摘要 我们提出 AI-Lyricist:一个根据所需词汇和 MIDI 文件作为输入来生成新颖而有意义的歌词的系统。这项任务涉及多项挑战,包括自动识别旋律并从多声道音乐中提取音节模板、生成与输入音乐风格和音节对齐相匹配的创意歌词以及满足词汇约束。为了应对这些挑战,我们提出了一个自动歌词生成系统,该系统由四个模块组成:(1)音乐结构分析器,用于从给定的 MIDI 文件中获取音乐结构和音节模板,利用预期音节数的概念更好地识别旋律;(2)基于 SeqGAN 的歌词生成器,通过策略梯度进行多对抗训练优化,使用双鉴别器进行文本质量和音节对齐;(3)深度耦合的音乐歌词嵌入模型,将音乐和歌词投射到联合空间中,以便公平比较旋律和歌词约束;以及一个名为 (4) Polisher 的模块,通过对生成器应用掩码并替换要学习的单词来满足词汇约束。我们在超过 7,000 个音乐歌词对的数据集上训练了我们的模型,并通过主题、情感和流派方面的手动注释标签进行了增强。客观和主观评价均表明 AI-Lyricist 在所提出的任务上的表现优于最先进的技术。
《减弱音爆:异形音爆演示器和安静超音速飞行的探索》是对 2009 年初我有幸撰写的案例研究“减弱音爆:NASA 50 年的研究”的后续。这项相对较短的调查发表在《NASA 对航空学的贡献》第一卷(NASA SP-2010-570)中。尽管我之前熟悉航空史,但最初,我还是犹豫不决,是否要接触这个似乎如此深奥且技术性极强的话题。值得庆幸的是,一些有关过去超音速计划的信息性参考资料已经可以帮助我入门,最著名的是埃里克·M·康威的《高速梦想:NASA 和超音速运输的技术政治,1945-1999》,这本书在“减弱音爆”和随后的前四章中被频繁引用。中断两年之后,我在 2011 年 3 月恢复了音爆研究,并撰写了这本新书。我非常感谢著名航空历史学家理查德·P·哈利恩博士给我的机会,让他就这个迷人的主题进行写作。哈利恩博士是《美国国家航空航天局对航空的贡献》和新美国国家航空航天局 (NASA) 丛书的编辑,本书是该丛书的一部分。在扩充、更新并希望改进我之前的叙述的同时,本书的主要焦点是诺斯罗普·格鲁曼公司 (NGC) 以及一个由政府和行业合作伙伴组成的多元化团队所取得的突破,他们证明了飞机可以设计成显著降低音爆强度。我在 2008 年 12 月和 2011 年 4 月访问加利福尼亚州爱德华兹的德莱顿飞行研究中心 (DFRC) 期间得到了帮助,并通过电话和电子邮件与 DFRC 人员进行了交流,这对我的一手资料研究大有裨益。图书管理员 Karl A. Bender 博士向我介绍了 NASA 一流的科学和技术信息资源,并在 Freddy Lockarno 的帮助下,帮助我收集了大量重要文件。航空历史学家 Peter W. Merlin 在 Dryden 的档案馆藏中为我找到了其他资料来源。Dryden 的主要音爆研究者 Edward A. Haering 提供了宝贵的原始资料,回答了问题,并审阅了涉及他项目的章节。同事工程师 Timothy R. Moes 和试飞员 James W. Smolka 和 Dana D. Purifoy 帮助我提供了额外的
图 2 | 运动任务的 fPACT 和 7 T fMRI 结果。对右侧 FT(a:fMRI,b:左半球无颅骨 fPACT)、左侧 FT(c:fMRI,d:右半球颅骨完整 fPACT)和 TT(e:fMRI — 左图显示大脑左侧,f:左半球无颅骨 fPACT,g:fMRI — 左图显示大脑右侧,h:右半球颅骨完整 fPACT)的功能反应进行了成像。皮质上显示的功能反应(左栏)代表反应的最大振幅投影。功能反应也显示在通过激活的轴向(中间栏)和冠状(右栏)切片上。对于 FT(ad),我们选择相同的轴向和冠状切片显示在所有四张图像中。对于左侧无颅骨侧的 TT(e、f),我们选择彼此相距 5 毫米以内的切片。对于右侧颅骨完整侧的 TT(g、h),我们选择相同的轴向和冠状切片。但这些激活在空间上并不重叠。在每个功能图中,我们显示了以最大 t 值(𝑡𝑚𝑎𝑥)的 70% 为阈值的区域,这些区域列为每个皮质图下方的第一个值。皮质图下方显示了对应于最大 t 值的 70% 的 p 值(一元学生 t 检验)。白色箭头表示 fPACT 中的激活区域。比例尺:2 厘米。
分布式的声传感(DAS)允许将光纤变速(例如传统电信或工程电缆)变成密集的地震仪(即地震天线)可以连续几公里对地震波场进行采样(几乎)。DAS系统由审讯器和光纤电缆组成。das系统利用反向散射,这是一种现象,其中波浪遇到的反射体远小于其主要波长。在光纤中,当光脉冲与不同折射率的点(例如纤维中的杂质)相互作用时,会发生反向散射。egss,具有高温干岩层的人工地热储层,使用液压刺激,在高压下注入流体,以创建裂缝网络以进行热示驱动器。然而,诱导的地震性仍然是一个关注点(Grigoli等,2018)。为了解决这个问题,美国能源部在犹他州启动了锻造实验,重点是开发地热环境中诱导地震性的微震膜监测方法(Lellouch等,2021)。
