XiaoMi-AI文件搜索系统
World File Search SystemNN
预测9月北极海冰-AMS期刊
米切尔·布什克（Mitchell Bushuk），位于撒哈拉阿里（Sahara Ali），b david A. Bailey，C Qing Bao，D LaurianeBatté，E Uma S. Bhatt，E Edward Blanchard-Wrigestworth，G Ed Blockley，G Ed Blockley，Hgavin Cawley，Hgavin Cawley，i Junhaw Goulet I. Culllet Richlet I. Cullath，M，M，Kk Francis Dirkis X. diberial Exracu，QMaximilianGöbel，R William Gregory，S Virgini Guemas，T Lawrence Hamilton，U Bean He，D Senifer E. Caya，Uther，Uther，Elliot Kim，M Noriaki Kimura，N Dmitry Condrashov，Y Zachary M. CCED WISED LIN，DD YU’MASSONNET，GG WALTER N. pp Steefen Titsche, qq Michel Tsamadus, rr Keguang Wang, ss Jianwu Wang, b Wonqi Whee Yigo Wang, c Younghua, dad James Williams, bolun Yag, dedd Zhang, n and Youngfei Zhang s
用户手册
？rs3q3。uarj，ric，n <3jw，rlui3u。n0 a3 crncn <$ ry tyca c3ca cjw，chjw uaru3-sc，n irn irn irn irn ircj ircj cn i max ir l erc03c $ 3 C3N0C L3C <3。 n0 j@3n A3.3CQ3C aiuiwwwwwwwal 8arl＃r $ y; r@3 n0 n0 n0 n0 n0 nu3n0cu jr3n0cu j u ju3n0cu j@cc@cc l nn i c3 irn i c3 irlg，n j g3 irn j g3 irg j j，n J g3 irg j j，n J g3 irg j，u j j j j j j j ju l3 n n y l3l erc03c $ 3 C3N0C L3C <3。 n0 j@3n A3.3CQ3C aiuiwwwwwwwal 8arl＃r $ y; r@3 n0 n0 n0 n0 n0 nu3n0cu jr3n0cu j u ju3n0cu j@cc@cc l nn i c3 irn i c3 irlg，n j g3 irn j g3 irg j j，n J g3 irg j j，n J g3 irg j，u j j j j j j j ju l3 n n y l3C3N0C L3C <3。n0 j@3n A3.3CQ3C aiuiwwwwwwwal 8arl＃r $ y; r@3 n0 n0 n0 n0 n0 nu3n0cu jr3n0cu j u ju3n0cu j@cc@cc l nn i c3 irn i c3 irlg，n j g3 irn j g3 irg j j，n J g3 irg j j，n J g3 irg j，u j j j j j j j ju l3 n n y l3
在误差减少回路中使用神经网络的准强化学习对 100 个激光束阵列进行实验相位控制
近来，需要高平均功率激光束的应用数量急剧增加，涉及大型项目，如空间清洁 [1]、航天器推进 [2]、粒子加速 [3]，以及工业过程 [4] 或防御系统 [5]。激光光束组合是达到极高功率水平的最常用方法之一，特别是相干光束组合 (CBC) 技术 [6]。它们旨在对放大器网络传输的平铺激光束阵列的发射进行相位锁定，以产生高亮度的合成光束。由于实际激光系统（尤其是光纤激光系统）中阵列中光束之间的相位关系会随时间演变，因此这些技术必须通过伺服环路实时校正合成平面波的相位偏差。近年来，CBC 技术得到了广泛发展，探索了调整合成离散波前中各个相位的不同方法。它们可以分为两大类。在第一类中，测量阵列中光束的相位关系，然后进行校正 [7]。在第二种方法中，实际波前和期望波前之间的差异通过迭代过程得到补偿 [8]。在后一种情况下，优化算法驱动反馈回路，分析所有光束之间干涉的阵列相位状态的更多全局数据 [9,10]。