XiaoMi-AI文件搜索系统
World File Search System香农熵
使用多...自动检测建筑物变化
关键词：建筑物变化检测，机载 LiDAR 数据，香农熵 摘要：建筑物变化的自动检测是城市区域监测、城市规划和数据库更新的重要过程。在这种情况下，从多时相机载 LiDAR 扫描中获取的 3D 信息是一种有效的替代方法。尽管文献中已经有一些研究，但建筑物和非建筑物中变化区域的分离仍然是一个挑战。为此，提出了一种新的建筑物变化检测方法，其主要贡献是使用高度熵概念来识别建筑物变化区域。实验采用了 2012 年和 2014 年的多时相机载 LiDAR 数据，平均密度约为 5 点/平方米。定性和定量分析表明，所提出的方法在建筑物变化检测方面具有很强的稳定性，能够识别微小变化（大于 20 平方米）。总体而言，变化检测方法的平均完整性和正确性分别约为 97% 和 71%。
使用计算机软件研究循环二分图中的纠缠熵
纠缠在量子信息处理中起着至关重要的作用，包括量子通信[1,2]和量子计算[3–5]。它是量子力学和经典力学的显著区别之一。几十年来，纠缠一直是量子力学基础研究的焦点，尤其与量子不可分性和违反贝尔不等式有关[6]。纠缠已被视为如此重要的资源，因此需要一种对其进行量化的方法。对于二分纠缠，Horodecki 家族[7]最近撰写了一篇详尽的综述，Plenio 和 Virmani[8]对纠缠测度进行了详细的综述。纠缠的操作标准之一是施密特分解[9–11]。施密特分解是研究二分纯态纠缠的一个很好的工具。施密特数提供了一个重要的变量来对纠缠进行分类。部分纠缠纯态的纠缠可以自然地通过其纠缠熵来参数化，定义为冯·诺依曼熵，或等效地定义为施密特系数平方的香农熵 [ 9 , 11 ]。如果只有所谓的“高斯态”，情况就会变得简单
相对论经典和量子力学系统的几何信息流和 G. Perelman 熵
摘要 本文介绍了（相对论）拉格朗日-汉密尔顿力学系统几何流的经典和量子信息理论。描述了 G. Perelman 熵泛函的正则非完整变形和经典力学系统的几何流演化方程的基本几何和物理性质。研究了此类 F 和 W 泛函在 Lorentz 时空流形和三维类空超曲面上的投影。这些泛函用于阐述拉格朗日-汉密尔顿几何演化的相对论热力学模型以及各自的广义汉密尔顿几何流和非完整 Ricci 流方程。非完整 W 熵的概念是作为经典香农熵和量子冯诺依曼熵的补充而开发的。考虑了基于经典和量子相对熵、条件熵、互信息和相关热力学模型的方法的几何流泛化。利用密度矩阵的形式和量子通道的测量来阐述量子力学系统演化的量子几何流信息理论的这些基本成分和主题。
![arXiv:2207.09272v1 [quant-ph] 2022 年 7 月 19 日](/simg/g:\will\search\icon\source\1\16313b8bb3429bb9f3c4a48c5512d6d454f255a5.webp)
arXiv:2207.09272v1 [quant-ph] 2022 年 7 月 19 日
热机通常通过与不同（正）温度的热浴交换热量来运行。然而，非热浴可能会显著提高性能。我们在这里通过实验分析了单原子量子奥托发动机的功率输出，该发动机是在单个铯原子的准自旋态与原子铷浴相互作用时实现的。通过测量准自旋态的时间分辨布居，我们确定了发动机有效自旋温度和量子涨落循环过程中的动态，并借助香农熵对其进行了量化。我们发现，在负温度范围内功率会增强，并且在最大熵的一半时达到最大值。从定量上讲，与在正温度下运行相比，在负有效温度下运行我们的发动机可将功率提高高达 30%，甚至在无限温度下也是如此。同时，进入负温度区可以将熵降低到接近零的值，从而在高功率输出下提供高度稳定的运行。此外，我们通过改变工作介质的能级数，以数值方式研究了希尔伯特空间的大小对量子引擎性能的影响。我们的工作为高功率和高效单原子量子引擎运行中的波动控制铺平了道路。
