XiaoMi-AI文件搜索系统
World File Search System样方
使用基于群集的下采样方法
摘要 - 脑部计算机接口（BCI）允许其用户仅使用大脑活动与计算机或其他机器进行交互。运动障碍者是这项技术的潜在用户，因为它可以使他们在不使用周围神经的情况下与周围环境互动，从而帮助他们恢复失去的自主权。P300拼写器是最受欢迎的BCI应用程序之一。其性能取决于其分类器识别和区分p300电位与脑电图（EEG）信号的能力。为了使分类器正确执行此操作，有必要使用平衡的数据集训练它。但是，由于p300通常是用奇数范式引起的，因此只能获得不平衡的分布。本文在P300 EEG信号上采用了一种基于自组织图（SOM）的采样下采样方法，希望提高分类器的准确性。通过从健康受试者和中风后受害者获得的数据集测试了两个分类模型，一个深层喂养网络（DFN）和深信仰网络（DBN）。我们将结果与以前的作品进行了比较，并观察到我们最关键的主题的分类准确性增加了7％。对于健康和中风的受试者，DBN的最高分类准确性为95.53％和94.93％，而DFN为96.25％和93.75％。索引术语 - 脑计算机界面，神经网络，自组织图，击球后，脑电图
图形模型符合匪徒：变异的汤普森采样方法
我们为结构化限制提出了一个新颖的框架，我们称之为影响图匪。我们的框架使用图形模型来捕获动作，潜在变量和观察之间的复杂统计依赖性；因此，统一并扩展了许多现有的模型，例如共同的半伴侣，级联的匪徒和低级匪徒。我们开发了新颖的在线学习算法，这些算法学会在模型中有效地行事。关键思想是要跟踪模型参数的结构化分布，无论是外部还是大约。采取行动，我们将模型参数从其后部进行采样，然后使用影响图的结构来发现采样参数下最乐观的动作。我们在三个结构化的匪徒问题中凭经验评估了我们的算法，并表明它们的性能与特定问题的最新基准相比，它们的性能和更好或更好。
评估底栖海洋生物多样性的采样方法的比较：抽样齿轮之间的空间和生态关系是否一致？
我们对已发表文献的回顾以及我们对两个地区（北澳大利亚和冰岛）的数据集的分析表明，不同齿轮群之间的海洋生物多样性趋势几乎没有一致性，只有一项研究产生了采样齿轮组（图像和Epifaunal）之间的一致生态模式。这表明理想的齿轮组合无法轻易在研究和地区之间概括。此外，采样齿轮组之间缺乏一致性突出了分析齿轮特异性数据并避免合并的必要性。即使在产生相对一致的生态关系的齿轮中，结果在生物学或环境因素之间也有所不同。在一个齿轮群中，生态关系中有更多的一致性，其中八项研究中只有两项显示出不一致的生态关系
使用 ST7MC 实现无传感器 BLDC 电机控制和 BEMF 采样方法
注 2：如上所述，所描述的无传感器 BEMF 方法只能使用梯形信号驱动来实现。正弦波信号驱动不提供过零信号，无法使用上面显示的拓扑来实现。但需要注意的是，最初设计为使用正弦波信号驱动的电机（这些电机的绕线方式使得定子磁通具有连续变化，而 BLDC 绕线电机的定子磁通换向则为非连续）可以用梯形信号驱动和 ST7MC 进行控制，而不会对性能产生任何影响。
采用 ST7MC 的无传感器 BLDC 电机控制和 BEMF 采样方法
注 2：如上所述，所描述的无传感器 BEMF 方法只能使用梯形信号驱动来实现。正弦波信号驱动不提供过零信号，无法使用上面显示的拓扑来实现。但需要注意的是，最初设计为使用正弦波信号驱动的电机（这些电机的绕线方式使得定子磁通具有连续变化，而 BLDC 绕线电机具有非连续定子磁通换向）可以使用梯形信号驱动和 ST7MC 进行控制，而不会对性能产生任何影响。