XiaoMi-AI文件搜索系统
World File Search System参数设置
使用Ai-...
抽象的废水处理对于环境保护至关重要，但是传统的生物学方法通常会因效率而困难，尤其是在不同的进水疾病下。本研究通过整合机器学习（ML）和遗传优化来解决常规生物处理的局限性，以提高降解效率。目标是开发一个AI驱动的模型，该模型优化了关键参数，例如温度和溶解氧，以改善化学氧需求（COD）和生物氧需求（BOD）的去除。数据收集包括进水和废水质量参数，这些参数通过标准化和异常处理进行了预处理。方法涉及测试多种ML算法，梯度提升是COD的最准确，最精确的均方根误差（RMSE）值为7.1，BOD为6.8。遗传算法优化了参数设置，与传统方法相比，分别达到58％和55％的COD和BOD降低，为42％和38％。灵敏度分析确定温度和溶解氧为关键因素，证实了实时，AI驱动的调整在维持污染物去除效率方面的有效性。这些发现将AI驱动的优化作为一种有前途的，可扩展的解决方案，用于增强废水处理过程，从而对常规方法进行了重大改进。
自动移动系统的基于端到端的深钢筋学习基于模块化的任务分配框架
摘要 - 可以解决任务分配问题的智能决策系统对于多机器人系统以协作和自动化的方式进行工业应用至关重要，例如使用移动机器人使用移动机器人，使用无人体表面工具进行的水力调查等仓库检查等。因此，本文旨在解决多代理自动移动系统的任务分配问题，以自主，智能地将多个任务分配给机器人机器人。这种问题通常被视为与成员机器人以下任务计划分离的独立决策过程。为了避免由脱钩引起的亚最佳分配，提出了一个端到端任务分配框架，以解决此组合优化问题，同时在优化过程中考虑了后续的任务计划。该问题被称为多人多epter travely Salesmen问题（MTSP）的特殊变体。提议的端到端任务分配框架采用了深厚的强化学习方法来代替以前工作中使用的手工启发式方法。所提出的框架具有加固学习代理的模块化设计，可以针对各种应用程序进行自定义。此外，提出了基于机器人操作系统2的实体机器人实现设置，以实现仿真到现实差距。执行了仓库检查任务，以验证拟议框架的训练结果。该框架已通过模拟和实体机器人测试与各种参数设置进行了交叉验证，其中适应性和性能得到了很好的证明。
大型 MIMO 下行链路矢量扰动预编码的量子退火
摘要 — 在基站具有多个天线的多用户系统中，下行链路广播信道中的预编码技术允许用户以非合作方式检测各自的数据。矢量扰动预编码 (VPP) 是发射侧信道反转的非线性变体，它扰动用户数据以实现完全分集阶。虽然很有前景，但众所周知，在 VPP 中找到最佳扰动是一个 NP 难题，需要基站进行大量计算支持，并限制了该方法在小型 MIMO 系统中的可行性。这项工作为下行链路 VPP 问题提出了一种完全不同的处理架构，该架构基于量子退火 (QA)，以使 VPP 适用于大型 MIMO 系统。我们的设计将 VPP 简化为适合 QA 的二次多项式形式，然后细化问题系数以减轻 QA 硬件噪声的不利影响。我们在各种设计和机器参数设置下，在真实的量子退火设备上评估了我们提出的基于 QA 的 VPP (QAVP) 技术。使用现有硬件，对于使用 64 QAM 调制、32 dB SNR 的 6 × 6 MIMO 系统，QAVP 可以在 100 µ s 的计算时间内实现 10 − 4 的 BER。索引术语 — 矢量扰动、下行链路预编码、量子计算、量子退火、优化
Voice.AI 网关 - 产品描述
6.1 机器人框架 ................................................................................................................ 21 6.2 对话发起功能 .............................................................................................................. 21 6.2.1 机器人的初始活动 .............................................................................................................. 21 6.2.1.1 将 SIP 标头传递给机器人 ...................................................................................... 21 6.2.2 在机器人提示时连接 ...................................................................................................... 22 6.2.3 向机器人发送初始消息 ...................................................................................................... 22 6.2.4 欢迎消息 ...................................................................................................................... 22 6.2.5 使用占位符的动态参数设置 ................................................................................ 22 6.3 语音功能 ................................................................................................................ 22 6.3.1 STT 和 TTS 提供商 ................................................................................................ 