Dead_Simba-优快云博客

翻译【粒子跟踪】使用动态移动激光点的稳健实时3D单粒子跟踪

需要注意的是，图4(b)和4(c)中观察到的强度和z位置之间的反向相关性是由球面像差引起的，未来的工作中可以通过使用水浸没物镜来减少这一影响。这种新方法称为3D动态光子定位追踪（3D dynamic photon localization tracking，3D-DyPLoT），通过在三维中实现优化的位置估计算法，以提高RT-3D-SPT的速度、稳健性和灵敏度，使能够追踪扩散速度超过10 μm²/s且发射频率接近20 kHz的三维粒子，包括直径约30纳米的量子点和在溶液中用荧光蛋白标记的单病毒颗粒的扩散。

2025-07-07 16:33:30 11

翻译电动车电池健康监测方法的进展：电池建模、状态估计和基于物联网的方法

Hannan等人强调，电池健康监测系统（battery health monitoring system，BHMS）在电池模块的充电和放电过程中持续监测电池单元的退化。除了确保电池组系统的可靠性和安全性，电动汽车（EVs）还结合了电池监测系统，正如Xiong等人所发现的那样。（a）评估电池特性，包括充电状态（SoC）、健康状态（SoH）和工作状态（SoT）（b）计算电池平衡（c）故障诊断（d）确保温度得到管理（e）保证电路安全（f）具有用户友好的设计。

2025-07-07 14:41:16 53

翻译用于锂离子电池健康状态估计的先进机器学习技术：一项比较研究

锂离子（Li-ion）电池的健康状态（State-of-Health，SOH）的准确建模和预测对于延长其寿命、确保可靠性和最小化与广泛实验室测试相关的成本至关重要。本文研究了利用先进的机器学习（ML）技术进行Li-ion电池SOH估计。具体而言，使用恒流恒压（Constant Current Constant Voltage，CCCV）协议对三星INR18650–35E单元进行了600个循环。ML方法的输入数据是从充电和放电循环中提取的，以获得最佳结果。

2025-07-02 15:09:07 15

转载【粒子跟踪】现有代码解析（2）：track_XYBayesZBayes

输入参数D：粒子的扩散系数，单位为 m²/s。s：粒子的亮度，单位为计数每秒（cps）。bofr：背景强度的 1D 向量，长度比r的长度多 1。背景强度根据r的值选择。r：背景强度变化的 1D 向量。ki：xy 轴的积分反馈参数。kiz：z 轴的积分反馈参数。N：轨迹的初始步数。ogtau：初始的时间间隔。varargin：可选参数。输出参数trkerr：粒子位置与舞台位置之间的绝对差异（xy、z、xyz）。len：轨迹的长度（步数）。tau：经过调整后的最终时间间隔。mleerr。

2025-07-01 19:14:41 17

翻译【粒子跟踪】荧光显微镜图像中粒子的深度概率跟踪

卷积神经网络（CNN）用于提取外观特征，生成辨别性外观模型，进行目标检测，计算分配分数，以及运动预测。递归神经网络（RNN）通常用于计算跟踪片段和检测（或跟踪片段和其他跟踪片段）之间的分配分数，这通常利用外观特征，而这些特征几乎无法用于跟踪不可区分的粒子。CNN和RNN被结合用于在模拟高能物理数据中找到检测器命中之间的对应，而不使用像贝叶斯滤波中的预测和更新步骤。由于神经网络通常由大量参数和非线性激活组成，计算网络输出的（多模态（multi-modal））后验分布是不可处理的。

2025-06-24 10:22:18 24

原创【粒子跟踪】现有代码解析（1）

神经网络模型类定义了一个具有两个隐藏层的前馈神经网络，用于预测光子（例如荧光分子）的位置。这种类型的网络适合于回归任务，其中目标是预测连续的输出值。__init__方法是类的构造函数，用于初始化模型的层和参数。input_size参数指定了输入特征的数量。参数指定了隐藏层神经元的数量。参数指定了输出特征的数量，在这个场景中，通常是二维的（例如，x和y坐标）。调用了父类nn.Module的构造函数，是初始化模型时必须的步骤。这些行定义了模型中的全连接层（Linear层），也称为线性层。fc1。