综合模块化航空电子架构指标
集成模块化航空电子 (IMA) 架构是军用航空航天工业中一个新兴的概念，它已在商业领域成功实施。高度模块化的架构允许多个航空应用程序在同一硬件上执行，这要归功于航空无线电公司 (ARINC) 定义的标准。系统架构师负责设计和利用 IMA 架构来满足利益相关者设定的要求。他们在工作中非常依赖经验、系统知识和设计模式。本论文旨在为系统架构师在航空航天工业中开发 IMA 架构时找到相关指标。我们进行了一项指标调查，重点关注航空航天和密切相关的行业，并将其扩展到软件和实时指标。为了找到一到三个指标，我们与领域专家团队一起进行了多次演示和放映。选择了三个指标：使用香农熵的结构复杂性、不稳定性和抽象性指标以及复杂性和耦合性指标。我们详细描述并实施了这些指标。创建了一个小规模系统，以协助并更好地理解指标如何测量以及测量什么。所选指标是否适用于航空航天业的系统架构师仍有待实证验证。提出了一个建议的验证过程以供未来工作使用。
分数薛定谔方程中双曲双阱势的量子信息熵
摘要：在本研究中，我们研究了双曲双阱势 (HDWP) 的分数阶薛定谔方程 (FSE) 中的位置和动量香农熵，分别表示为 S x 和 S p 。我们在分析中探索了用 k 表示的分数阶导数的各种值。我们的研究结果揭示了有关低位态的位置熵密度 ρ s ( x ) 和动量熵密度 ρ s ( p ) 的局部化特性的有趣行为。具体而言，随着分数阶导数 k 的减小，ρ s ( x ) 变得更加局部化，而 ρ s ( p ) 变得更加非局部化。此外，我们观察到随着导数 k 的减小，位置熵 S x 减小，而动量熵 S p 增加。特别地，这些熵的总和随着分数阶导数 k 的减小而持续增加。值得注意的是，尽管随着 HDWP 深度 u 的增加，位置 Shannon 熵 S x 增加，动量 Shannon 熵 S p 减少，但 Beckner–Bialynicki-Birula–Mycielski (BBM) 不等式关系仍然成立。此外，我们研究了 Fisher 熵及其对 HDWP 深度 u 和分数阶导数 k 的依赖关系。结果表明，Fisher 熵随着 HDWP 深度 u 的增加和分数阶导数 k 的减小而增加。
量子信息第10章量子香农理论
10 量子香农理论 1 10.1 香农入门 1 10.1.1 香农熵和数据压缩 2 10.1.2 联合典型性、条件熵和互信息 4 10.1.3 分布式源编码 6 10.1.4 噪声信道编码定理 7 10.2 冯·诺依曼熵 12 10.2.1 H ( ρ ) 的数学性质 14 10.2.2 混合、测量和熵 15 10.2.3 强次可加性 16 10.2.4 互信息的单调性 18 10.2.5 熵和热力学 19 10.2.6 贝肯斯坦熵界限20 10.2.7 熵不确定关系 21 10.3 量子源编码 23 10.3.1 量子压缩：一个例子 24 10.3.2 总体而言的舒马赫压缩 27 10.4 纠缠浓缩和稀释 30 10.5 量化混合态纠缠 35 10.5.1 LOCC 下的渐近不可逆性 35 10.5.2 压缩纠缠 37 10.5.3 纠缠一夫一妻制 38 10.6 可访问信息 39 10.6.1 我们能从测量中了解到多少信息？ 39 10.6.2 Holevo 边界 40 10.6.3 Holevo χ 的单调性 41 10.6.4 通过编码提高可区分性：一个例子 42 10.6.5 量子信道的经典容量 45 10.6.6 纠缠破坏信道 49 10.7 量子信道容量和解耦 50 10.7.1 相干信息和量子信道容量 50 10.7.2 解耦原理 52 10.7.3 可降解信道 55
麦克斯韦棘轮的功能热力学