22 6.3.2 语言 .......................................................................................................................... 22 6.3.3 自定义语言和 STT 上下文 ................................................................................................ 23 6.3.3.1 使用 Google Class Tokens 进行语音识别 ......................................................23 6.3.3.2 使用 Boosts 进行语音自适应 ..............................................................................23 6.3.4 TTS 的 SSML .............................................................................................................23 6.3.5 连续 ASR .........................................................................................................................24 6.3.6 覆盖 STT 参数以进行激活和流式传输 .............................................................................24 6.3.7 存储的 STT 转录 .........................................................................................................24 6.3.8 STT 转录的标点符号 .............................................................................................24 6.3.9 通过语音或 DTMF 输入进行插入 .............................................................................24 6.3.10 TTS 缓存 .............................................................................................................25 6.3.11 通过 STT 引擎进行音频记录 .............................................................................................25 6.4 将用户 DTMF 数字发送到机器人........................................................................... 25 6.5 通话期间失败时的活动 .............................................................................. 26 6.6 用户输入和 Bot/STT/TTS 响应的超时 .............................................................. 26 6.7 机器人的语音录制活动 ...................................................................................... 26
无线网络中 LDPC 解码的量子信念传播
我们提出了量子信念传播 (QBP)，一种基于量子退火 (QA) 的低密度奇偶校验 (LDPC) 错误控制码解码器设计，该解码器在 Wi-Fi、卫星通信、移动蜂窝系统和数据存储系统中得到了广泛应用。QBP 将 LDPC 解码简化为离散优化问题，然后将简化的设计嵌入到量子退火硬件中。QBP 的嵌入设计可以在具有 2,048 个量子比特的真实最先进的 QA 硬件上支持块长度高达 420 位的 LDPC 码。我们在真实的量子退火器硬件上评估性能，对各种参数设置进行敏感性分析。我们的设计在高斯噪声无线信道上在 SNR 9 dB 下实现了 20 µ s 内的 10 − 8 比特错误率和 50 µ s 内的 1,500 字节帧错误率 10 − 6。进一步的实验测量了在真实无线信道上的性能，需要 30 µ s 才能在 SNR 15-20 dB 下实现 1,500 字节 99.99% 的帧传输率。QBP 的性能优于基于 FPGA 的软信念传播 LDPC 解码器，在 SNR 低 2.5–3.5 dB 时达到 10 − 8 的误码率和 10 − 6 的帧错误率。就局限性而言，QBP 目前无法在当前的 QA 处理器上实现实用的协议大小（例如 Wi-Fi、WiMax）LDPC 码。我们在本工作中的进一步研究提出了未来成本、吞吐量和 QA 硬件趋势方面的考虑。
![arxiv：2308.07152V2 [QUANT-PH] 2024年12月30日](/simg/g:\will\search\icon\source\f\f64b65978e776c3b15ca8eded82a02fc69a10acc.webp)
arxiv：2308.07152V2 [QUANT-PH] 2024年12月30日
