XiaoMi-AI文件搜索系统
World File Search System轨迹数据
Mark 92 改进型 6 火控系统和 APL 的相干雷达数据程序
1985 年，Russell Rzemien、Jay F. Roulette 和 Paul R. Bade 设计了最初的 MK 92 MOD 6 CDC。CDC 记录雷达回波的同相和正交分量，以及其他相关雷达信息。雷达制造商构建了定制的雷达接口板，从 FCS 中提取所需的雷达信号。CDC 能够与 CAS 搜索、CAS 跟踪或 STIR 接口。CDC 一次只能从其中一个雷达收集数据。最初，数据存储在缓冲区中，然后传输到九轨磁带上。几年后，原来的磁带驱动器被更快、更密集的 8 毫米磁带驱动器取代，从而可以记录更多的数据。由于数据传输到磁带的速度不能像从雷达接收数据那样快，因此只能记录一部分数据。在收集搜索数据时，仅记录操作员指定的范围和方位有限的扇区内的数据。最初，扇区大小不能比 10 ° x 15 mi 大太多，具体取决于雷达波形。在收集轨迹数据时，CDC 会在指定的时间内连续收集数据，然后将数据下载到磁带并重复该循环。当 CDC 将数据下载到磁带时，不会记录雷达在此期间发送的轨迹数据。多年来，CDC 用于许多数据收集练习和测试活动。虽然用于 CAS 搜索收集的扇区大小相对较小，并且可收集轨迹数据的时间相对较短，但事实证明这些数据非常有用。困扰 MOD 6 系统的问题之一是，如果没有大型 CAS 搜索收集扇区，则很难进行分析。为了充分描述问题并评估所提出的方法，需要一个至少为 25 ° x 全范围的扇区大小。更大的收集扇区需要设计和构建新的 MOD 6 CDC。 Russell Rzemien、Ronald J. Clevering、Brian A. Williamson 和 Daryl I. Tewell 于 1994 年设计并建造了新的 MOD 6 CDC。雷达和 CDC 之间的接口保持不变。新的 CDC 利用
飞机识别、轨迹跟踪和预测最终...
介绍了改进飞机识别和轨迹预测方法的技术。这项工作是对高级跟踪器的扩展，它使用平移和姿态数据来提高轨迹跟踪和预测的准确性。这项工作中的新扩展涉及基于曲率半径估计器的新跟踪算法的开发、在预测间隔期间使用基于回归的人工测量以及基于远程轨迹测量的被跟踪车辆的飞机识别技术的开发。该程序使用在训练飞行中获得的 F-14A、AV-8B 和 A6 飞机的实际位置和姿态轨迹数据进行评估。
活细胞成像揭示 CTCF 和黏连蛋白介导的染色质环路动力学
* 通讯作者。leonid@mit.edu，zechner@mpi-cbg.de，ashansen@mit.edu。作者贡献：ASH 构思并启动了该项目。HBB、MG、SGH、LM、CZ、ASH 设计了该项目。ASH 进行了基因组编辑并生成了细胞系。GMD 克隆了质粒。MG、AJ、CC 和 ASH 表征并验证了细胞系。THSH 进行了 Micro-C。CC 进行了 ChIP-Seq。MG、AJ 和 HBB 使用来自 ASH 的输入优化了成像实验。MG 和 AJ 收集了图像数据。MG 和 AJ 进行了对照实验并表征了 AID 细胞系。HBB 开发了图像处理管道 CNN，并使用来自 ASH、SGH、MG 和 AJ 的输入分析了图像数据。HBB 使用来自 SGH 和 LM 的输入进行了聚合物模拟。MG、AJ、HBB 和 ASH 注释了轨迹数据。 SGH 和 CZ 在 HBB、LM 和 ASH 的帮助下设计了 BILD。SGH 开发并测试了 BILD，将 BILD 应用于轨迹数据，并在 HBB、LM、ASH 和 CZ 的帮助下开发了 MSD 分析。HBB 和 SGH 分析了聚合物模拟。ASH、LM 和 CZ 负责监督该项目。HBB、MG、SGH、AJ 和 ASH 起草了手稿和图表。所有作者都编辑了手稿和图表。+ 现地址：Illumina Inc.；美国加利福尼亚州圣地亚哥 92122 † 这些作者对这项工作的贡献相同，可以先列出自己的名字。
一种基于计算机视觉的航空视频中准确提取车辆轨迹的方法
车辆轨迹数据拥有有价值的信息，用于高级驾驶开发和交通分析。虽然无人机（UAV）提供了更广泛的视角，但视频框架中小规模车辆的检测仍然遭受低精度的折磨，甚至错过了。本研究提出了一个全面的技术框架，以进行准确的车辆轨迹提取，包括六个主要组成部分：视频稳定，车辆检测，车辆跟踪，车道标记检测，坐标转换和数据denosing。为了减轻视频抖动，使用了冲浪和绒布稳定算法。仅一旦使用X（Yolox）进行多目标车辆检测，就只能看一下一个增强的检测器，并在检测头中包含一个浅特征提取模块，以提高低级和小规模特征的性能。有效的通道注意力（ECA）模块在颈部之前集成，以进一步提高表现力。此外，在输入阶段还应用了滑动窗口推理方法，以防止压缩高分辨率的视频帧。Savitzky-Golay过滤器用于轨迹降低。验证结果表明，改进的Yolox的平均平均精度（地图）为88.7％，比原模型的增强5.6％。与Advanced Yolov7和Yolov8模型相比，所提出的方法分别将MAP@50增加到7.63％和1.07％。此外，已经开发了车辆轨迹数据集，并且可以在www.cqskyeyex.com上公开访问。大多数跟踪（MT）轨迹度量达到98.9％，单侧定位的根平方误差约为0.05 m。这些结果证实，所提出的框架是交通研究中高准确性车辆轨迹数据收集的有效工具。
