XiaoMi-AI文件搜索系统
World File Search SystemDTW
预测医学消费的聚类分析
摘要。这项研究调查了用于医院中医学消费的机器学习，以优化资源分配和物流。我们使用两种方法：一种结合了多家医院数据的统一方法，以及一种预测个人医院的分离方法。我们根据消费趋势探索了K-均值聚类和手动对聚类。虽然K-均值聚类并未产生改进，但手动夹确定了具有明显增强预测准确性的特定药物对（例如，医院1：MAPE 1：MAPE从19.70％降低到3.30％）。但是，统一的方法并不能始终如一地使所有医院受益（例如，医学9）。这强调了在某些医院的准确性提高与其他医院潜在损失的需求。总体而言，分离方法中的手动聚类显示出希望。未来的工作应探索高级自动聚类技术，例如动态时间扭曲（DTW），并利用较大的数据集进行进一步验证。
使用 3-d 加速度计进行手势识别 - SMEC
摘要：基于手势的交互是一种自然的人机交互方式，在普适计算环境中有着广泛的应用。本文提出了一种基于加速度的手势识别方法，称为 FDSVM（基于帧的描述符和多类 SVM），该方法仅需要可穿戴的三维加速度计。使用 FDSVM，首先收集手势的加速度数据并用基于帧的描述符表示，以提取判别信息。然后构建基于 SVM 的多类手势分类器以在非线性手势特征空间中进行识别。在包含数周内 12 个手势的 3360 个手势样本的数据集上进行的大量实验结果表明，所提出的 FDSVM 方法明显优于其他四种方法：朴素贝叶斯、DTW、HMM 和 C4.5。在用户相关的情况下，FDSVM 对 4 个方向手势的识别率为 99.38%，对所有 12 个手势的识别率为 95.21%。在用户无关的情况下，它对 4 个手势的识别率为 98.93%，对 12 个手势的识别率为 89.29%。与文献中报道的其他基于加速度计的手势识别方法相比，FDSVM 在用户相关和用户无关的情况下均能给出最佳结果。
使用 3-d 加速度计进行手势识别 - SMEC
摘要：基于手势的交互是一种自然的人机交互方式，在普适计算环境中有着广泛的应用。本文提出了一种基于加速度的手势识别方法，称为 FDSVM（基于帧的描述符和多类 SVM），该方法仅需要可穿戴的三维加速度计。使用 FDSVM，首先收集手势的加速度数据并用基于帧的描述符表示，以提取判别信息。然后构建基于 SVM 的多类手势分类器以在非线性手势特征空间中进行识别。在包含数周内 12 个手势的 3360 个手势样本的数据集上进行的大量实验结果表明，所提出的 FDSVM 方法明显优于其他四种方法：朴素贝叶斯、DTW、HMM 和 C4.5。在用户相关的情况下，FDSVM 对 4 个方向手势的识别率为 99.38%，对所有 12 个手势的识别率为 95.21%。在用户无关的情况下，它对 4 个手势的识别率为 98.93%，对 12 个手势的识别率为 89.29%。与文献中报道的其他基于加速度计的手势识别方法相比，FDSVM 在用户相关和用户无关的情况下均能给出最佳结果。
使用 3-d 加速度计进行手势识别 - SMEC
摘要：基于手势的交互是一种自然的人机交互方式，在普适计算环境中有着广泛的应用。本文提出了一种基于加速度的手势识别方法，称为 FDSVM（基于帧的描述符和多类 SVM），该方法仅需要可穿戴的三维加速度计。使用 FDSVM，首先收集手势的加速度数据并用基于帧的描述符表示，以提取判别信息。然后构建基于 SVM 的多类手势分类器以在非线性手势特征空间中进行识别。在包含数周内 12 个手势的 3360 个手势样本的数据集上进行的大量实验结果表明，所提出的 FDSVM 方法明显优于其他四种方法：朴素贝叶斯、DTW、HMM 和 C4.5。在用户相关的情况下，FDSVM 对 4 个方向手势的识别率为 99.38%，对所有 12 个手势的识别率为 95.21%。在用户无关的情况下，它对 4 个手势的识别率为 98.93%，对 12 个手势的识别率为 89.29%。与文献中报道的其他基于加速度计的手势识别方法相比，FDSVM 在用户相关和用户无关的情况下均能给出最佳结果。
自主航天器的操作：板上决策和执行异常的下行分析
摘要 - 未来的太空探索任务将在很大程度上依靠自主计划和执行（APE）技术来证明航天器的可靠性并降低运营成本。，这将需要对地面操作进行完整的修改，即，从当前指定预先计划的序列的实践来指定高级目标，后来将根据航天器的状态和可感知的环境来详细阐述，后来由板上APE详细说明。特别是，在下行链路期间确定任务结果是一项艰巨的任务。在本文中，我们使用下行链接的通道数据，EVR和至关重要的空间工艺模型重建了航天器在船上执行的操作（即，执行）；我们还定量地比较了从“实际”运行与基于地面预测模拟的情况进行比较。要进行此定量比较，我们设计了基于两个相似性分数的N维动态时间扭曲（DTW）技术：（a）与执行任务相关的一项，其成本函数基于基于间隔的基于间隔的广义交叉点，而不是联合； （b）其他与飞船状态有关的其他成本函数基于归一化曼哈顿距离的关系。通过Neptune-Triton系统中多个Flyby的模拟案例研究，我们证明了我们的技术成功量化了ASSCECT的实际实际和预先分析之间的相似性，并评估其“家庭中”与“未家庭”的行为。为了降低相关的误报/负面因素，我们还设计了一个多目标评估指标，这是对任务和时间轴相关的相似性分数的加权总结。
