XiaoMi-AI文件搜索系统
World File Search System分解的
基于领域分解的人工神经网络（...
摘要 — 本文研究了人工神经网络 (ANN) 作为基于机器学习算法的替代建模方法在模拟高 Q 压电谐振器和滤波器的电声波行为方面的有效性。本文还讨论了结合 ANN 模型的域分解方法，用于同时分析多域射频 (RF) 模块。本文开发了不同的多层感知器 (MLP) ANN 模型，并根据其模型精度和模型效率进行了基准测试。然后利用开发的模型构建梯形 Band 7 和 Band 41 带通发射滤波器作为示例，以突出建模方法的质量。本文简要讨论了与机器学习算法能力相关的其他可能应用。
ξ-π：神经功率谱分解的非参数模型
摘要 — 从脑记录中估计出的功率谱是非周期性瞬态活动和周期性振荡的混合表示，即非周期分量（AC）和周期分量（PC）。定量神经生理学需要在参数化每个分量之前进行精确分解。然而，AC 和 PC 的形状、统计分布、尺度和混合机制尚不清楚，这对当前流行的参数模型（如 FOOOF、IRASA、BOSC 等）的有效性提出了挑战。这里提出了 ξ - π 来分解神经谱，方法是将带有惩罚 Whittle 似然的非参数谱估计和形状语言建模嵌入到期望最大化框架中。在具有损失统计的合成频谱以及具有评估指标和神经生理学证据的睡眠EEG和大样本iEEG上验证了ξ-π。与FOOOF相比，呈现形状不规则性的模拟和具有多个孤立峰的批量模拟都表明ξ-π在识别中心频率和峰值数量时以更少的损失和更高的F1分数改善了AC和PC的拟合度；睡眠EEG显示ξ-π产生了更多可区分的AC指数并提高了睡眠状态分类准确性；iEEG显示ξ-π在峰值发现方面接近临床发现。总体而言，ξ-π在频谱分解中提供了良好的性能，允许使用描述性统计数据或核函数进行灵活的参数化。ξ-π 可能成为认知神经科学、脑机接口、神经反馈和脑部疾病等领域脑信号解码的有前途的工具。
尸检练习指南：分解的尸体...
前言皇家病理学家学院（RCPATH）发布的尸检准则应使病理学家能够以一致的方式和高标准处理非法务同意和医学授权的验证后。这些准则是系统地开发的陈述，以协助从业者的决策，并基于准备文件准备时的最佳证据。鉴于大量尸检工作是单一观察者，而实际上仅一次性的观察者，必须认识到，没有超出FRCPath第2部分考试或更高尸检培训证书（CHAT）的可审查标准。尽管如此，可以针对事前成像和/或其他数据进行审查。已制定该指南以涵盖最常见的情况。但是，我们认识到指南无法预料每种病理标本类型和临床情况。因此，可能需要与本指南中建议的做法偶尔发生差异，以最大程度地向病理学家，验尸官/检察官财政和死者的家人提高益处的方式报告标本。病理学家应该能够证明/解释与指南的任何偏差。总医学委员会（GMC）在所有实践领域都有持续的专业发展（CPD）的一般要求，这自然涵盖了尸检实践。那些希望发展专业知识/专门研究尸检病理学的人寻求适当的教育机会并参与相关的外部质量保证（EQA）计划。准则本身构成了实施和传播良好实践的工具。与以下利益相关者联系以咨询此文件：
STARFM 与基于分解的 Landsat 和 MODIS 数据融合算法的比较
本研究的重点是比较应用于中高空间分辨率传感器的数据融合方法。应用了两种已记录的方法，即空间和时间自适应反射融合模型 (STARFM) 和基于解混的方法，该方法提出了一种贝叶斯公式来整合先前的光谱信息。此外，两种算法的优势结合在一种新颖的数据融合方法中：空间和时间反射解混模型 (STRUM)。使用模拟图像和 Landsat 和 MODIS 图像展示了每种方法的潜力。算法的理论基础使 STARFM 和 STRUM 产生类似 Landsat 的反射，同时保留 Landsat 图像中的空间模式，而基于解混的方法产生类似 MODIS 的反射。还使用时间 NDVI 配置文件评估了融合图像捕捉物候变化的能力。 STARFM NDVI 的时间剖面与 Landsat NDVI 剖面非常相似。然而，在模拟输入高分辨率图像很少的情况的实验中，基于分离的方法和 STRUM 可以更准确地重建 NDVI 轨迹。STRUM 性能最佳，因为它产生的表面反射与参考 Landsat 图像的相关性最高。这项研究的结果表明，STRUM 更适合需要类似 Landsat 表面反射的数据融合应用，例如间隙文件
功能近红外光谱数据多维分解的并行因子分析
(HbO) 和脱氧 (HbR) 血红蛋白可以分别评估 HbO 和 HbR 的浓度变化。1 尽管 fNIRS 信号被认为对运动具有相对耐受性，2 但是由于运动伪影引起的光强度突然变化，数据质量可能会降低。3 结果表明，两种波长的动态特性为伪影检测和校正提供了重要信息。4 然而，当前用于运动伪影校正的技术（例如小波滤波、分解、样条插值等）通常假设两种波长的行为在时间上相似，因此无法利用两种波长提供的结构化信息。5 – 7 二维 (2D) 分析要求对具有更多维度的数据（例如 fNIRS 数据）在处理之前进行表面展开，例如分别处理两种波长或 HbO 和 HbR。因此，其中一些二维分析工具被迫施加其他非生理约束，例如主成分分析（PCA）中的正交性或独立成分分析（ICA）的统计独立性。