最近,我们越来越多地听到人工智能这个词。因为人工智能的研究已经进行了很多年,但并不总是取得成功,但随着近年来深度学习的出现,终于有可能使这成为现实。人工智能研究,即利用机器执行人类智力活动的实践,几乎与计算机的出现同时开始,并且自 1956 年达特茅斯会议以来一直在认真开展。最初人们认为这可以借助计算机的强大计算能力来实现,但是并没有成功。此外,人们还研究是否可以通过对一切进行编程来实现智能,但所得到的结果还远远称不上智能。这个时代的技术仍在今天的智能扬声器和 Pepper 机器人中使用,但在与它们短暂交谈之后,人们很快就会厌倦它们,并且在很多情况下停止使用它们。基于这些经验的反思,通过模拟控制人类智力的大脑的功能来实现人工智能的想法诞生,并提出了神经网络和模糊概念。我当时也参与了这些领域的研究,虽然也取得了一些成果,但很多成果很难称得上是突破性的。深度学习就是在这样的历史背景下诞生的。这本质上是一个多层神经网络,研究发现,与当时使用的三到五层的神经网络相比,多层可以显著提高性能。多层化之所以困难,主要原因是当时计算机的计算能力较差,无法在实际的计算时间内完成多层神经网络所需要的大量计算。多层神经网络中的计算涉及大量的乘法和加法运算,但大多数运算都是独立的,没有顺序依赖性,从而可以实现并行运算。因此,利用近年来个人计算机中搭载的具有大量计算单元的GPU,以实用的计算时间和成本进行计算是高效的,这也是深度学习在许多应用领域得到应用的原因之一。另外,由于优化深度学习的机器学习部分是类似旅行商问题的优化问题,因此也可以使用量子计算机。因此,基于深度学习的人工智能现在可以以实际的计算时间和成本实现,并且正在用于各种应用领域。人工智能的应用开始出现在广泛的领域,包括超越人类大师的围棋和将棋程序、自动驾驶汽车、图像识别、语音识别、翻译以及文本、音乐和绘画的创作。这使得机器能够在很多领域做出智能决策,这在过去并不是完全可能的。
摘要................................................................................................................................................ i
图1.Wheatley 使用的热声系统剖面图 10 图 2.带有支撑结构的三板热声耦合示意图,其中一个热电耦合在 C 和 H 处安装有连接点,用于感应耦合器之间的温差。(Wheatley 等人,1983 年) ......................................................................................... 12 图3.Garrett (1991 年) 使用的四分之一波长热声制冷机示意图。虚线表示管内的压力分布 ...................................................................................... 15 图4.用于分析的带有板和间距厚度的坐标系的扩展视图 ...................................................................................... 29 图5.该图显示了平均温度下能量通量 H(瓦特)和波长 X(m) 随频率 f(Hz)的变化 ............................................................................................. 41 图6.该图显示了图中给出的参数下声功率 W(瓦特)随频率 f(Hz)的变化。5 ........................................... 42 图7.该图显示了图5 ......................................................................................... 43 图8.该图显示了图5 ....... 44 图9.5 ....... 45 图10.11.12.该图显示了在图 5 中给出的参数下声功率 W(瓦特)随压力幅度 PI(帕斯卡)的变化。该图显示了 COP 随压力幅度的变化。在图 5 中给出的参数下 Pi(帕斯卡)。5 ......................................................... 46 图该图显示了在图 5 中给出的参数下速度 u i 随压力 Pi(帕斯卡)的变化。5 ........................................................... 47 图该图显示了在图 5 中给出的参数下能量通量 H(瓦特)随管半径 R(米)的变化。 ................................ 48 图13.该图显示了在图 5 中给出的参数下声功 W(瓦特)随管半径 R(米)的变化。5 ................................................ 49
个性化医疗是解决癌症精准诊断和有效治疗挑战的关键技术[1],比单一的诊断或治疗方法更具优势。癌症诊疗在患者分层和个性化医疗以及实时监测纳米药物治疗过程方面显示出巨大潜力,从而提供有关纳米药物治疗效果的反馈。[2]诊疗系统的诊断功能提供有关生物体内肿瘤位置和大小的信息,而治疗功能则侧重于药物的抗肿瘤作用。[3]此外,分子成像是医学成像中最先进的技术,涉及肿瘤诊断、精准药物开发等领域。[4]在各种技术中,光声 (PA) 成像提供厘米级深成像深度,而荧光 (FL) 成像具有具有出色分辨率和灵敏度的优势;因此受到了广泛关注。PA 成像具有低灵敏度,而 FL 成像缺乏空间分辨率;因此,两者各有优缺点,具有互补的优势。