2025-06-19 11:29:39 830

翻译【粒子跟踪】结合在线贝叶斯和窗口化背景及信号定位估计，有助于在复杂环境中进行主动反馈粒子跟踪

至今，主动反馈跟踪实验依赖于相对简单的算法来估计粒子位置。这种简单性是必要的，因为分子必须被定位，并在分子有机会扩散出检测体积之前及时应用反馈，这大约是在毫秒级的时间尺度上。算法复杂性的增加会导致位置估计计算时间的增加，从而限制响应能力。为了保持估计计算时间低于物理响应速度，大多数跟踪实现使用强度变化来检测粒子位置的变化。

2025-06-18 11:50:44 49

原创【AI x FPGA自学笔记】基于多层神经网络的双质量驱动系统速度估计的FPGA实现

本文提出了一种基于神经网络（NN）的负载机械速度估计器的实用实现，适用于具有弹性耦合（elastic coupling）的驱动系统，使用可重构FPGA。该系统的独特之处在于多层神经网络被实现于置于NI CompactRIO控制器内部的FPGA中。作为状态估计器（state estimator）的神经网络是使用Levenberg-Marquardt算法进行训练的。本文提出了一种适用于此类硬件平台的多层神经网络实现的特殊算法，重点在于最小化FPGA矩阵中使用的可编程块。

2025-06-12 14:29:58 878

原创【AI x FPGA自学笔记】基于参数化FPGA的通用在线神经网络的开发与实现

通过利用FPGA的可重构性，将基于参数化软件的人工神经网络（ANN）和ANN模拟器的灵活性转移到硬件平台上。这样做，我们将使用户能够在硬件上高效地探索设计空间和原型，正如现在在软件中所能做到的那样。

2025-06-11 17:20:58 961

原创【AI x FPGA自学笔记】一种加速FPGA实现人工神经网络(ANN)的有效设计方法

在文章【1】中，提出并制定了一种基于C++的训练方法，以加速在FPGA中实现人工神经网络（ANN）。所提出的ANN实现方法使用一个自定义的。

2025-06-09 20:18:33 1146

原创【AI x FPGA自学笔记】基于FPGA的智能成像系统中用于实时图像去噪和边缘保存的可重构AI矢量中值滤波器

本文【2】提出了一种新的两阶段去噪算法来处理脉冲噪声。在第一阶段，采用自适应二能级前馈神经网络（adaptive two-level feedforward neural network (NN) ）和反向传播训练算法（back propagation training algorithm）来清除噪声并保持信息的完整性。第二阶段，提出受人类视觉系统（HVS）启发的模糊决策规则（fuzzy decision rules），将图像像素分为人类感知敏感类和非敏感类，并补偿边缘的模糊和中值滤波器造成的破坏。

2025-06-09 14:40:20 1184

转载【LabVIEW FPGA模块用户手册】创建FPGA VI（1）

某些LabVIEW FPGA模块应用包含可被FPGA VI中的多个对象（例如，函数或子VI）访问的共享资源。每个共享资源包含一个或多个资源接口(interfaces)。资源接口在对象和共享资源间通信，如下图所示。在FPGA VI程序框图中2个或多个对象同时请求通过同一个资源接口访问同一个共享资源将产生资源冲突(resource contention)。在上面的示意图中未发生资源冲突，因为对象请求通过两个不同的资源接口访问该共享资源。

2025-06-06 20:13:27 39

转载【LabVIEW FPGA模块用户手册】FPGA应用和项目简介

使用项目浏览器窗口()管理FPGA项目。每个FPGA项目随系统架构的组成部分改变。下图展示了本地系统Local System.lvproj和嵌入式系统Embedded System.lvproj的组成部分。

2025-06-06 11:05:42 68

转载【LabVIEW FPGA模块用户手册】FPGA编程概述

FPGA = 逻辑块(Logic Blocks) + I/O块(I/O Blocks) + 可编程线路(Programmable Routing)FPGA资源被组合在逻辑片内，以创建可配置逻辑块。每个逻辑片包含一组LUT、触发器和多路复用器(multiplexers)。LUT是FPGA上一组硬接线的逻辑门。LUT是存储每个输入组合的预定义输出列表的逻辑块，因此能够快速获取逻辑操作的输出。触发器是能够实现两个稳态，表示一个比特的电路。多路复用器（通常称为MUX）在两个或多个输入之间选择输入，并输出选中的输入。

2025-06-06 10:41:17 67