XiaoMi-AI文件搜索系统
World File Search System估计器
QardEst：使用量子机器学习进行连接查询的基数估计
经典和学习查询优化器 (LQO) 使用基数估计作为查询规划的关键输入之一。因此，准确预测任意查询的基数在查询优化中起着至关重要的作用。最近新型深度学习方法的蓬勃发展不仅刺激了 LQO 的兴起，也促成了学习基数估计器 (LCE) 的出现。然而，它们中的大多数都是基于经典神经网络的，忽略了不同表之间的属性之间的多元相关性可以通过量子电路中的纠缠自然表示。在本文中，我们介绍了 QardEst - 量子基数估计器 - 一种用于估计连接查询基数的新型量子神经网络方法。我们使用相似数量的可训练参数进行的实验表明，在量子模拟器上执行的量子神经网络在均方误差和 q 误差方面均优于经典神经网络。
QardEst：使用量子机器学习进行连接查询的基数估计
经典和学习查询优化器 (LQO) 使用基数估计作为查询规划的关键输入之一。因此，准确预测任意查询的基数在查询优化中起着至关重要的作用。最近新型深度学习方法的蓬勃发展不仅刺激了 LQO 的兴起，也促成了学习基数估计器 (LCE) 的出现。然而，它们中的大多数都是基于经典神经网络的，忽略了不同表之间的属性之间的多元相关性可以通过量子电路中的纠缠自然表示。在本文中，我们介绍了 QardEst - 量子基数估计器 - 一种用于估计连接查询基数的新型量子神经网络方法。我们使用相似数量的可训练参数进行的实验表明，在量子模拟器上执行的量子神经网络在均方误差和 q 误差方面均优于经典神经网络。
用单光子激光雷达 /作者= kitichotkul，ruangrawee的检测时间在反射率估计中的作用；拉普，约书亚； Goyal，Vivek K /creationDate = 2024年1月9日 /受试者=计算传感，电子和光子设备，信号处理< /div>
摘要 - 在直接的飞行时间单光子激光雷达中，通常使用photon检测时间来估计深度，而检测的数量则用于估计反射率。本文通过提出新的估计量并通过新的分析来统一先前的结果，从而在反射率估算中使用检测时间在反射率估算中使用。在低流量制度中，死亡时间可以忽略不计，我们检查了反射率估计的cram'errao。当深度未知时，我们表明基于检查的估计器几乎可以执行和最大似然估计器，而且令人惊讶的是，不正确的深度估计可以减少反射率估计的均值误差。我们还检查了信号和背景通量的联合估计，我们提出的基于审查的估计器以及最大似然估计器的表现。在高流量制度中，死亡时间不可忽略，我们将检测时间建模为马尔可夫链，并检查一些利用检测时间的反射率估计值。
在线降低锂离子电池等效电路模型的复杂性参数估计技术
电动汽车中面向控制的电池管理应用程序的摘要，电池组的等效电路模型（ECM）提供可接受的建模精度和简单的数学方程式，以包括单元参数。但是，在实时应用中，电路参数通过改变电池的操作条件和状态不断变化，因此需要在线参数估计器。估计器必须使用适合实时处理的计算复杂性更新电池参数。本文为ECM的在线参数估计提供了一种新颖的在线降低复杂性（ORC）技术。与现有技术相比，所提出的技术提供的复杂性明显较小（因此估计时间），但没有损害准确性。我们使用基于信任区域优化（TRO）最小二（LS）方法作为提议技术中的更新算法，并使用Nissan Leaf（Pouch）细胞实验验证我们的结果，并借助标准车辆测试周期，即动态驾驶周期（DDC）和新的欧洲驾驶周期（NEDC）。
点估计，间隔估计，人口
目标估计值的点估计值估计值的点估计属性置信量估计置信区间置信区间估计估计间隔间隔估计人口平均值（σ已知）间隔估计人口平均值（σ未知）关键字估计，点估计器，误差率，间隔估计
![arXiv:2210.11373v2 [eess.SP] 2022 年 10 月 24 日](/simg/8\816abd8208fcdfc1a97e85f4cf500e49710f7c27.webp)
arXiv:2210.11373v2 [eess.SP] 2022 年 10 月 24 日
智能反射面 (IRS) 是一种数控超表面，包含大量无源反射元件。通过重新配置每个元件的反射系数，IRS 可以控制无线信道，以提高通信系统的覆盖范围和容量 [1–3]。然而，要通过 IRS 增强信道特性，获取准确的信道状态信息是不可避免的。因此，在本文中，我们通过利用固有信道结构来解决 IRS 辅助多输入多输出 (MIMO) 系统的上行信道估计问题。相关工作：早期关于 IRS 辅助通信系统的信道估计工作主要集中于非结构化信道模型 [4]，采用最小二乘或线性最小均方误差估计器 [5]。然而，在较高频段（例如毫米波或太赫兹频段），移动站 (MS)-IRS 和 IRS-基站 (BS) 信道在角域中都表现出很强的稀疏性 [5]。这一观察结果促使 IRS 辅助信道估计算法探索信道的固有稀疏性，从而减少导频开销 [5]。最近的估计器通过考虑额外的
具有传感器饱和的可再生能微电网的分布式状态估计⋆
在本文中，研究了具有传感器饱和的可再生能量微电网的分布式状态估计问题。提出了具有传感器饱和的微电网的系统模型。注意力集中在分布式递归估计方案的设计上，以便在传感器饱和的存在下，保证了估计误差协方差的上限。随后，通过适当设计相应状态估计器的增益矩阵来最大程度地减少这种上限。特别是，通过使用矩阵简化方法来处理由网络拓扑产生的增益矩阵的稀疏性。通过分析均等意义中估计误差的指数界限来进行设计的分布式状态估计器的性能评估。最后，在两种情况下进行了模拟实验，在可再生能量微电网上进行，该元素包含两个分布式生成单元。模拟结果表明，发达的状态估计方案具有有效性。关键词：Microgrid;传感器饱和；电力系统；分布式状态估计；递归状态估计。
数学4824C：因果推理
潜在的结果，平均治疗效果，随机实验，合作调整，回归不连续性设计，观察力研究，混杂因素，敏感性分析，倾向分数，匹配，匹配，双重差异估计器，差异差异，仪器变量，仪器变量，异构治疗效果和最佳治疗方案。
通过...连接显式和隐式深度生成模型
深度生成模型有两种类型：显式和隐式。前者定义了一种显式密度形式，允许似然推断；而后者则针对从随机噪声到生成样本的灵活转换。虽然这两类生成模型在许多应用中都表现出强大的能力，但单独使用时，它们都有各自的局限性和缺点。为了充分利用这两种模型并实现相互补偿，我们提出了一种新颖的联合训练框架，该框架通过 Stein 差异连接显式（非规范化）密度估计器和隐式样本生成器。我们表明，我们的方法 1) 通过核 Sobolev 范数惩罚和 Moreau-Yosida 正则化引入了新颖的相互正则化，2) 稳定了训练动态。从经验上讲，我们证明，与训练单个对应方相比，所提出的方法可以促进密度估计器更准确地识别数据模式并引导生成器输出更高质量的样本。当训练样本受到污染或有限时，新方法也显示出有希望的结果。