芯片到晶圆 (d2w) 键合解决方案
直接键合技术不断发展，以应对“更多摩尔”和“超越摩尔”的挑战。自 20 世纪 90 年代绝缘体上硅 (SOI) 技术的出现以来，CEA-Leti 已在直接键合方面积累了丰富的专业知识。从那时起，CEA-Leti 团队一直在积极创新直接键合，以拓宽应用领域。该技术基于室温下两个紧密接触的表面之间的内聚力。然后，范德华力（氢键）和毛细桥产生所需的粘附能。键合后退火将弱键转变为共价键，最终形成一块材料。随着混合键合的出现，直接键合现在不仅解决了基板制造问题，还解决了 3D 互连领域的问题。本文介绍了 CEA-Leti 开发的不同直接键合技术及其在微电子行业和研发中的应用。在文章的第一部分，简明扼要地介绍了直接键合物理学。然后，概述了最先进的键合技术，包括晶圆对晶圆 (WTW) 混合键合、芯片对晶圆 (DTW) 混合键合和 III-V 异质键合。针对合适的应用领域，比较了每种技术的优势、挑战、应用和利害关系。第三部分重点介绍 CEA-Leti 在 ECTC 2022 和 ESTC 2022 上展示的最新混合键合 D2W 结果。讨论了集成挑战以及专用设备开发的作用。最后一部分介绍了潜在的市场和相关产品，并以具有硅通孔 (TSV) 和多层堆叠的芯片为例。
语音相关神经活动的迭代对齐发现
摘要 目的 . 脑机接口 (BCI) 有可能为患有神经系统疾病、说话肌肉无力的患者的言语能力保留或恢复。然而，成功训练低延迟语音合成和识别模型需要将神经活动与预期的语音或声学输出以高时间精度对齐。这对于无法发出可听见的言语的患者来说尤其具有挑战性，因为没有可以用于精确定位与言语同步的神经活动的基本事实。方法 . 在本研究中，我们提出了一种用于神经语音活动检测 (nVAD) 的新型迭代算法，称为迭代对齐发现动态时间规整 (IAD-DTW)，该算法将 DTW 集成到深度神经网络 (DNN) 的损失函数中。该算法旨在发现患者的皮层脑电图 (ECoG) 神经反应与他们在收集数据以训练 BCI 解码器进行语音合成和识别期间说话尝试之间的对齐方式。主要结果 .为了证明该算法的有效性，我们测试了它在预测健全且有完整言语能力的患者产生的声音信号的开始和持续时间的准确性，这些患者正在接受癫痫手术的短期诊断性 ECoG 记录。我们通过随机扰动神经活动与所有言语开始和持续时间的初始单一估计之间的时间对应关系来模拟缺乏基本事实的情况。我们检查了模型克服这些扰动以估计基本事实的能力。在这些模拟中，即使在语音和静默之间存在最大错位的情况下，IAD-DTW 的性能也没有明显下降（准确度绝对下降 < 1%）。意义。IAD-DTW 计算成本低，并且可以轻松集成到现有的基于 DNN 的 nVAD 方法中，因为它只与最终的损失计算有关。这种方法使得使用无法产生可听言语的患者（包括患有闭锁综合症的患者）的 ECoG 数据来训练语音 BCI 算法成为可能。
图形和序列的量子机器学习方法：应用于核安全评估
在本文中，我们的目标是通过使用纯量子算法以及量子机器学习算法来提供不太复杂的解决方案，以合理的时间解决概率安全研究（PSS）领域的问题。我们解决 EPS 问题的两个方面，即静态和动态。对于静态问题，我们感兴趣的是找到系统中可能产生严重事故的所有基本事件组合，我们建议通过量子算法来获得这些基本事件组合，使用有向图，而不是搜索 SAT 问题的所有解。我们的贡献是一种量子算法，它使用线性数量的量子比特，通过经典过滤器，我们可以找到所有能够产生这些事故的基本事件的组合。在动态情况下，我们感兴趣的是找到系统中的所有偶然序列，我们的主要兴趣是处理这些序列。在经典情况下，为了找到所有这些序列，我们使用系统的状态图并寻找当前状态和所有临界状态之间的所有路径。由于这个问题是 NP 完全的，我们提出了一个量子解决方案来找到所有这样的路径。我们提出了两种量子算法，均基于量子行走的哲学。第一个算法在有向无环图中查找源顶点和几个目标顶点之间的所有路径。该算法使用N个量子比特和M个门来寻找所有路径。第二个是第一个的混合版本，即使量子比特数量减少，它也能够处理大图。另一个贡献是采用动态时间规整 (DTW) 算法的量子方法来计算这些序列之间的相似性，以及能够使用长度动态变化的子序列在序列之间找到最佳匹配的版本。