XiaoMi-AI文件搜索系统
World File Search SystemDecomposition
考虑多尺度不确定性的电力系统容量扩张嵌套交叉分解算法
现代电力系统见证了可再生能源、储能、电动汽车和各种需求响应资源的迅速普及。因此，电力基础设施规划面临着更多挑战，因为各种新资源带来了多变性和不确定性。本研究旨在开发一个多阶段多尺度随机混合整数规划 (MM-SMIP) 模型，以捕捉电力系统容量扩张问题的粗时间尺度不确定性，例如投资成本和长期需求随机性，以及细时间尺度不确定性，例如每小时可再生能源产出和电力需求不确定性。要应用于实际电力系统，所得到的模型将导致极大规模的混合整数规划问题，不仅遭受众所周知的维数灾难，而且每个阶段的大量整数变量也会带来计算困难。针对MM-SMIP模型的此类挑战，我们提出了一种嵌套交叉分解算法，该算法由两层分解组成，即Dantzig-Wolfe分解和L形分解。该算法在我们的数值研究中表现出良好的计算性能，并且特别适合并行计算，这也将通过计算结果得到证明。
施密特分解与干扰替代方案的一致性
摘要 — 施密特分解及其相关分析使得识别单个物理系统各个子系统之间的统计依赖关系成为可能。所考虑的系统可以是量子态，也可以是经典概率分布。本研究考虑了两个不同的物理系统：量子薛定谔猫态和微粒双缝干涉。结果表明，所考虑的系统具有单一的内部结构，可以用干涉替代的一般术语来描述。开发了一种有效的方法，使我们能够计算干涉的光学特性，例如可见性和相干性。结果表明，干涉替代环境状态的标量积是光振荡相干性的经典复参数的自然概括，它决定了干涉图案的可见性。获得了干涉图案可见性与施密特数之间的简单定量关系，施密特数决定了量子系统与其环境之间的连接水平。所开发的方法被推广到多维薛定谔猫态的情况。
变分量子奇异值分解
奇异价值分解对于工程和科学领域的许多问题至关重要。已经提出了几种量子算法来确定给定基质的奇异值及其相关的奇异向量。尽管这些算法是有希望的，但是在近期量子设备上，所需的量子子例程和资源太昂贵了。在这项工作中，我们提出了一种用于奇异值分解（VQSVD）的变分量子算法。通过利用奇异值的变异原理和ky fan定理，我们设计了一种新型的损失函数，以便可以训练两个量子神经网络（或参数化的量子电路）来学习奇异向量并输出相应的奇异值。更重要的是，我们对随机矩阵进行VQSVD的数值模拟以及其在手写数字的图像压缩中的应用。最后，我们讨论了算法在推荐系统和极地分解中的应用。我们的工作探讨了仅适用于Hermitian数据的量子信息处理的新途径，并揭示了矩阵分解在近期量子设备上的能力。
基于领域分解的人工神经网络（...
摘要 — 本文研究了人工神经网络 (ANN) 作为基于机器学习算法的替代建模方法在模拟高 Q 压电谐振器和滤波器的电声波行为方面的有效性。本文还讨论了结合 ANN 模型的域分解方法，用于同时分析多域射频 (RF) 模块。本文开发了不同的多层感知器 (MLP) ANN 模型，并根据其模型精度和模型效率进行了基准测试。然后利用开发的模型构建梯形 Band 7 和 Band 41 带通发射滤波器作为示例，以突出建模方法的质量。本文简要讨论了与机器学习算法能力相关的其他可能应用。
围绕死亡和衰减的微生物组：食物加工，肉类变质和人类分解环境的微生物生态
该资源是由作者使用美国司法部提供的联邦资金准备的。表达的意见或观点是作者的意见或观点，不一定反映美国司法部的官方立场或政策。
蒸气相分解（VPD） +电感耦合...