这些技术通常更易于实施，所需电子设备更少，但需要更复杂的数值处理，其中一些技术在处理大量光束时速度会降低。最后一个问题与反馈回路中达到预期相位图所需的迭代次数有关，该迭代次数会随着要控制的相位数的增加而迅速增加。最近，人们研究了神经网络 (NN) 和机器学习，以期找到一种可能更简单、更有效的方法来实现相干光束组合。已发表的文献 [11] 中涉及的一种方案依赖于卷积神经网络 (VGG) 的直接相位恢复，然后一步完成相位校正，例如在自适应光学 NN 的开创性工作 [12]。 NN 用于将光束阵列干涉图样的强度（在透镜焦点处形成的远场或焦点外的图像、分束器后面的功率等）直接映射到阵列中的相位分布中。恢复初始相位图后，可以直接应用相位调制将相位设置为所需值。[11] 中报告的模拟表明，当阵列从 7 条光束增加到 19 条光束时，基于 CNN 的相位控制的精度会下降。这一限制在波前传感领域也得到了强调，因此 NN 通常仅用作初始化优化程序的初步步骤 [13]。另一种可能的方案是强化
“神经网络技术与人工智能”
神经网络（NN）是人工智能的一部分，它使用类似于生物神经元中发生的现象来处理信号。网络最重要的特征是所有环节并行处理信息，这也体现了网络的广泛能力和巨大潜力。通过大量的神经元间连接，可以显著加快实时信号转换过程。此外，由于存在大量的神经元间连接，网络能够抵抗某些线路上发生的错误。
![arXiv:2302.07037v2 [nucl-th] 2023 年 3 月 18 日](/simg/g:\will\search\icon\source\e\ef98ab86a2d9b2a779db064e9b5ee70259826385.webp)
arXiv:2302.07037v2 [nucl-th] 2023 年 3 月 18 日
在耦合微观聚结模型的输运模型中,研究了√sNN=2.4GeV时20-30%Au+Au碰撞中心性中质子和氘的有向和椭圆流及其标度特性.结果表明,用同位旋和动量相关的核平均场模拟的不可压缩率K0=230MeV的流动及其标度特性与HADES数据有很好的拟合度,而常用的动量无关的核平均场模拟的流动及其标度特性只能部分拟合HADES数据.此外,通过检查√sNN=2时0-10%Au+Au碰撞中心性中质子和氘的快度分布,发现用同位旋和动量相关的核平均场模拟的流动及其标度特性与HADES数据有很好的拟合度. 4 GeV，我们发现，用动量无关的核平均场模拟的氘核快度分布被低估了，而质子的快度分布被高估了。相反，用同位旋和动量相关的核平均场模拟的质子和氘核快度分布与 HADES 数据高度一致。我们的发现意味着，核平均场的动量依赖性是理解核物质性质和成功解释 HADES 数据的一个不可避免的特征。
深度学习框架具有不确定性量化的调查数据：评估和预测美国人群中的糖尿病风险
复杂的调查设计通常在许多医学人群中采用。在这种情况下 - iOS，开发案例特定的预测风险评分模型，反映了研究设计的独特特征是必不可少的。这种方法是最大程度地减少结果选择性偏差的关键。本文的目标是：（i）提出使用神经网络（NN）建模的回归和分类的一般预测框架，该框架将调查权重结合到估计过程中； （ii）引入一种用于模型预测的不确定性定量算法，该算法是针对复杂调查范围的数据量身定制的； （iii）利用NHANES 2011 - 2014年同类的数据，将这种方法应用于开发强大的风险评分模型来评估美国人群中糖尿病的风险。我们的估计量的理论特性旨在确保最小的偏见和统计一致性，从而确保我们的模型产生可靠的预测并在糖尿病研究中提供新的科学见解。虽然专注于糖尿病，但该NN预测框架可适应为各种疾病和医疗队列创建临床模型。本文中使用的软件和数据在GitHub上公开可用。
《晚间先驱报》（新墨西哥州阿尔伯克基），1915 年 6 月 12 日
我在 Pj lrni Herald LMM MM 伦敦。 6 月 12 日 M:f i。在 l - 尽管 tin Itr.iiah pieaa haa wgrneil .ulil。那 il w 太 url In llaeeit ifmil lvr) ihul th Ausiro-iirrina- rmlri in tggMM MM 已经 ilitlintcly 。 hci k.