采样问题，证明了具有嘈杂的中等规模量子设备超出经典计算能力的方法。在这些实现中，我们相信量子设备忠实地解决了所要求的抽样问题通常仅限于模拟较小规模的实例，因此是间接的。可验证的量子优势的问题旨在解决这一关键问题，并使我们对声称的优势更有信心。已提出了瞬时量子多项式时间（IQP）采样，以实现基于二次沉积代码（QRC）的可验证方案超出经典能力。不幸的是，该验证方案最近被Kahanamoku-Meyer提出的攻击打破了。在这项工作中，我们通过做出两个主要贡献来恢复基于IQP的可验证量子优势。首先，我们介绍了一个称为稳定器方案的IQP抽样方案的家族，该方案基于连接IQP电路，稳定器形式，编码理论以及IQP电路相关功能的有效表征的结果。这种结构扩展了现有的基于IQP的方案的范围，同时保持其简单性和可验证性。其次，我们将隐藏的结构化代码（HSC）问题引入了稳定器方案的基础定义的数学挑战。为了评估经典安全性，我们探索了基于秘密提取的一类攻击，包括Kahanamoku-Meyer的攻击作为特殊情况。假设HSC问题的硬度，我们提供了稳定器方案安全性的证据。我们还指出，在原始QRC方案中观察到的漏洞主要归因于不适当的参数选择，可以通过适当的参数设置自然纠正。
基于 EEG 的新型精神分裂症检测，结合 IoMT 框架实现智能医疗
在神经科学领域，大脑活动分析一直被视为重要领域。精神分裂症 (Sz) 是一种脑部疾病，严重影响世界各地人们的思维、行为和感觉。脑电图 (EEG) 被证明是 Sz 检测的有效生物标志物。EEG 是一种非线性时间序列信号，由于其非线性结构，利用它进行研究至关重要。本文旨在使用深度学习方法提高基于 EEG 的 Sz 检测性能。提出了一种称为 SzHNN（精神分裂症混合神经网络）的新型混合深度学习模型，它是卷积神经网络 (CNN) 和长短期记忆 (LSTM) 的组合。CNN 网络用于局部特征提取，LSTM 用于分类。所提出的模型已与仅使用 CNN、仅使用 LSTM 和基于机器学习的模型进行了比较。所有模型均在两个不同的数据集上进行了评估，其中数据集 1 包含 19 名受试者，数据集 2 包含 16 名受试者。针对同一模型，使用不同频带上的各种参数设置和头皮上的不同电极组进行了多次实验。基于所有实验，很明显，与其他现有模型相比，所提出的混合模型 (SzHNN) 提供了 99.9% 的最高分类准确率。所提出的模型克服了不同频带的影响，甚至仅使用 5 个电极就显示出 91% 的更高准确率。所提出的模型还在医疗物联网 (IoMT) 框架中进行了评估，用于智能医疗和远程监控应用。
用于精神分裂症识别的多核胶囊网络
摘要 — 精神分裂症严重影响生活质量。迄今为止，简单（例如线性判别分析）和复杂（例如深度神经网络）机器学习方法都已用于基于功能连接特征识别精神分裂症。现有的简单方法需要两个独立的步骤（即特征提取和分类）来实现识别，这使得无法同时调整以获得最佳特征提取和分类器训练。复杂方法集成了两个步骤，可以同时调整以实现最佳性能，但这些方法需要大量的数据进行模型训练。为了克服上述缺点，我们提出了一种多核胶囊网络（MKCapsnet），它是通过考虑大脑解剖结构而开发的。将内核设置为与大脑解剖结构的分区大小相匹配，以捕捉不同尺度的区域间连接。受深度学习中广泛使用的 dropout 策略的启发，我们在胶囊层中开发了胶囊 dropout 以防止模型过度拟合。比较结果表明，所提出的方法优于最先进的方法。此外，我们比较了使用不同参数的性能，并说明了路由过程以揭示所提出方法的特点。MKCapsnet 在精神分裂症识别方面很有前景。我们的研究首先利用胶囊神经网络分析磁共振成像 (MRI) 的功能连接，并提出了一种考虑大脑解剖分区的新型多核胶囊结构，这可能是揭示大脑机制的一种新方法。此外，我们在参数设置中提供了有用的信息，这对进一步使用胶囊网络进行其他神经生理信号分类的研究很有帮助。
![arxiv：2402.05079v2 [eess.iv] 2024年3月30日](/simg/g:\will\search\icon\source\2\2cc87b240d96e4b59e1f32ad379715883beaa530.webp)
arxiv：2402.05079v2 [eess.iv] 2024年3月30日
摘要。在医学图像分析的最新进展中，综合神经网络（CNN）和视觉变压器（VIT）设定了重要的基准。虽然前者通过其卷积行动占领了当地的效果，但后者通过利用自我发场机制来实现非凡的全球环境理解。然而，两种体系结构在有效地对医学图像中的长期依赖性建模时都表现出局限性，这是精确分割的关键方面。受到Mamba体系结构的启发，该建筑的熟练程度熟练地处理长序列和以提高计算效率作为状态空间模型（SSM）的全球上下文信息，我们提出了Mamba-Unet，这是一种新颖的体系结构，这是一种具有MAMBA能力的医学图像序列中的U-NET。mamba-unet采用了基于跳过连接的纯净视觉曼巴（VMAMBA）基于编码器的结构，以在网络的不同尺度上保留空间信息。此设计促进了一个全面的特征学习过程，捕获了复杂的细节和医学图像中更广泛的疾病环境。我们在VMAMBA块中引入了一种新颖的集成机制，以确保编码器和解码器路径之间的无缝连通性和信息流，从而增强分割性能。我们对公开可用的ACDC MRI心脏分割数据集进行了实验，并进行了Synapse CT CT腹部分割数据集。结果表明，在同一超参数设置下，Mamba-Unet在医疗图像分割中的表现优于几种类型的UNET 1。源代码和基线信息可在https://github.com/ziyangwang007/mamba- unet上获得。
评估...
在量子计算硬件的最新进展之后，国家标准技术研究所（NIST）是标准化的加密协议，这些协议可抵抗量子对手的攻击。NIST选择的主要数字签名方案是晶体-Dilithium。该方案的硬度基于三个计算问题的硬度：模块学习错误（MLWE），模块短整数解决方案（MSIS）和自助图。mlwe和msis经过了很好的研究，被广泛认为是安全的。然而，自我攻击是新颖的，尽管在经典上与MSI一样坚硬，但其量子硬度尚不清楚。在本文中，我们通过减少量子随机Oracle模型（QROM）中的MLWE来提供自我攻击性硬度的第一个证明。我们的证明使用了最近开发的量子重编程和倒带技术。我们方法的一个核心部分是证明了来自MSIS问题的某些哈希函数正在崩溃。从这种方法中，我们在适当的参数设置下得出了一个新的安全性证明。与Kiltz，Lyubashevsky和Schaffner（Eurocrypt 2018）的先前工作相比，它为DiLithium变体提供了唯一的其他严格安全证明，我们的证明具有适用于条件Q = 1 mod 2 N的优势，其中Q表示模量和n的模量和n的尺寸。此条件是原始二硫族提案的一部分，对于该计划的有效实施至关重要。9×和1。分别比Kiltz等人提出的分别大。我们在条件q = 1 mod 2 n下为二氨石提供了新的安全参数集，发现我们的公共密钥大小和签名大小约为2。在同一安全级别。