XiaoMi-AI文件搜索系统
World File Search System基准模型
通过联合稀疏性的堆叠深度嵌入回归进行脑电图特征选择
在脑机接口 (BCI) 领域，选择高效且稳健的特征对于人工智能 (AI) 辅助临床诊断非常有吸引力。在本研究中，我们基于嵌入式特征选择模型，以逐层方式构建堆叠深度结构进行特征选择。其良好的性能由堆叠广义原理保证，即添加到原始特征中的随机投影可以帮助我们以堆叠方式连续打开原始特征空间中存在的流形结构。有了这样的好处，原始输入特征空间变得更加线性可分。我们使用波恩大学提供的癫痫脑电图数据来评估我们的模型。基于脑电图数据，我们构建了三个分类任务。在每个任务中，我们使用不同的特征选择模型来选择特征，然后使用两个分类器根据所选特征进行分类。我们的实验结果表明，我们的新结构选择的特征对分类器更有意义且更有帮助，因此比基准模型产生更好的性能。
系统成本、总容量结构和区域上限
摘要 容量扩展模型 (CEM) 是用于国家至大陆规模的长期能源规划的优化模型。它们通常需要大量计算，因此需要简化，其中一种简化就是减少时间表示。本文研究了使用代表性周期来减少 CEM 中的时间表示会如何扭曲结果（与按整年顺序排列的基准模型相比）。测试模型是适用于欧洲的通用 CEM。我们在风能和太阳能渗透率达到 90% 的情况下测试了简化模型的性能。使用三个准确度指标：(i) 系统成本、(ii) 总容量组合和 (iii) 区域容量。我们发现：（i）系统成本在 10 个代表日内就能很好地表示出来（与基准的偏差约为 5%），（ii）容量组合在 50 个或以上的代表日内通常能很好地表示出来（偏差约为 20%），（iii）区域容量组合在 250 个代表日内与基准的偏差较大（> 50%）。我们得出结论，建模者在展示这三个方面的结果时应该注意误差幅度。
开放环境下的不平等与汇率变动......
自 2007-08 年美国金融危机爆发以来，金融与不平等之间的关系受到越来越多的关注。这个主题经常被纳入“金融化”这一更宽泛的概念之中。大多数研究都集中于单个国家或地区。因此，跨国资本流动和汇率的作用通常被忽视。我们提出了一个开放经济模型，即 IEROE（开放经济中的不平等和汇率），旨在弥合这一研究空白。其基本结构源自 Godley 和 Lavoie（2007）开发的 OPENFLEX 模型。基准模型已增强三个方程组。新特点包括：（1）每个国内家庭部门根据其中位收入分为两组；（2）低收入家庭试图模仿高收入家庭的消费模式（相对收入假设，RIH）； （3）低收入家庭的消费信贷由银行贷款提供资金。本文的结构如下。第二部分介绍了“金融化”的概念，并提供了它如何被用来总结一系列连贯的“结构性社会经济变化”的证据。第三部分回顾了关于金融和不平等的最新贡献。模型结构在
量子能量隐形传态中量子关联的稳健性
在本文中，我们探索了不同量子场论 (QFT) 中的反馈控制协议，以研究量子系统非幺正演化中的量子关联。传统的 QFT 研究侧重于幺正演化下纯态的量子纠缠，然而，我们使用量子能量隐形传态 (QET)（一种利用基态纠缠的能量传输协议）来研究混合态中的量子关联，并引入量子不和谐作为度量。QET 涉及中间电路测量，这会破坏纯态纠缠。尽管如此，我们的分析表明，量子不和谐在整个 QET 过程中保持关联。我们使用包括 Nambu-Jona-Lasinio (NJL) 模型在内的基准模型进行了数值分析，揭示了量子不和谐始终充当相变的序参数。该模型被扩展为同时具有手性化学势和化学势，这对于研究模拟与手性密度算子耦合的左夸克和右夸克之间的手性不平衡的相结构很有用。在我们研究的所有情况下，量子不和谐都表现为相变的序参数。
心脏病的混合CNN转化器模型...