Technical Parameters WSPS2 - VPD automation system: • Open cassette stations • Robotic system: Fully automatic wafer handling and processing • PAD-Fume: Etching of surface and bulk Si • PAD-Scan: scanning of liquefied wafer surface • Scan options: Bevel scan (for wafer edges) and Hydrophilic surface scan
krylov-levenberg-marquardt算法用于结构化塔克张量分解
其中x是一个固定的高矩阵，而ϑ是新的向量参数。例如，我们可以促进对称或部分对称分解，例如a = b = c或a = b。在前一种情况下，我们可以定义ϑ = [vec（k）; vec（a）]。另一个示例是对某些或所有因素矩阵或核心张量k强制执行toeplitz结构。以这种方式，例如，有可能构建低级张量反卷积[31]，平行因子，具有线性脱位（Paralind）[33] [33]或具有线性约束（Candelinc）的典型分解[34]。在[10]和Tensorlab中使用了类似的技术。有很多可能性，并且它们在矩阵X上都不同。请注意，以某些核心张量元件固定至零的模型是本小节中考虑的线性转换的一种特殊情况。
使用稳定器分解的量子系统的经典模拟
经典模拟量子电路的最先进技术之一依赖于通过稳定器状态的叠加来近似电路的输出状态。如果电路中的非距离门的数量很小，则此类模拟可能非常有效。本文在此框架中提供了各种改进。首先，我们描述了一种改进的计算近似稳定器分解的方法，该方法将分解中单个术语计算的时间成本从O（ℓN2）降低到O（Mn 2），其中ℓ是电路中的闸门总数，M是非阶数距离盖茨的数量。由于必须多次重复此子例程，因此每当ℓm时，这种改进在实践中可能显着。我们的方法使用电路的一定重写，在某些情况下，这可以显着缓解所需的经典资源的指数缩放。
通过中间量子实现有效的量子电路分解
许多量子算法都利用了辅助位，即用于在计算过程中存储临时信息的额外空闲位，这些信息通常在使用后恢复到其原始状态。辅助位有多种用途，例如减少总执行时间。在某些情况下，它们可以渐进地改善电路分解的深度。这凸显了量子程序中一个重要的时空权衡——我们以辅助位的形式花费额外的空间，以减少输入电路的深度。真正的量子机器的量子比特数量有限，因此充分利用它们以更快地计算更大、更有用的问题非常重要。最近，[1] 证明了高维量子比特可以作为某些电路元件中辅助位的替代品，效果很好。虽然量子电路通常以量子比特上的二进制逻辑门来表示，但在许多量子技术中，这种两级抽象是肤浅的。超导量子比特 [2] 和捕获离子 [3] 具有无限多种可能的状态，而较高的状态通常被抑制。不幸的是，通过访问这些状态，计算会受到更多种类的错误的影响，实际上错误类型的数量在计算基数中呈二次方增长 [1]。但是，如果正确使用量子比特状态，则获得的好处会超过这种成本。具体来说，我们在计算过程中暂时使用量子比特状态，同时保持电路的二进制输入和输出。
使用多分辨率奇异值分解（MSVD）
大脑计算机界面（BCI）多模式融合具有通过减轻与单个模态相关的缺点来以高度可靠的方式生成多个命令的潜力。在本工作中，通过同时记录的脑电图（EEG）（EEG）和功能性近红外光谱（FNIRS）信号融合来获得的混合EEG-FNIRS BCI系统 - 用于克服Uni-Mododity的局限性并获得更高的任务分类。尽管混合方法增强了系统的性能，但由于缺乏融合这两种方式的计算方法的可用性，这些改进仍然是适中的。为了克服这一点，提出了一种新的方法，使用多分辨率的奇异值分解（MSVD）来实现基于系统和特征的融合。使用KNN和树分类器比较了两种基于不同特征集的方法。通过多个数据集获得的结果表明，所提出的方法可以有效地融合这两种方式与分类精度的提高。