数据驱动的交通基础设施维护
基础设施维护中数据的使用必须符合隐私保护法律法规。所有数据都应匿名化并加密。位置和轨迹数据应采用最强大的保护方法，因为它们会给公民带来最严重的漏洞。限制隐私风险的工具包括数据用户和提供者之间的保密协议、让受信任的第三方参与进行数据收集以及开发“安全答案”方法，其中只交换查询结果而不是原始数据。政府还可以促成数据共享伙伴关系，以实现数据驱动的维护，例如数据提供者和基础设施管理者之间的伙伴关系。但是，它可能希望将这种伙伴关系限制在公共利益数据上，并要求目的明确和数据最小化。
创新基金与现代化基金-EU气候行动
一旦可用，可以使用来自外部来源的“辅助数据”（例如eurocontrol）通过整洁。在这种情况下，只有飞行信息（例如呼号符号）由飞机操作员进行检查，以确保实际飞行的实际航班和整齐的呼叫标志之间的一致性。整洁的二级数据还包括4D飞行轨迹数据，来自外部来源的天气数据以及在燃料，发动机和飞机属性等特定数据集上的保守默认值。飞机运营商可能希望提供自己的数据，并用燃油流，飞机属性和发动机识别的更精确值替换默认值，这些值是从全年监控或其他来源监控的自己的跟踪系统中得出的。以后，我们称飞机运营商提供了“主要数据”的数据。
生存：使用机器学习的灵活生存分析工具bio3d.pdf
描述实用程序要处理，组织和探索蛋白质结构，序列和动态数据。功能包括能够读取和写入结构，序列和动态轨迹数据，执行序列和结构数据库搜索，数据汇总，原子选择，对齐，叠加，叠加，刚性核心识别，聚类分析，距离矩阵分析，距离矩阵分析，结构保存分析，序列保护分析，正常模式分析，正常模式分析，正常组成分析和正常数据和正常数据和正常数据和正常数据和正常数据。此外，还提供了各种效用函数，以使R环境的统计和图形能力能够与生物学序列和结构数据一起工作。有关更多信息，请参考以下网址。
中国大型场实验的证据
随着共同的19日大流行的结束，政府发现自己面临着新的挑战：激励公民恢复经济活动。这样做是什么有效的方法？我们使用在城市Covid-19锁定结束后立即在中国郑州市进行的领域实验调查了这个问题。使用参与者手机的自我报告和GPS轨迹数据，我们评估了提供有关恢复经济活动的参与者邻居比例的信息的效果。我们发现，在那些低估了恢复经济活动的邻居比例的参与者中，向个人访问餐厅的计划通知个人访问餐厅的计划将访问餐厅的比例增加12个百分点（37％）。那些高估的人没有通过减少餐厅出勤而做出回应，因此干预措施没有“ Boomerang”影响。我们探索主持人，风险感知和公园的安慰剂干预。所有这些分析都表明，我们的干预措施通过减少去餐馆的风险来进行。
ControlTraj-Controlable-Trajectory-generation-with-Topoology- ...
生成轨迹数据是解决隐私问题，收集成本和通常与人类流动性分析相关的专有限制的有希望的解决方案之一。然而，由于人类活动的固有多样性和不可预测性，与忠实，灵活性和普遍性等问题有关，现有的轨迹生成方法仍处于起步阶段。为了克服这些障碍，我们提出了ControlTraj，这是一个具有拓扑约束扩散模型的控制范围的traj traj eTecorentor生成框架。与先前的方法不同，控制了一个扩散模型，以生成高保真轨迹，同时整合了道路网络拓扑的结构约束，以指导地理结果。具体来说，我们开发了一种新颖的路段自动编码器，以提取细粒度的道路嵌入。随后将编码的特征以及TRIP属性合并为名为GeiOnet的拟议地理DeNoing Unet架构，以从白噪声中综合地理传播。通过在三个现实世界数据设置进行实验，ControlTraj展示了其
通过机器学习增强重复读数
摘要 单次读出是可扩展量子信息处理的关键部分。然而，许多具有良好特性的固态量子比特缺乏单次读出能力。一种解决方案是使用重复量子非拆除读出技术，其中量子比特与辅助量子比特相关，然后读出辅助量子比特。因此，读出保真度受到测量对量子比特的反作用的限制。传统上采用阈值法，其中仅使用总光子数来区分量子比特状态，丢弃隐藏在重复读出测量的时间轨迹中的所有反作用信息。这里我们展示通过使用机器学习（ML），人们可以利用时间轨迹数据获得更高的读出保真度。ML 能够识别反作用发生的时间，并正确读出原始状态。由于信息已经被记录（但通常被丢弃），这种保真度的提高不会消耗额外的实验时间，并且可以直接应用于涉及重复读出的测量制备和量子计量应用。