24、数字孪生在研究数据管理中的应用与前馈SNN用于触摸模态预测

数字孪生在研究数据管理中的应用与前馈SNN用于触摸模态预测

在当今的科技领域，数字孪生（DT）和脉冲神经网络（SNN）正逐渐成为研究的热点。数字孪生在研究数据管理（RDM）中展现出巨大的潜力，而前馈SNN则为触摸模态分类提供了高效的解决方案。

数字孪生在研究数据管理中的应用

数字孪生在研究数据管理中发挥着重要作用。它将数据和信息在技术系统的整个生命周期内进行结构化存储，是工程研究的基础和数据来源。

数字孪生在RDM中的概念

在技术系统的设计阶段，当物理孪生体尚未存在时，就需要创建数字孪生。数字孪生接收来自文献、数据集、其他研究人员或项目的研究结果、模型和算法等数据和信息。为了遵循良好的科学实践，需要提供描述方法和工具来源的元数据，并将其包含在数字孪生中。静态数据（如出版物）需使用全局标识符（如DOI）声明，动态数据（如公共数据集或网站）则需标记版本号和访问日期。
在技术系统的构建过程中，系统元素的信息会被集成到数字孪生中，或者创建子系统的数字孪生并与整体系统的数字孪生相链接。为避免元数据解释性受限，可使用通用数据字典（如IEC 61630）提供标准化和机器可读的术语。除系统描述参数外，还会集成文档页面的链接。
技术系统在构建和实验运行准备期间会进行多次测试和校准，关键质量参数应在数字孪生中明确列出，测试数据和结果会提供数字本地标识符并通过URL链接文件。系统投入运行后，数字孪生通过API（如HTTP、OPC UA或MQTT）或有时间延迟的方式（如USB存储棒）接收物理孪生体的传感器和算法数据。数据可存储在技术系统、研究人员的私人计算机和/或内部和外部数据库（如MongoDB）中。
分析程序和算法可通过数字孪生的API查询（元）