摘要 - 这项研究提出了卷积神经网络（CNN）的混合模型和用于预测和诊断心脏病的变压器。基于CNN检测本地特征的强度以及变压器在感知全球关系方面的高能力，该模型能够从高维生的生活历史数据中成功检测心脏病的危险因素。实验结果表明，在精度，精度和回忆中，提出的模型胜过传统基准模型，例如支持向量机（SVM），卷积神经网络（CNN）和长短期记忆网络（LSTM）。这表明了其处理多维和非结构化数据的强大能力。为了验证模型的有效性，进行了某些部分的实验，实验的结果表明，同时使用CNN和变压器模块来增强模型很重要。本文还讨论了将来的研究中纳入其他特征和方法，以增强模型的性能并使其能够在不同条件下有效运行。本研究提出了使用机器学习预测心脏病的新颖见解和方法，尤其是在个性化医学和健康管理中。
使用广义量子主方程在 NISQ 计算机上模拟开放量子系统动力学
摘要：我们提出了一种基于广义量子主方程 (GQME) 方法的量子算法，用于在嘈杂的中型量子 (NISQ) 计算机上模拟开放量子系统动力学。该方法通过为任何简化密度矩阵元素子集提供运动方程的严格推导，克服了林德布拉德方程的局限性，该方程假设弱系统 - 浴耦合和马尔可夫性。剩余自由度的影响产生的记忆核用作输入来计算相应的非幺正传播子。我们展示了如何使用 Sz.-Nagy 膨胀定理将非幺正传播子转换为高维希尔伯特空间中的幺正传播子，然后可以在 NISQ 计算机的量子电路上实现。我们通过分析当子集限制为简化密度矩阵的对角元素时量子电路深度对结果准确性的影响来验证我们的量子算法应用于自旋玻色子基准模型。我们的研究结果表明，我们的方法在 NISQ IBM 计算机上产生了可靠的结果。
EEGNeX 的基准研究
本研究考察了各种神经网络 (NN) 模型通过脑电图 (EEG) 信号解释心理构造的有效性。通过评估四种脑机接口 (BCI) 范式中 16 种流行的 NN 模型及其变体，我们评估了它们的信息表示能力。基于全面的文献综述结果，我们提出了 EEGNeX，这是一种新颖的纯基于 ConvNet 的架构。我们将它与现有的尖端策略和所有 BCI 基准之母 (MOABB) 进行了比较，涉及 11 个不同的 EEG 运动想象 (MI) 分类任务，结果表明 EEGNeX 超越了其他最先进的方法。值得注意的是，与竞争对手相比，它在不同场景中的分类准确率提高了 2.1-8.5%，具有统计学意义 (p < 0.05)。这项研究不仅为设计用于 EEG 数据的高效 NN 模型提供了更深入的见解，而且为未来探索生物电脑信号与 NN 架构之间的关系奠定了基础。为了促进更广泛的科学合作，我们已将包括 EEGNeX 在内的所有基准模型公开发布在（https://github.com/chenxiachan/EEGNeX）上。
对系统定量，定性和混合研究评论的系统评价在医疗保健研究中的评论：如何评估包括评论的方法论质量？
摘要 - 很长一段时间以来，电力需求与天气之间建立了关系，并且是运营和计划的负载预测的基石之一，以及行为和社会方面（例如日历或显着事件）。本文探讨了新闻中包含的社会信息的方式以及为什么可以更好地使用能源需求来理解总人口行为。这项工作是通过实验来分析从国家新闻对日前电气需求预测中提取的预测特征的影响的实验完成的。将结果与仅在日历和气象信息上训练的基准模型进行比较。实验结果表明，表现最好的模型将官方标准误差降低到4％，11％和10％的RMSE，MAE和SMAPE。表现最佳的方法是：识别与COVID-19相关的关键字的单词频率；主题分布确定了有关大流行和内部政治的新闻；全球词嵌入了有关国际冲突的消息。这项研究为传统的电力需求分析带来了新的观点，并确认了通过文本中包含的非结构化信息改善其预测的可行性，并在社会学和经济学中带来了潜在的后果。
Zhan，Haifei 可能性的预处理神经后验估计 铬蛋白的生物技术应用 luo，zhaohui 9781789060119_0415.pdf alankarage，di 城市风特征的空间建模 威尔斯，宝琳娜 异戊二烯 - 苯乙烯）（SIS）共聚物定义... Yang，Chao，Ch McNeale，Donna
基于仿真的推理（SBI）方法可以在可能性函数棘手但模型模拟可行的情况下，可以估计后验分布。SBI的流行神经方法是神经后估计（NPE）及其顺序版本（SNPE）。这些方法可以超越统计SBI方法，例如近似贝叶斯计算（ABC），特别是对于相对较少的模型模拟。但是，我们在本文中表明，即使在低维问题上，NPE方法也不能高度准确。在这种情况下，无法在先前的预测空间上准确训练后验，甚至顺序扩展仍然是优化的。为了克服这一点，我们提出了预处理的NPE（PNPE）及其顺序版本（PSNPE），该版本使用ABC的短运行来有效消除参数空间区域，从而在模拟和数据之间产生较大的差异，并允许后仿真器进行更准确的培训。我们提供了全面的经验证据，即神经和统计SBI方法的这种融合可以改善在一系列示例中的性能，包括一个激励示例，涉及应用于实际肿瘤生长数据的基于复杂的基准模型。
基于频率的深度学习实现多伪影脑电图去噪
摘要 脑电图 (EEG) 信号是神经科学研究和临床应用（如脑机接口和神经系统疾病诊断）的基础。这些信号通常是神经活动和噪声的组合，来自各种来源，包括眼球和肌肉运动等生理伪影。在这种情况下，我们解决了区分神经活动和噪声相关来源的挑战。我们开发了一种在频域中运行的新型 EEG 去噪模型，利用有关噪声频谱特征的先验知识自适应地计算用于噪声分离的最佳卷积滤波器。该模型经过训练可以学习一种经验关系，将噪声和噪声信号的频谱特性与允许信号去噪的非线性变换联系起来。在 EEGdenoiseNet 数据集上的性能评估表明，所提出的模型根据时间和频谱指标都实现了最佳结果。发现该模型可以从输入的 EEG 数据中去除生理伪影，从而实现有效的 EEG 去噪。事实上，该模型的性能与基准模型相当甚至更好，证明可以有效去除肌肉和眼部伪影，而无需对特定类型的伪影进行任何训练。