-d- , it la netertheh-- believed hy many military uoMmaa Mlofg m Lon-li- thai then- him been u shuip turn In the Hltuutlnti in italic lu whii-l- will pMNW (MMMI iMMdMvMj nn pomMotMi inn hi IrutgJM elthrr 11 thr wrat i in ihc Uulian frontier The lult official announce- ment frimi I'eimgru.ln ihul ih ituasluns tunc uaeumed the ffenin. along the luUM ilvrr NHfl 1w eHe rtfit?i' ttf iv Iflrdm itfift that concede (hi- - !.. ni ground iinwhfif agogM aMMg ihf rlvfr Hrm h. in ttiikowlnn Xerliia. il nppcar. g hi itt nn hfr .1 mi uputlmi of nurthfrti mill i in in I vlhiiniu mid the nmv MM inm lie In poser--sln- n nf K. uturl
心脏杂音和异常PCG检测通过小波散射变换和1D-CNN
摘要 - 这项工作是从Phonocartiogram（PCG）录音中自动且准确的心脏模拟检测。Two public PCG datasets (CirCor Digiscope 2022 dataset and PCG 2016 dataset) from Physionet online database are utilized to train and test three custom neural networks (NN): a 1D convolutional neural network (CNN), a long short-term memory (LSTM) recurrent neural network (RNN), and a convolutional RNN (C- RNN).我们首先进行预处理，其中包括以下关键步骤：使用小波散射变换对PCG段的DeNoising，分割，仅噪声段重新标记，数据归一化以及PCG段的时间频率分析。然后，我们使用PCG 2022数据集进行了四个实验，前三个（E1-E3），使用PCG 2016数据集进行了第四个实验。事实证明，我们的自定义1D-CNN优于其他两个NN（LSTMRNN和C-RNN）。此外，对于实验E3，我们的1D-CNN模型就准确性，加权准确性，F1得分和AUROC而优于相关工作（使用清洁和重新标记的PCG 2022数据集）。对于实验E1（使用原始PCG 2022数据集），我们的模型在加权准确性和F1分数方面非常接近相关工作。
LEO卫星轨道轨道通过闭环机器学习，并应用于机会性导航
摘要 - 提出了通过闭环机器学习的低地球轨道（LEO）卫星轨道预测的框架。通过改进地面车辆的导航，与使用简化的一般扰动4（SGP4）Orbit Orbit Expagator相比，使用“非合作” LEO卫星信号来证明该框架的功效，并通过“非合作” LEO卫星信号导航。该框架称为LEO-NNPON（具有机会性导航的NN预测），假定以下三个阶段。（i）LEO卫星第一通过（跟踪）：具有其位置提取物测量值的陆地接收器（伪造，载波相位和/或多普勒）从接收到的Leo卫星的信号中，使其能够估算到达的时间。LEO卫星的状态用SGP4传播的两行元素（TLE）数据初始化，随后在卫星可见性期间通过扩展的Kalman滤波器（EKF）估算。（ii）未观察的LEO卫星（预测）：在估计的ephemerides上对具有外源输入（NARX）NN的非线性自回归进行了训练，并用于传播Leo卫星的轨道，以期在此期间不观察卫星。（iii）LEO卫星第二通道（导航）：配备LEO接收器的地面导航器（例如，车辆），从Leo卫星的下链路信号中提取导航可观察到可观察到的可观察到的可观察到的可观察到的导航器。这些导航可观察物用于以紧密耦合的方式（例如，通过EKF）以紧密耦合的方式帮助导航器安装的惯性测量单元（IMU）。LEO卫星状态是从NN预测的胚层获得的。提出了装有工业级IMU导航4.05 km的地面车辆的实验结果，并提供了来自两个Orbcomm卫星的信号。比较了三个车辆导航框架，所有车辆导航框架都用全球导航卫星系统（GNSS） - 惯性导航系统（INS）位置和速度解决方案进行初始化。 （ii）使用SGP4传播的Leo Esphemerides的Leo-Aided Ins； （iii）与狮子座的狮子座。独立的三维（3-D）位置根平方（RMSE）为1,865 m，而SGP4的Leo Aided INS为175.5 m。 Leo-Nnpon的Leo Aided Ins为18.3 m，证明了拟议框架的功效。