XiaoMi-AI文件搜索系统
World File Search SystemRieman
主题感知的Riemannian图神经网络具有生成对抗性学习
图是复杂结构的典型非欧几里得数据。近年来，Riemannian图表的学习已成为欧几里得学习的令人兴奋的替代方法。，里曼尼亚方法仍处于早期阶段：无论结构复杂性如何，大多数方法都会出现单个曲率（半径），由于指数/对数映射而导致数值不稳定，并且缺乏捕获基调规律性的能力。鉴于上述问题，我们提出了主题感知的Riemannian图表的问题，寻求数值稳定的编码器，以在带有无标签的多样化曲面中限制基序的规律性。为此，我们提供了一种具有生成对比度学习（Motifrgc）的新型主题Riemannian模型，该模型以一种自我监督的方式在Riemannian歧管中进行了Minmax游戏。首先，我们提出了一种新型的Riemannian GCN（D-GCN），在该GCN（D-GCN）中，我们用di-Versifed因子构建了由产品层构建多种狂热的歧管，并用稳定的内核层代替了指数/对数映射。第二，我们引入了一种主题感知的riemannian生成对比学习，以捕获构造的歧管中的主题规律性，并在没有外部标签的情况下学习主题感知的节点表示。经验结果表明了Mofrgc的优越性。
机器人运动学习的Riemannian流量匹配政策
摘要 - 我们引入了Riemannian流匹配策略（RFMP），这是一种用于学习和合成机器人视觉策略的新型模型。RFMP利用流量匹配方法的有效训练和推理能力。通过设计，RFMP继承了流量匹配的优势：编码高维多模式分布的能力，通常在机器人任务中遇到，以及非常简单且快速的推理过程。我们证明了RFMP对状态和视觉条件的机器人运动策略的适用性。值得注意的是，正如机器人状态位于里曼尼亚歧管上一样，RFMP固有地包含了几何意识，这对于逼真的机器人任务至关重要。为了评估RFMP，我们进行了两个概念验证实验，将其性能与扩散策略进行了比较。尽管两种方法都成功 - 完全学习了所考虑的任务，但我们的结果表明，RFMP提供了更平稳的推理时间的动作轨迹。
Williams诉Sparks City
一家人离开CFS办公室后不久，Vazquez和Johnson开始起草拘留令的申请。在审查申请并找到可能的原因后，少年法院根据《加利福尼亚福利和机构法典》第306（a）（1）条签发了临时拘留令。授权执法人员进入里曼女士在尤卡山谷的住所，以定位K. B.，暂时拘留K. B.与有执照的批准的寄养家庭或亲戚一起安置，并寻求法医和法医检查，同时将Rieman女士排除在这些检查中。根据加利福尼亚州的法律，临时拘留只能持续48个小时，“不包括非司法日子”，此后，K。B.将返回Rieman女士的监护权，除非CFS在上述时间内提交请愿书。。。声明[孩子]一个受抚养的孩子。。。。” cal福利。＆Inst。代码§313（a）。
并网光伏系统三相逆变器基于无源性的黎曼刘维尔分数阶滑模控制
由于环境条件多变，光伏 (PV) 系统参数始终是非线性的。在多种不确定性、干扰和时变随机条件的发生下，最大功率点跟踪 (MPPT) 很困难。因此，本研究提出了基于被动性的分数阶滑模控制器 (PBSMC)，以检查和开发 PV 功率和直流电压误差跟踪的存储功能。提出了一种独特的分数阶滑模控制 (FOSMC) 框架的滑动面，并通过实施 Lyapunov 稳定性方法证明了其稳定性和有限时间收敛性。还在被动系统中添加了额外的滑模控制 (SMC) 输入，通过消除快速不确定性和干扰来提高控制器性能。