我们还提出了一种量子隐马尔可夫模型 (QHMM) 的学习策略，以便从系统的任何初始状态生成意外场景并实时管理系统。我们最终提出了量子 k-means 的改进版本。经典版本的k-means每次迭代的复杂度为O(K×M×N)。在我们的案例中，使用单个量子电路计算观测值和聚类中心之间的所有距离，并使用 Grover 的量子搜索算法，我们可以将复杂度降低到 O(log(K×M×N))。还提出了利用绝热量子的量子平衡k均值算法的另一个版本。最后，我们提出了一种比经典版本更快的 Convex-NMF 算法的量子版本。我们将提出的方法应用于 EPS 领域的实际系统，以此作为本论文的结论。
Alessio Fagioli
[1] Daile Avolve，Luigs，Marsics的Maria，Alexsio家族，Gian Luke Forests，Mancini Maurks和Muchic Alexius。“可穿步态识别的信号增强和基于DTW的比较”。in：Comfort＆Security（2023），p。 103643。[2] Dailo Avolve，Andrea Bacic，Luige，Food Alexus，Marini Raoul和Taielle Rescue。“在此图像中出国留学明智的灌木丛”。in：Biioditine 221（2022）中的委员会方法和计划，p。 106833。[3] Avolve，Cannistick Iren，Cask，Life，Diko，Diko，Diko，家庭食品，Gian Forest，Romes，Romes，Lancy，Lancy，Maurks，Maurks，Maurks，Alexius，Daile Pannish Axius。“在基于新的GAN基于新的Amaly检测和定位方法中，用于高空的天线归因”。in：遥感14.16（2022），p。 4110。[4] Daile Avolve，Cassk，Luige Cinque，Family Alexus和Gean Forest。“通过多视图表示学习学习低 - lowleton fowerias的情感行动和互动识别。”在：国际神经系统杂志（2022），pp。2250040–2250040。[5] Daile Avolve，Cask，Life Cinques，Family Alexus和Gean Forest。“人类的siketette and Syntheses合成Wi -Fi syfi”。in：国际神经系统杂志32.05（2022），p。 2250015。[6] Daile Avolve，Cassk，Luigal Lui，Family Alexus，Gian Forests，Raoul Raoul和Red Factory。in：Comfort＆Industrial Industrial（2022），p。 108512。1145–1158。“用于自动检测和制成品中结构缺陷的自动检测和定位的实时深度学习方法”。[7] Danilo Avola，Marco Cascio，Luigi Cinque，Alessio Fagioli和Chiara Petrioli。“通过Wi -Fi提取的无线电生物特征识别的人重新识别”。in：IEEE信息取证和安全性交易17（2022），pp。[8] Danilo Avola，Luigi Cinque，Alessio Fagioli和Gian Luca Foresti。“ Sire -Networks：通过跳过/残差连接和交错的自动编码器来保存信息的卷积神经网络扩展”。in：神经网络153（2022），pp。386–398。[9] Danilo Avola，Luigi Cinque，Alessio Fagioli，Gian Luca Foresti，Adriano Fragomeni和Daniele Pannone。“从RGB图像中进行的3D手姿势和形状估计，用于基于关键点的手势识别”。in：模式识别129（2022），p。 108762。[10] Danilo Avola，Luigi Cinque，Alessio Fagioli，Gian Luca Foresti和Cristiano Massaroni。“非作用身体的深度时间分析影响识别”。在：情感计算上的IEEE交易13.3（2022），pp。1366–1377。[11] Danilo Avola，Manoochehr Joodi Bigdello，Luigi Cinque，Alessio Fagioli和Marco Raul Marini。“ r -signet：离线作者依赖于依赖的签名验证的空间作者独立的特征学习”。in：模式识别信150（2021），pp。189–196。