XiaoMi-AI文件搜索系统
World File Search System分解的
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
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：
使用分解的脑电信号进行压力检测的混合深度学习方法
1 西里古里理工学院计算机科学工程系-AI 与 ML，西里古里 734009，印度；bishwamail@gmail.com 2 韦洛尔理工学院博帕尔大学计算机科学与工程学院，博帕尔 466114，印度；lokesh.malviya2020@vitbhopal.ac.in（LM）；sandip.mal@vitbhopal.ac.in（SM） 3 国家理工学院计算机科学与工程系，巴特那 800001，印度；radhikesh12@gmail.com 4 鲁尔基理工学院土木工程系，鲁尔基 247667，印度；amrendraroy2k8@gmail.com 5 潘迪特·德恩达亚尔能源大学计算机科学与工程系，甘地讷格尔 382426，印度； tanmaybhowmik@gmail.com 6 仁川国立大学土木与环境工程系，韩国仁川 22022 7 仁川国立大学仁川防灾研究中心，韩国仁川 22022 * 通讯地址：jongp24@inu.ac.kr
基于密度矩阵凸分解的方差和量子 Fisher 信息的不确定性关系
我们提出了几个与罗伯逊-薛定谔不确定关系相关的不等式。在所有这些不等式中，我们考虑将密度矩阵分解为混合状态，并利用罗伯逊-薛定谔不确定关系对所有这些成分都有效的事实。通过考虑边界的凸顶部，我们获得了 Fröwis 等人在 [ Phys. Rev. A 92 , 012102 (2015) ] 中的关系的另一种推导，并且我们还可以列出使关系饱和所需的许多条件。我们给出了涉及方差凸顶部的 Cramér-Rao 边界的公式。通过考虑罗伯逊-薛定谔不确定关系中混合状态分解的边界的凹顶部，我们获得了罗伯逊-薛定谔不确定关系的改进。我们考虑对具有三个方差的不确定性关系使用类似的技术。最后，我们提出了进一步的不确定性关系，这些关系基于双模连续变量系统的标准位置和动量算符的方差，为二分量子态的计量实用性提供了下限。我们表明，在 Duan 等人 [ Phys. Rev. Lett. 84 , 2722 (2000) ] 和 Simon [ Phys. Rev. Lett. 84 , 2726 (2000) ] 的论文中讨论了这些系统中众所周知的纠缠条件的违反，这意味着该状态在计量学上比某些相关的可分离状态子集更有用。我们给出了有关自旋系统具有角动量算符的纠缠条件的类似结果。
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
基于自适应小波包分解的光伏混合储能系统控制策略 朱万璐，杨叶，支鹏飞 *，Zh
江苏科技大学自动化系，镇江 212000 * E-mail: zhipengfei@just.edu.cn 收稿日期: 2022年8月23日 / 接受日期: 2022年9月22日 / 发表日期: 2022年10月10日 本文基于频域分析了光电场输出功率波动特性，并提出了一种基于自适应小波包分频的光电功率分配方法，该方法合理分配了低频、中频和高频能量在不同储能元件之间的分布。结合超级电容器和锂电池的储能特性，设计了一种超级电容器和锂电池的协调控制策略，有效抑制了光伏功率波动对电网的影响。与光伏原有功率相比，本文提出的方法大大降低了光伏功率的波动，从而使最终并网功率区域平滑，从而使电网和储能组件稳定安全发展。最后通过某光电场实测数据的半实物仿真验证了该方法的有效性。关键词：混合储能；协调控制策略；自适应小波包分解1.引言
基于高阶张量分解的头皮到颅内脑电图投影检测发作间期癫痫样放电
摘要。目的。发作间期癫痫样放电 (IED) 发生在两次癫痫发作之间。IED 主要通过颅内记录捕获，通常在头皮上不可见。本研究提出了一种基于张量分解的模型，将头皮脑电图 (sEEG) 的时频 (TF) 特征映射到颅内脑电图 (iEEG) 的 TF 特征，以便以高灵敏度检测头皮上的 IED。方法。采用连续小波变换提取 TF 特征。将来自 iEEG 记录的 IED 段的时间、频率和通道模式连接成四向张量。采用 Tucker 和 CANDECOMP/PARAFAC 分解技术将张量分解为时间、频谱、空间和节段因子。最后，将来自头皮记录的 IED 和非 IED 段的 TF 特征投影到时间分量上进行分类。主要结果。模型性能通过两种不同的方法获得：受试者内和受试者间分类方法。我们提出的方法与其他四种方法进行了比较，即基于张量的空间分量分析方法、基于 TF 的方法、线性回归映射模型以及非对称对称自动编码器映射模型，然后是卷积神经网络。我们提出的方法在受试者内和受试者间分类方法中均优于所有这些方法，分别实现了 84.2% 和 72.6% 的准确率。意义。研究结果表明，将 sEEG 映射到 iEEG 可提高基于头皮的 IED 检测模型的性能。此外，基于张量的映射模型优于基于自动编码器和回归的映射模型。
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。
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。