XiaoMi-AI文件搜索系统
World File Search SystemCompression
全面研究电极压缩效应的全面研究...
Ghimire，P.C.，Bhattarai，A.，Schweiss，R.，Scherer，G.G.，Wai，N。，＆Yan，Q. （2018）。 全面研究了所有钒氧化还原流量电池中电极压缩效应的研究，包括本地解决的测量。 应用能量，230，974‑982。 doi：10.1016/j.apenergy.2018.09.049Ghimire，P.C.，Bhattarai，A.，Schweiss，R.，Scherer，G.G.，Wai，N。，＆Yan，Q.（2018）。全面研究了所有钒氧化还原流量电池中电极压缩效应的研究，包括本地解决的测量。应用能量，230，974‑982。doi：10.1016/j.apenergy.2018.09.049
用于汉密尔顿演化的量子电路代数压缩
时间相关哈密顿量下的幺正演化是量子硬件模拟的关键组成部分。相应的量子电路的合成通常通过将演化分解为小的时间步骤来完成，这也称为 Trotter 化，这会导致电路的深度随步骤数而变化。当电路元件限制为 SU (4) 的子集时 — — 或者等效地，当哈密顿量可以映射到自由费米子模型上时 — — 存在几个可以组合和简化电路的恒等式。基于此，我们提出了一种算法，该算法使用相邻电路元件之间的代数关系将 Trotter 步骤压缩为单个量子门块。这会导致某些类哈密顿量的固定深度时间演化。我们明确展示了该算法如何适用于几种自旋模型，并展示了其在横向场 Ising 模型的绝热态制备中的应用。
用于实际网络压缩的组 Fisher 剪枝
网络压缩由于能够减少推理过程中的内存和计算成本而得到了广泛的研究。然而，以前的方法很少处理残差连接、组/深度卷积和特征金字塔网络等复杂结构，其中多层的通道是耦合的，需要同时进行修剪。在本文中，我们提出了一种通用的通道修剪方法，可应用于各种复杂结构。特别地，我们提出了一种层分组算法来自动查找耦合通道。然后，我们基于 Fisher 信息推导出一个统一的度量来评估单个通道和耦合通道的重要性。此外，我们发现 GPU 上的推理加速与内存 2 的减少而不是 FLOPs 的减少更相关，因此我们采用每个通道的内存减少来规范重要性。我们的方法可以用来修剪任何结构，包括具有耦合通道的结构。我们对各种骨干网络进行了广泛的实验，包括经典的 ResNet 和 ResNeXt、适合移动设备的 MobileNetV2 以及基于 NAS 的 RegNet，这些实验都针对尚未得到充分探索的图像分类和对象检测。实验结果验证了我们的方法可以有效地修剪复杂的网络，在不牺牲准确性的情况下提高推理速度。
使用 CO2 压缩中的能量回收策略...
