XiaoMi-AI文件搜索系统
World File Search System跨腔
跨...
摘要：在电缆中的绝缘层的交联聚乙烯（XLPE）的广泛使用可能归因于其出色的机械和介电性能。为了定量评估热老化后XLPE的绝缘状态，建立了加速的热老化实验平台。极化和去极化电流（PDC）以及在不同老化持续时间下XLPE绝缘裂纹时的伸长率。XLPE绝缘状态取决于断裂保留率（ER％）的伸长率。基于扩展的Debye模型，本文提出了稳定的松弛电荷数量和0.1 Hz的耗散因子，以评估XLPE的绝缘状态。结果表明，XLPE绝缘的ER％随着衰老程度的增长而降低。XLPE绝缘的极化和去极化电流将随着热老化而明显增加。电导率和陷阱水平密度也将增加。扩展Debye模型的分支数量增加，并出现新的极化类型。在本文提出的0.1 Hz处的稳定的松弛电荷量和耗散因子与XLPE绝缘的ER％具有良好的拟合关系，可以有效地评估XLPE绝缘的热老化状态。
超出管腔评估
摘要：由于CT扫描技术的快速技术进步，心血管CT被广泛用于诊断心血管疾病。这些进步包括从早期到最新型号的多层CT的开发，它具有获取具有高空间和时间分辨率的图像的能力。最近的光子计数CT的出现在临床应用中进一步提高了CT性能，从而改善了空间和对比度分辨率。CT衍生的分数流储备优于基于标准CT的解剖学评估，用于检测病变特异性的心肌缺血。CT衍生的3D印刷患者特异性模型也优于标准CT，在教育价值，手术计划和心血管疾病治疗的模拟方面具有优势，并增强了医生 - 患者的交流。三维可视化工具，包括虚拟现实，增强现实和混合现实，进一步提高了心血管疾病中心血管CT的临床价值。随着人工智能，机器学习和心血管疾病中深度学习的广泛使用，心血管CT的诊断性能得到了显着改善，并且在疾病诊断和预测方面都提出了令人鼓舞的结果。还讨论了这些技术的局限性和未来前景。本评论文章概述了心血管CT的应用，从传统的管腔评估的诊断价值的角度涵盖了其性能，以鉴定易受伤害的病变，以通过使用这些高级技术来预测疾病结果。
腔内时空偏移
摘要。光学元面具有无与伦比的灵活性，可以通过下波长的空间分辨率操纵光场。将元面耦合到具有强光学非线性的材料可能允许超快时空光场调制。但是，到目前为止所证明的大多数元整口是线性设备。在这里，我们在实验上证明了同时使用单层等离子式肩面与纤维激光腔中的Epsilon-Near-Zero（ENZ）材料强耦合。虽然元表面的几何阶段被用来将激光器的横向模式从高斯束转换为带有轨道角动量的涡旋束，但通过Q -Switching过程，ENZ材料的巨大非线性可饱和吸收使脉冲激光产生。在激光腔中直接整合时空跨表面可能为开发具有量身定制的空间和时间剖面的微型化激光源铺平了道路，这对于多种应用来说是有用的，例如超级分辨率成像，高密度光学存储，高密度光学储存以及三维激光射击光刻。
跨职位、跨公司、跨空间的远程工作
感谢 Yabra Muvdi 提供的出色研究协助，他创建并估算了分类算法，并感谢 Miaomiao Zhang 和 Kelsey Shipman 为数据分析提供支持。Hansen 非常感谢 ERC Consolidator Grant 864863 的资金支持，感谢伦敦政治经济学院 STICERD 博士研究基金和英联邦奖学金委员会的 Lambert 的资金支持，感谢 Smith Richardson 和 John Templeton 基金会的 Bloom 的资金支持，感谢 Templeton 基金会和芝加哥大学布斯商学院的 Davis 的资金支持，感谢哈佛商学院的 Sadun 的资金支持。本文附带的精选可视化和数据可在 www.WFHmap.com 上找到。本文表达的观点为作者的观点，并不一定反映美国国家经济研究局的观点。
录用稿件，非最终出版稿 - 工程科学学报
因此，跨个体、跨场景的脑电分析方法逐渐成为研究热点。越来越多的研究人员将广泛应用脑 电信号分析的特征于跨个体、跨场景的脑电信号分析研究中。 Touryan 等人采用经典的独立成分分 析的特征分析方法描述特征空间，计算功率谱密度（ Power Spectral Density ， PSD ），并采用顺序 前向浮动选择方法识别频谱特征中的独立成分集，结果表明该方法可以识别出跨场景脑电信号中的 共同成分 [88] 。 Kakkos 等人采用了特征融合的方法，将 PSD 与功能连接特征相结合，提高了跨场景 分类的性能，并证明了脑特征融合在跨场景中的应用更为有效 [89] 。 Xing 等人将模糊熵特征用于跨 场景脑电信号分析，发现模糊熵特征相对于其他特征更能适合跨场景 [90] 。卷积神经网络 （ Convolutional Neural Networks ， CNN ）和递归神经网络（ Recurrent Neural Networks ， RNN ）等基 于深度学习的新型跨任务模型在跨场景脑电分析中展现了巨大潜力。这些模型能够自动提取特征和 学习复杂的脑电特征，从而有效地缩小不同任务和场景之间的差距，提高模型的泛化能力 [91][92][93] 。 近年来，一些跨学科的方法被创新性地应用于跨场景研究， Zhao 等人提出了一种跨学科的对齐多 源域自适应方法，用于跨个体的 EEG 疲劳状态评估，显著提高了模型的泛化能力 [94] ， Zhou 等人在 此基础上进行改进，提出了一种跨任务域自适应方法，有效提升了跨场景认知诊断的性能 [95] 。