背景提升之約翰霍普金斯科研項目

Category: STEM國際競賽 Date: 2020年3月26日下午5:35

約翰·霍普金斯大學，是一所世界頂尖的私立研究型大學，也是美國第一所研究型大學，美國大學協會的14所創始校之一，全球最富學術聲望的大學之一。霍普金斯大學被公認為是當今世界一流的高等教育機構之一，不僅擁有全球頂級的醫學院、公共衛生學院、國際關系學院，其生物工程、空間科學、社會與人文科學，音樂藝術等領域的卓越成就也名揚世界。所以參加約翰霍普金斯的科研項目是實現背景提升的好方法。今天小編想要為大家推薦的科研項目就是約翰霍普金斯的項目。

約翰霍普金斯科研課題：調制信號的實時識別與控制

課題簡介

振幅調制（Amplitude modulation）和頻率調制（Frequency modulation）在無線通訊，（例如：收音機）中有著重要應用，然而傳統的調試識別以及解調方法主要基于帶通濾波，其側重于獲得承載信號，而其中大量的調制信息卻損失了。近年來，加權最小二乘法在水動力特性識別中獲得了成功應用，其對于調制信號識別的適用性也獲得了初步的驗證。

本課題將設計一信息-物理系統（Cyber-Physical system），假想調制信號滿足一時變的質量-彈簧-阻尼器系統，應用加權最小二乘法，實時識別該系統中的時變參數（時變質量，時變阻尼），從而獲得調制信號的振幅調制和頻率調制信息。進一步，通過實時控制該系統的虛擬參數，從而實現對調制信號的實時控制。

科研方法

AI+X數據驅動型科研

AI＋X數據驅動型科研是指使用人工智能（AI）算法，收集、處理、分析具體學科（X）的海量數據，并基于此進行預測，從而獲得科學發現的研究方法。與傳統的、基于實驗或邏輯推理的研究方式相比，AI＋X數據驅動型科研可以借助AI算法強大的運算能力，高效地進行大數據分析，具有投入產出比高、適用范圍廣的優點。

AI＋X數據驅動型科研已被廣泛地應用于各個領域，利用AI算法研究基因數據，從而進行早期的癌癥篩查便是其中一例。基因組與癌癥病患的數據千千萬萬，使用傳統的科研方式對其進行分析，工程量大、過程繁瑣，在客觀上難以實現。但借助AI算法這一便捷的工具，生命科學家便能夠以海量的患者的遺傳信息為基礎，建立數據庫，與過往的研究成果進行對照，快速、準確地在兩者中發現規律、建立聯系，從而使癌癥診斷的“標準化”成為可能。

授課導師

約翰霍普金斯大學博士

多次以第一作者身份，在Journal of Fluids and Structures、Journal of Fluid Mechanics、Journal of Vibration and Shock等國際知名期刊和雜志上發表過多篇專業學術論文；

曾榮獲ASC17超級計算機挑戰賽第一名；年度“2016年度Top Academics”國際學術會議杰出表現獎；

研究方向：Turbulence, Control Theory, Energy System"。

課題要求

本課題適合： 9-12 年級學生，有較強的邏輯思維和抽象思維能力

英文：

具備基本的學術英語閱讀能力；

接觸過英文寫作，有論文寫作經驗者更佳；

數學：

微積分（偏微分）

線性代數

計算機：

MATLAB入門

物理：

簡諧運動

約翰·霍普金斯博士科研課題：衛星軌道的計算機模擬與最優控制

課題簡介

衛星軌道的計算機模擬與最優控制

Simulation and Optimal Control of Satellite Orbit

限制性三體問題是太陽系小天體運動的主要力學模型，也是研究月球、火星、行星、以及飛行器運動中的簡化力學模型。三體問題的周期解對于人造衛星的軌道設計具有重要的指導意義。例如即將發射的詹姆斯·韋伯空間望遠鏡，其將放置于太陽-地球的第二拉格朗日點，其為三體問題的五個特殊解之一。在該點上，韋伯空間望遠鏡將永遠背對地球。

本課題旨在運用應用數學的方法，使用計算機編程對于衛星軌道進行模擬并設計最優控制策略。首先基于牛頓第二定律，有限差分方法完成單體衛星軌道的數值模擬。其次，使用攝動法將其拓展為考慮衛星與行星的雙體問題甚至考慮衛星、行星與恒星的三體問題。嘗試對于三體問題中出現的混沌現象進行初值敏感性分析。基于該分析結果，結合最優控制理論，設計人造衛星的優化運行路徑，獲得對于工程應用具有指導意義的結論。

本課題是使用數學方法，通過計算機編程研究航空航天中的實際問題。研究者將建立起系統的使用數學工具與計算機編程研究科學與工程問題的能力。

科研流程

課程模塊一：預備課程

在教學過程正式開始前，有方學者會根據學生的具體情況提供數學、統計、英語學術論文寫作等預備課程。

課程模塊二：科研輔導

來自美國頂尖人工智能的機器學習科研團隊將在有方學者團隊的配合下，進行8-12周的科研輔導：

微積分、線性代數和概率統計入門；

學習 Python編程語言和相關的庫numpy, pandas, scikit-learn, matplotlib；

學習探索性數據分析（Explorative data analysis），并通過統計方法和可視化對金融數據進行分析

學習回歸分析(regression)，對金融數據進行社交媒體效應的評估

學習幾種重要的自然語言處理和機器學習算法，提出初步的金融數據輿情情感分析；

課題驗收需要學生完成英文學術論文的寫作，并向科研團隊進行答辯。