减少工业二氧化碳排放的领先技术之一是碳捕获和储存 (CCS)。现有出版物讨论了捕获过程的高能量需求，而忽略了二氧化碳运输所需的后续压缩过程，该过程也表现出强烈的能量需求。这项工作旨在研究和比较两种替代方法的能量需求，这些方法与传统工艺相比，用于将捕获的二氧化碳加压至 150 巴。捕获过程之后，二氧化碳通常接近大气压，由于压缩机的限制，需要多级压缩。在每个压缩阶段之后，都需要冷却以将流体保持在接近进一步压缩的最佳温度。所提出的替代方法利用处于超临界状态 (sCO2) 的压缩二氧化碳作为工作流体来回收压缩阶段中可用的热量。其中一种替代方法在每个冷却阶段在集成的开放式超临界朗肯循环 (sRC) 中使用 sCO2。除 sRC 之外的另一种方法在最终压缩阶段的捕获过程再生塔之前加热富含二氧化碳的液体流。压缩过程设计用于 2,779 吨/天的二氧化碳流，代表 400 MW 发电厂捕获的典型二氧化碳质量流量。结果表明，在测试的案例中，结合 sRC 和富含二氧化碳的流加热的情况是最节能的，比仅使用 sRC 的情况少耗能 5.11 MW，比没有中间冷却的传统压缩情况少耗能 4.31 MW。
用于机载处理的自适应有损图像压缩
前言................................................................................................................................ix
使用神经网络的图像压缩和减压
下一步涉及神经网络模型开发。自动编码器和卷积神经网络（CNN）都是深度学习体系结构，但具有不同的目的，并且是为不同类型的任务而设计的。我们使用了自动编码器和CNN。设计了一个基于自动编码器的体系结构，包括编码器和解码器。编码器通过提取基本特征将输入图像压缩为紧凑的潜在表示，而解码器从压缩图像中重新构造了输入图像。CNN体系结构由多个卷积层组成，然后是合并，完全连接的层，有时是标准化层。cnn是一种监督的学习模型，专为涉及数据中的空间层次结构（例如图像）而设计。提取空间和分层特征（边缘，纹理等）用于分类，细分和对象检测等任务。
实现脑电信号自动编码器压缩的机械可解释性
脑电图 (EEG) 是一种非侵入性工具，通过将电极放置在人体头皮上来测量大脑活动，从而检测神经元放电电压。虽然 EEG 技术存在信噪比差和仅捕获表面大脑活动等局限性，但它仍然是诊断癫痫和睡眠障碍等疾病的可靠方法 [ 1 ]。自动编码器 [ 2 ] 是一类特殊的神经网络，用作编码器-解码器对。编码器通过逐步减少各层的神经元数量，最终达到瓶颈层，将输入数据压缩为压缩表示，称为潜在空间。相反，解码器通过逐渐增加后续层中的神经元数量从这种压缩形式重建输入数据。这种压缩和重建过程使网络能够有效地捕获输入数据的显着特征。卷积变分自动编码器 (CVAE) [ 3 , 4 ] 通过合并卷积层扩展了此框架，使其特别适合处理图像数据。与标准自动编码器不同，CVAE 生成概率潜在空间。这种概率方法有助于学习稳健的特征，并增强模型生成类似于训练数据的新数据实例的能力。利用卷积层，CVAE 可以利用数据中的空间层次结构，从而增强其分析和重建图像数据中固有的复杂模式和纹理的能力。因此，CVAE 在要求详细
数据压缩与有线的信号保真度权衡...
摘要 - 途径高密度和高通道计数神经接口，能够同时记录成千上万的神经元的同时记录，将为学习，恢复和增强神经功能提供一个门户。但是，在完全植入的设备的比特率极限和功率预算内建立此类技术是具有挑战性的。使用在类似物到数字界面处使用有损耗的压缩，有线或压缩读数架构解决了高通道计数神经界面的数据洪水挑战。在本文中，我们评估有线或对神经工程至关重要的几个步骤的适用性，包括尖峰检测，尖峰分配和波形估计。对于有线或有线信号的各种接线配置以及基础信号质量的假设，我们表征了压缩比和特定任务信号保真度指标之间的权衡。使用来自猕猴视网膜中的18个大尺度微电极阵列记录的数据，我们发现，对于7-10的事件SNR，有线或正确检测并分配了至少80％的尖峰，至少具有50倍压缩。有线或方法还鲁棒地编码动作电势波形信息，从而实现了下游处理，例如细胞类型分类。最后，我们表明，通过将基于LZ77的无损耗压缩机（GZIP）应用于有线或体系结构的输出，可以在基线记录中实现1000倍压缩。
心理能力压缩是抑郁症和焦虑类型的根源
心理能力压缩是由幸福激素减少和应激激素（肾上腺素和皮质醇）的增加驱动的，可以将其视为树的根部，代表了问题的基本原因。这种压缩产生的症状由树的分支代表，包括五种关键的心理困扰类型：抑郁症，各种形式的焦虑，包括强迫症，恐惧症，恐慌发作和普遍焦虑。这些症状在个体之间可能存在很大差异，有些症状只有一个或两个分支，而另一些分支可能会遇到多个分支。