麦克斯韦棘轮是自主的有限状态热力学引擎，可实现输入输出信息转换。之前对这些“恶魔”的研究主要集中在它们如何利用环境资源来产生功：它们随机化有序输入，利用增加的香农熵将能量从热库转移到功库，同时遵守刘维尔状态空间动力学和第二定律。然而，到目前为止，正确确定这种功能性热力学操作机制仅限于极少数引擎，这些引擎的信息承载自由度之间的相关性可以精确计算并以封闭形式计算出来——这是一个高度受限的集合。此外，棘轮行为的关键第二个维度在很大程度上被忽略了——棘轮不仅改变环境输入的随机性，其操作还构建和解构模式。为了解决这两个维度，我们采用了动态系统和遍历理论的最新成果，这些理论可以有效而准确地计算一般隐马尔可夫过程的熵率和统计复杂性发散率。与信息处理第二定律相结合，这些方法可以准确地确定具有任意数量状态和转换的有限状态麦克斯韦妖的热力学操作状态。此外，它们还有助于分析给定引擎的结构与随机性之间的权衡。结果大大增强了对信息引擎的信息处理能力的视角。作为应用，我们对 Mandal-Jarzynski 棘轮进行了彻底的分析，表明它具有不可数无限的有效状态空间。
使用离散小波变换和智能技术进行脑电信号分析以诊断神经系统疾病“2279
摘要：脑电图 (EEG) 信号分析至关重要，因为它是诊断神经系统脑部疾病的有效方法。在这项工作中，我们开发了一个系统来同时诊断一到两种神经系统疾病（二类模式和三类模式）。为此，我们研究了不同的 EEG 特征提取和分类技术，以帮助准确诊断神经系统脑部疾病：癫痫和自闭症谱系障碍 (ASD)。我们针对癫痫和 ASD 分析了两种不同的 EEG 信号模式，即单通道和多通道。独立成分分析 (ICA) 技术用于从 EEG 数据集中去除伪影。然后，使用椭圆带通滤波器对 EEG 数据集进行分割和滤波，以消除噪声和干扰。接下来，使用离散小波变换 (DWT) 从滤波信号中提取脑电信号特征，将滤波信号分解为子带 delta、theta、alpha、beta 和 gamma。随后，使用五种统计方法从脑电图子带中提取特征：对数带功率 (LBP)、标准差、方差、峰度和香农熵 (SE)。此外，将这些特征输入到四个不同的分类器中，即线性判别分析 (LDA)、支持向量机 (SVM)、k 最近邻 (KNN) 和人工神经网络 (ANN)，以对对应于其类别的特征进行分类。DWT 与 SE 和 LBP 的组合在所有分类器中产生最高的准确率。对于三类单通道和多通道模式，使用 SVM 的整体分类准确率分别接近 99.9% 和 ANN 的 97%。
![arXiv:2001.01498v1 [quant-ph] 2020 年 1 月 6 日](/simg/g:\will\search\icon\source\4\41db4bb51d9785d71fb0778c6abf7a38dfd67a27.webp)
arXiv:2001.01498v1 [quant-ph] 2020 年 1 月 6 日
x P ( X = x ) log 2 P ( X = x )，无论测试系统是经典系统还是量子系统。为了在这类测试中检测非经典性，应该了解香农熵揭示的典型经典性质是什么，以及量子性质有何不同。众所周知，量子关联比经典关联强，但对于量子测试的熵，差异要复杂得多。例如，如果对测量数据进行后处理，如结合非经典和经典概率分布，量子实验中熵的非经典特征可能会被放大 [ 10 ]。语境化是量子物理学和经典物理学的主要区别之一 [ 3 ]：它指出某些物理性质的测量结果可能取决于如何测量该性质。以前的语境化测试主要集中于测量结果的概率分布。最近，引入了量子语境性的熵检验 [ 11 – 13 ]，并通过实验进行了进一步研究 [ 14 ]。然而，这些检验是状态相关的，也就是说，只有当系统处于某些特殊状态时，才能检测到偏离经典行为的情况。这种范式在 [ 15 ] 中发生了改变，其中提出了状态独立语境性的熵方法，允许在系统的任何状态下观察到非经典特性。这是借助新发现的多部分信息论距离来实现的，适用于具有两个结果 ± 1 的二进制测量。该距离度量使用 Shan-