有单层V形磁体结构的PMSM的动态EMN模型。 其正确性通过FEM和实验验证[15]。 但是，在本文中对拟议的DVMPMSM的动态EMN模型没有相关的研究。J. Zhang等。提出了双层磁铁结构永久磁铁同步不情愿电动机，并建立了其EMN模型，该模型可以准确计算电动机的气隙通量密度分布，并用于转子结构的设计和优化[13]。尽管如此，[12]和[13]中的EMN模型不可用于计算绕道通量，电动力（EMF）和扭矩波形以及转子旋转。然后，介绍了根据转子位置修改EMN在定子和转子之间的连接的动态EMN模型，以解决此问题。H. Kwon等。研究并建立了具有表面无磁体结构的PMSM的动态EMN模型，该模型可以获得与FEM相似的磁场计算结果[14]。G. Liu等。研究了具有单层V形磁体结构的PMSM的动态EMN模型。其正确性通过FEM和实验验证[15]。但是，在本文中对拟议的DVMPMSM的动态EMN模型没有相关的研究。在[16]中，动态EMN模型用于表面安装的PMSM的多目标优化，这对电动机的快速设计有益。
社论：大脑计算机界面及其应用
目前，脑部计算机界面（BCI）是神经科学领域的研究重点和热点。相关技术被广泛用于各种情况，例如临床使用，康复，工程和日常生活。BCI使用不同的大脑信号，记录方法和信号处理算法来在大脑与外部软件/硬件平台之间构建链接。随着硬件（例如BCI芯片，可穿戴设备）和算法（例如机器学习，深度学习）的开发，BCI变得越来越实用和稳定。我们发布了此研究主题，以收集BCI的全球最新研究。来自世界各地的研究人员积极参与并贡献了许多手稿。经过仔细和专业审查所有提交的内容后，接受了14项高质量手稿。在此主题中，一些贡献着重于在BCI中使用深度学习，其中卷积神经网络（CNN）是最广泛使用的。Zhang等。 为基于脑电图的身份身份验证提出了一种多尺度的3D-CNN方法。 实验结果表明，所提出的框架的分类性能非常出色，并且多尺度卷积方法有效地提取跨特征域的高质量身份特征。 Qiu等。 使用脑电图（EEG）和在红外光谱（FNIRS）附近的功能性跟踪中性和首选音乐引起的大脑活动。 作者得出的结论是，音乐可以促进大脑活动，尤其是在带有首选音乐的前额叶叶中。Zhang等。为基于脑电图的身份身份验证提出了一种多尺度的3D-CNN方法。实验结果表明，所提出的框架的分类性能非常出色，并且多尺度卷积方法有效地提取跨特征域的高质量身份特征。Qiu等。 使用脑电图（EEG）和在红外光谱（FNIRS）附近的功能性跟踪中性和首选音乐引起的大脑活动。 作者得出的结论是，音乐可以促进大脑活动，尤其是在带有首选音乐的前额叶叶中。Qiu等。使用脑电图（EEG）和在红外光谱（FNIRS）附近的功能性跟踪中性和首选音乐引起的大脑活动。作者得出的结论是，音乐可以促进大脑活动，尤其是在带有首选音乐的前额叶叶中。Deng等。 提出了Sparnet，这是一个由五个平行卷积过滤器组成的CNN和挤压和激发网络（SENET），以学习EEG空间频率域特征，并区分抑郁和正常控制。 计算结果表明，SPARNET的灵敏度为95.07％，而特定的敏感性为93.66％。 Wang和CERF结合了常见的空间模式（CSP）特征和径向基函数神经网络（RBFNN），以对运动成像进行分类。 该算法在基于脑电图的动作解码中提供了高可变性和跨主题。 在两个数据集（即BCI竞争IV -2A和-2B）上，计算精度更高或接近90％。 Chen L.等。 将EEG信号转换为对称正定定义（SPD）矩阵，并使用CNN捕获SPD矩阵的特征。 元转移学习（MTL）用于避免耗时的校准。 Chen G.等。 探讨了音频辅助的视觉BCI拼写器和基于深度学习的单次事件相关电位（ERP）解码策略的可行性。 提出了基于空间的注意CNN（STA-CNN）来识别单验ERP成分。 在10个受试者中记录的EEG数据集中，Sta-CNN的平均分类准确性为77.7％。Deng等。提出了Sparnet，这是一个由五个平行卷积过滤器组成的CNN和挤压和激发网络（SENET），以学习EEG空间频率域特征，并区分抑郁和正常控制。计算结果表明，SPARNET的灵敏度为95.07％，而特定的敏感性为93.66％。Wang和CERF结合了常见的空间模式（CSP）特征和径向基函数神经网络（RBFNN），以对运动成像进行分类。该算法在基于脑电图的动作解码中提供了高可变性和跨主题。在两个数据集（即BCI竞争IV -2A和-2B）上，计算精度更高或接近90％。Chen L.等。 将EEG信号转换为对称正定定义（SPD）矩阵，并使用CNN捕获SPD矩阵的特征。 元转移学习（MTL）用于避免耗时的校准。 Chen G.等。 探讨了音频辅助的视觉BCI拼写器和基于深度学习的单次事件相关电位（ERP）解码策略的可行性。 提出了基于空间的注意CNN（STA-CNN）来识别单验ERP成分。 在10个受试者中记录的EEG数据集中，Sta-CNN的平均分类准确性为77.7％。Chen L.等。将EEG信号转换为对称正定定义（SPD）矩阵，并使用CNN捕获SPD矩阵的特征。元转移学习（MTL）用于避免耗时的校准。Chen G.等。 探讨了音频辅助的视觉BCI拼写器和基于深度学习的单次事件相关电位（ERP）解码策略的可行性。 提出了基于空间的注意CNN（STA-CNN）来识别单验ERP成分。 在10个受试者中记录的EEG数据集中，Sta-CNN的平均分类准确性为77.7％。Chen G.等。探讨了音频辅助的视觉BCI拼写器和基于深度学习的单次事件相关电位（ERP）解码策略的可行性。提出了基于空间的注意CNN（STA-CNN）来识别单验ERP成分。在10个受试者中记录的EEG数据集中，Sta-CNN的平均分类准确性为77.7％。