尽管有几种方法可以实现 PCA，例如降维、分类、从信号分解的角度来看，PCA 旨在提取所谓的主成分，即可解释 fNIRS 中信号活动最大方差的成分。6、7、10、11 在时间 PCA 中，数据被分解为成分之和，每个成分由两个向量的乘积形成：一个代表时间主成分，另一个代表相应的地形（每个通道的分数）。PCA 的一个基本问题是仅由两个特征（时间和空间）定义的成分不是唯一确定的。因此，不同成分的对应时间特征之间必须具有正交性。 7、12、13然而，脑信号之间的正交性是一种非生理约束。即使有这种限制，提取的主成分也不是完全唯一的，因为任意旋转轴不会改变数据的解释方差。这导致研究人员使用不同的数学标准作为选择特定旋转的基础（例如，Varimax、Quartimax 和 Promax）。在 fNIRS 中，PCA 还被应用于目标时间间隔（tPCA），即仅在与发音或其他头部运动相关的伪影发生的期间，而不是在整个未分割的信号期间。3、14与基于小波的滤波和样条插值相比，这种类型的有针对性的校正可以产生更好的信号质量，同时也降低了改变信号整体完整性的风险。3虽然 PCA 非常常见且易于使用，一些作者已经讨论了其作为伪影校正方法的缺陷和注意事项。5、15
使用稳定器分解的量子系统的经典模拟
经典模拟量子电路的最先进技术之一依赖于通过稳定器状态的叠加来近似电路的输出状态。如果电路中的非距离门的数量很小，则此类模拟可能非常有效。本文在此框架中提供了各种改进。首先，我们描述了一种改进的计算近似稳定器分解的方法，该方法将分解中单个术语计算的时间成本从O（ℓN2）降低到O（Mn 2），其中ℓ是电路中的闸门总数，M是非阶数距离盖茨的数量。由于必须多次重复此子例程，因此每当ℓm时，这种改进在实践中可能显着。我们的方法使用电路的一定重写，在某些情况下，这可以显着缓解所需的经典资源的指数缩放。
基于重量分解的渐进学习在广义上很少的镜头分割
摘要：通用的很少的语义分割（GFSS）目标在学习一组基本类别的分割后，使用一些带注释的示例将新颖对象类别进行分割。典型的GFSS培训涉及两个阶段 - 基类学习，然后是新颖的课程和学习。尽管现有方法表现出了希望，但在新颖的班级数量显着时，它们通常会挣扎。大多数当前方法都冻结了编码器主链以保持基类精度；但是，冻结编码器骨架可以严重阻碍新班级中新型信息的同化。为了应对这一挑战，我们建议在GFSS中使用增量学习策略来学习编码器骨干和新型类原型。受到低级适应技术（LORA）最近成功的启发，我们通过新颖的重量分解方法向GFSS编码器主链引入了Increthorth学习。我们新提出的等级自适应权重合并策略对在编码器主链各个层中吸收的新颖性不同。在我们的工作中，我们还将增量学习策略介绍给新型类别的类原型学习。我们在Pascal-5 I和Coco-20 I数据库上进行了广泛的实验，展示了增量学习的有效性，尤其是当新颖的类人数超过基础类别时。使用我们提出的基于权重分解的增量学习（WFIL）方法，以概括性的语义分段建立了一组新的最先进的精度值。
基于最优信号分解的多阶段学习电池健康评估
摘要 — 电池健康评估对于确保电池安全和降低成本至关重要。然而，由于电池复杂的非线性老化模式和容量再生现象，实现准确的评估一直具有挑战性。在本文中，我们提出了 OSL，一种基于最佳信号分解的多阶段机器学习，用于电池健康评估。OSL 对电池信号进行最佳处理。它使用优化的变分模态分解来提取捕获原始电池信号不同频带的分解信号。它还结合了多阶段学习过程，以有效地分析空间和时间电池特征。使用公共电池老化数据集进行了实验研究。OSL 表现出色，平均误差仅为 0.26%。它明显优于比较算法，无论是没有还是具有次优信号分解和分析的算法。OSL 考虑了实际的电池挑战，可以集成到现实世界的电池管理系统中，对电池监控和优化产生良好的影响。索引词 — 锂离子电池、健康状态、信号分解、变分模态分解、优化。
气候变化对经济活动的动态因果影响 - 分解的小组
本文调查了气候变化对印度经济增长的长期影响，无论是在整个地区和部门的总体和分散水平上。建立了一个简单的拉姆西模型，以表明资源丰度，气候暴露和国家能力影响资源动员的生产率和效率提高的速度决定了区域增长。横截面增强自身重试的分布滞后模型（CS-ARDL），可解决内生性，异质性和横截面依赖性，其随机趋势在1980年至2019年的29个主要州使用，确认了温度升高对总成分生产率以及产生的经济增长的显着和负面影响。平均而言，一个Celcius的温度升高降低了约3.89％，在各州，部门和收入群体之间存在很大的差异。发现影响生态损害和劳动效率变化的劳动关系，工业化水平，森林覆盖范围以及劳动力和资本差异的变化是造成TFP差异以及由此产生的增长的原因。我们的估计系数与预计的温度相结合表明，由于其依赖农业和生态资源，预计较贫穷，更发达的状态将比其他国家更脆弱。从严格的缓解情景（SSP1-2.6）到业务 - 公平场景（SSP5-8.5），GSDP增长预计将在2020年中降低5.25％至24.51％。JEL代码：O44，Q54，Q51，Q54。 关键词：气候变化，经济增长，印度，小组数据，适应JEL代码：O44，Q54，Q51，Q54。关键词：气候变化，经济增长，印度，小组数据，适应