视听时间再校准：适应空间与适应客体的联合及独立作用

同一事件的视听成分即使同时发生,由于两种信息的物理传播与神经传导速度的差异,大脑知觉到它们的时刻仍会存在一定的延迟。时间再校准指大脑可以最小化并适应这段时间延迟的现象。本研究采用"适应—测验"范式,在适应阶段连续给被试呈现视觉先于听觉或听觉先于视觉128ms的刺激对,在测验阶段以时序判断任务来测量被试此时主观同时点的变化。通过操纵适应及新异视听刺激对(即适应客体与新异客体)在测验阶段出现的空间位置,探索空间与客体因素对视听时间再校准的影响。结果发现,当适应客体出现于适应空间时,主观同时点显著偏向了时间延迟的方向;同样显著或边缘显著的主观同时点偏移还发生于适应客体出现于未适应空间时,以及新异客体出现于适应空间时。研究表明,视听时间再校准在不同空间中的表现取决于适应空间与适应客体的联合或独立作用。

多感觉整合的时间再校准

跨通道刺激的时间同步性是多感觉整合的必要条件,但是由于刺激物理传导与神经传导的差异,它们在时间上并非完全匹配。时间再校准指大脑能够适应跨通道刺激间很短的时间延迟的现象,反映了多感觉整合在时间维度上的可塑性,表现为适应相继呈现的跨通道刺激后,主观同时点向时间延迟方向的偏移。本文主要介绍了时间再校准的通道效应与潜在机制,其初始加工阶段,它与刺激内容加工的关系及主要的影响因素。今后的研究应当进一步探索时间再校准能否发生于早期加工阶段,检验其认知过程是否具有双向性,探讨空间选择性注意的作用,并结合神经机制的研究,从综合的视角进行更完善的理论建构。

G-O模型参数稳定性分析与再校准技术研究

利用多组软件失效数据集分析了G-O模型参数的稳定性,指出该模型参数的稳定性较差.提出了再校准G-O模型的参数以提高可靠性预测的准确性,建立了再校准的G-O模型-RGOM,对这两个模型的性能进行了对比分析.结果表明,RGOM能获得较好的预测效果.

发展性阅读障碍视听时间整合缺陷可能的机制:视听时间再校准能力受损

发展性阅读障碍的本质一直是研究者争论的焦点。大量研究发现,阅读障碍者具有视听时间整合缺陷。然而,这些研究仅考察了阅读障碍者视听时间整合加工的整体表现,也就是平均水平的表现,却对整合加工的变化过程缺乏探讨。视听时间再校准反映了视听时间整合的动态加工过程,对内部时间表征与感觉输入之间差异的再校准困难则会导致多感觉整合受损,而阅读障碍者的再校准相关能力存在缺陷。因此,视听时间再校准能力受损可能是发展性阅读障碍视听时间整合缺陷的根本原因。未来的研究需要进一步考察发展性阅读障碍者视听时间再校准能力的具体表现,以及这些表现背后的认知神经机制。

硬盘驱动磁头偏置误差检测算法的研究

在硬盘装配过程中,通常需要对磁头间的磁头偏置误差进行预校准,并实施有效的补偿措施以减少磁头切换时的寻址误差,提高读写效率。然而,由于剧烈震动或不当操作等因素的影响,校准好的磁头偏置可能偏离预校准值,从而导致硬盘寻址或读写性能的下降以及伺服启动时间的延长。提出了一种在硬盘正常启动过程中快速有效的磁头偏置的检测和补偿算法,设计了与磁盘扇区绑定磁头偏置滤波方案。实验表明此方法可以快速有效地识别磁头偏置,并启动相应的校准操作,提高了硬盘在剧烈震动后的伺服性能。

能量色散X射线荧光光谱法测定大气颗粒物中无机元素应用程序的建立、评估与维护

用能量色散X射线荧光光谱法(ED-XRF)测定大气颗粒物滤膜样品中Na、Mg、Al、Si、P、S、Cl、K、Ca、Ti、V、Cr、Mn、Fe、Co、Ni、Cu、Zn、As、Pb、Sr、Ba等无机元素,不需要样品前处理,分析方法具有快速、准确的特点,方法标准已颁布实施。基于多年的应用经验,总结出建立应用程序时的要点如下:存在干扰时,应采用全谱图拟合方式对重叠谱峰进行解析,可扣除或减小干扰峰的影响,得到目标元素特征谱峰强度;为保证Na-Kα、Mg-Kα、l-Kα、Si-Kα的谱线拟合,参与拟合的谱线中应去掉位于相同或相近位置上的Lα谱线;存在干扰或相互干扰的元素如As-Pb、Fe-Co、Ti-V-Ba、Fe-Mn、Mn-Cr等,必须在相同分组条件下同时测定;滤光片的合理使用有利于提高信噪比,降低背景值,特别是对于低含量元素,背景扣除是否准确对结果影响很大;校准曲线回归后参数截距设置为0,可有效避免薄膜标样支撑膜上杂质对后续样品检测结果影响;市场上缺乏颗粒物滤膜标样时,不同分析技术、不同仪器测试结果及多家实验室间对相同颗粒物样品测试结果比对,可有效发现应用程序存在的问题。多年应用经验表明,国产模拟颗粒物滤膜标准样品和轻元素X射线荧光强度再校准样品尽快进入市场,对于有效监控荧光强度波动性,保证样品测试结果的一致性和不同实验室间相同样品测试结果的可比性具有重要意义。

基于改进DenseNet模型的滚动轴承变工况故障诊断

针对旋转机械传统故障诊断中浅层特征对振动信号故障信息表征能力不足以及在变工况条件下传统的网络模型诊断能力差的问题,提出了一种结合风格再校准模块(style-based recalibration module,SRM)和密集连接卷积神经网络(densely connected convolutional networks,DenseNet)智能故障诊断神经网络模型。将预处理得到的时频图输入到引入SRM的DenseNet网络模型中,通过对特征图进行重新加权以及特征复用,避免有效信息缺失,降低了无关信息的干扰,增强模型对故障特征的提取能力。分别进行单一工况和变工况实验验证,结果表明所提方法在变工况条件下的故障识别率均优于目前主流的SVM、WDCNN和ECACNN诊断方法。