XiaoMi-AI文件搜索系统
World File Search System谱估计
ECE 492-054/592-100 信号处理量子之旅...
算法。6. 傅里叶变换的计算：快速傅里叶变换（经典）和量子傅里叶变换。7. 相位估计：量子相位估计、经典谱估计、噪声谱估计。评分：核心成绩组成部分为家庭作业 40%、期末项目 30% 和考试 20%。我们将分配 10% 的成绩供学生追求各种量子兴趣。一个“量子兴趣”将是参加/总结/评论与课程相关的主题的研讨会；我们建议在北卡罗来纳州立大学量子中心研讨会 [2023 年 1 月] 或三角量子计算研讨会上进行演讲。另一种“量子兴趣”风格的贡献是让学生录制教育模块并将其放在网上。在 400 和 500 级别共同列出的课程中，我们将通过对研究生的期望有所提高来区分本科生和研究生。例如，本科生的期末项目可能是简要总结一篇论文。相比之下，我们希望研究生展示一些新颖性。
动态和随机风荷载作用下风结构破裂的疲劳和力学建模
本论文的目的是演示如何对水平轴风结构失效进行疲劳和力学理论分析。实现这一目标所需的计算链特别长，原因有两个：首先，风速随时间随机变化；其次，桅杆的振动幅度由于其固有振动频率而被放大。整整一章致力于对空间和时间上的风速进行建模。同一章演示了如何从功率谱密度（PSD）函数合成随机信号。转子的轴向力是风力结构水平轴上最重要的载荷。该力与风速呈非线性关系。这意味着需要使用谱估计技术从信号中确定轴向力的 PSD。 Thomson Multitaper 方法被证明对于该应用是最令人满意的。桅杆位移的 PSD 是通过将结构系统的承受能力与代表所有载荷的力的 PSD 相关联来确定的。最终可以从其 DSP 合成约束信号。讨论并应用了称为雨流的加载周期计数技术。事实上，压力信号具有可变幅度
氧化元素纳米颗粒的结构，光学和光催化特性
抽象球样二氧化葡萄纳米颗粒是通过热液法合成的。使用各种技术研究了所得的样品，包括X射线粉末衍射光谱（XRD），高分辨率扫描电子显微镜（HRSEM），能量分散X射线光谱（EDX），电子显微镜（TEM）和Ultraviolet可见吸收光谱（UVIS）。通过X射线衍射分析确定，立方荧光岩的晶体结构及其平均粒径范围在10-20 nm之间。使用高分辨率扫描电子显微镜测定二氧化岩纳米颗粒的直径。透射电子显微镜显示，二氧化岩纳米颗粒是球形的，直径约为15.3 nm。能量分散性X射线光谱显示出高度纯的二氧化岩纳米结构。通过紫外可见的吸收光谱估计二氧化岩岩的带隙能量为3.34 eV。此外，通过价带孔的作用，实现了刚果红色染料的最大光催化活性和最大光降解效率。
ξ-π：神经功率谱分解的非参数模型
摘要 — 从脑记录中估计出的功率谱是非周期性瞬态活动和周期性振荡的混合表示，即非周期分量（AC）和周期分量（PC）。定量神经生理学需要在参数化每个分量之前进行精确分解。然而，AC 和 PC 的形状、统计分布、尺度和混合机制尚不清楚，这对当前流行的参数模型（如 FOOOF、IRASA、BOSC 等）的有效性提出了挑战。这里提出了 ξ - π 来分解神经谱，方法是将带有惩罚 Whittle 似然的非参数谱估计和形状语言建模嵌入到期望最大化框架中。在具有损失统计的合成频谱以及具有评估指标和神经生理学证据的睡眠EEG和大样本iEEG上验证了ξ-π。与FOOOF相比，呈现形状不规则性的模拟和具有多个孤立峰的批量模拟都表明ξ-π在识别中心频率和峰值数量时以更少的损失和更高的F1分数改善了AC和PC的拟合度；睡眠EEG显示ξ-π产生了更多可区分的AC指数并提高了睡眠状态分类准确性；iEEG显示ξ-π在峰值发现方面接近临床发现。总体而言，ξ-π在频谱分解中提供了良好的性能，允许使用描述性统计数据或核函数进行灵活的参数化。ξ-π 可能成为认知神经科学、脑机接口、神经反馈和脑部疾病等领域脑信号解码的有前途的工具。
舞踏舞者的移动大脑成像
剖析舞蹈的神经生物学将揭示一种复杂但无处不在的人类交流形式。在这个实验中，我们试图通过移动脑电图 (EEG) 研究五位经验丰富的舞者在跳舞踏时的大脑活动，舞踏是一种起源于日本的后现代舞蹈。我们报告了一个高度跨学科项目的实验设计、方法和实际执行情况，该项目需要舞者、工程师、神经科学家、音乐家和多媒体艺术家等的合作。我们详细解释了我们如何在技术上验证我们所有的 EEG 程序（例如，通过阻抗值监测）以及如何最大限度地减少我们记录中的潜在伪影（例如，通过眼电图和惯性测量单元）。我们还描述了使我们能够实现以不同采样频率记录的信号之间的同步的工程细节和硬件，以及我们用来重新采样数据和消除电力线噪声的信号预处理和去噪管道。我们的实验最终以一场现场表演结束，我们通过艺术脑机接口在屏幕上实时可视化了舞者的脑间同步，我们概述了用于在线双谱估计的所有方法（例如过滤、时间窗口、方程）。我们还分享了我们在记录中使用的所有原始 EEG 数据和代码。最后，我们描述了我们如何设想这些数据可用于解决几个假设，例如脑间同步或发声学习的运动理论。据我们所知，这是第一项报告五名舞者同步和同时记录的研究，我们希望我们的研究结果将为未来的艺术与科学合作以及舞蹈运动疗法提供参考。
临床神经生理学
目的：轻度创伤性脑损伤 (mTBI) 发病率高，但诊断却很困难，因为其症状不特异性且多种多样，并且经常缺乏结构性影像学检查结果。需要可靠且易于使用的诊断工具，这些工具应适用于所有地点和患者群体。方法：我们评估了线性机器学习 (ML) 方法根据头部创伤后亚急性期（<2 个月）的传感器级脑磁图 (MEG) 功率谱将 mTBI 患者与健康对照者区分开来的能力。我们记录了 25 名患者和 25 名年龄性别匹配的对照者的静息态 MEG 数据，并利用了之前从不同地点收集的 20 名患者和 20 名对照者的数据集。用三种 ML 方法分别分析数据集。结果：分类准确率中位数在 80% 到 95% 之间，所应用的 ML 方法或数据集之间没有显著差异。与基于检测病理性低频活动的传统传感器级 MEG 分析相比，ML 的分类准确率明显更高。结论：易于使用的线性 ML 方法可使用传感器级 MEG 数据对 mTBI 患者进行可靠且可复制的分类。意义：功率谱估计与 ML 相结合可以高精度地对 mTBI 患者进行分类，具有很高的临床应用前景。2023 年国际临床神经生理学联合会。由 Elsevier BV 出版这是一篇根据 CC BY-NC-ND 许可协议开放获取的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。