因此，PBSMC 以及在不同操作条件下的全局一致控制效率是通过增强的系统阻尼和相当大的鲁棒性来实现的。所提技术的新颖之处在于基于黎曼刘维尔 (RL) 分数阶微积分的 FOSMC 框架的独特滑动曲面。结果表明，与分数阶比例积分微分 (FOPID) 控制器相比，所提控制技术可在可变辐照度条件下将 PV 输出功率的跟踪误差降低 81%。与基于被动性的控制 (PBC) 相比，该误差降低 39%，与基于被动性的 FOPID (EPBFOPID) 相比，该误差降低 28%。所提技术可使电网侧电压和电流的总谐波失真最小。在不同太阳辐照度下，PBSMC 中 PV 输出功率的跟踪时间为 0.025 秒，但 FOPID、PBC 和 EPBFOPID 未能完全收敛。同样，直流链路电压在 0.05 秒内跟踪了参考电压，但其余方法要么无法收敛，要么在相当长的时间后才收敛。在太阳辐射和温度变化期间，使用 PBSMC，光伏输出功率在 0.018 秒内收敛，但其余方法未能收敛或完全跟踪，与其他方法相比，由于 PBSMC，直流链路电压的跟踪误差最小。此外，光伏输出功率在 0.1 秒内收敛到参考功率
嵌入曲线空间上的测地线完备黎曼度量。
对于有限维黎曼流形，霍普夫-里诺定理表明，陈述 1.) – 3.) 彼此等价，并且 1.)、2.)、3.) 中的每一个都蕴涵 4.)。但是，我们的设置是无限维的，因此我们必须根据一些能量原理“手工”显示它们中的每一个。最后，但并非最不重要的是，我们将看到几个在结和链空间中长度最小化测地线的数值模拟。
关于脑电图识别中功能连接特征和riemannian流形的组合的研究
方法：在目前的工作中，我们引入了拉普拉斯矩阵，以将功能连接特征（即相位锁定值（PLV），Pearson相关系数（PCC），频谱相干（COH）和共同信息（MI）转换为半阳性运营商，以确保转换为正面的功能。然后，使用SPD网络来提取深空信息，并采用完全连接的层来验证提取特征的效果。，决策层融合策略用于实现更准确和稳定的识别结果，并研究了不同特征组合的分类性能的差异。更重要的是，还研究了应用于功能连接功能的最佳阈值。
利用滤波器组黎曼特征和对抗域自适应进行跨感觉脑电图情绪识别
摘要：情绪识别对于理解人类情感状态具有重要意义，具有多种应用。脑电图 (EEG) 是一种捕捉大脑活动的非侵入性神经成像技术，在情绪识别方面引起了广泛关注。然而，现有的基于 EEG 的情绪识别系统仅限于特定的感觉模式，阻碍了它们的适用性。我们的研究创新了 EEG 情绪识别，提供了一个全面的框架来克服感觉聚焦限制和跨感觉挑战。我们使用多模态情绪模拟（三种感觉模式：音频/视觉/视听，两种情绪状态：愉悦或不愉悦）收集跨感觉情绪 EEG 数据。所提出的框架——滤波器组对抗域自适应黎曼方法 (FBADR)——利用滤波器组技术和黎曼切线空间方法从跨感觉 EEG 数据中提取特征。与黎曼方法相比，滤波器组和对抗域自适应可以分别提高 13.68% 和 8.36% 的平均准确率。分类结果的比较分析证明，所提出的 FBADR 框架实现了最先进的跨感官情感识别性能，平均准确率达到 89.01% ± 5.06%。此外，所提出方法的稳健性可以确保在信噪比 (SNR) ≥ 1 dB 下具有较高的跨感官识别性能。总的来说，我们的研究为基于 EEG 的情感识别领域做出了贡献，提供了一个全面的框架，克服了感官导向方法的局限性，并成功解决了跨感官情况的困难。
rfnet：基于脑电的大脑的Riemannian Fusion网络 -
摘要 - 我们提出了一种用于学习脑电图（EEG）的新型深神经结构。为了学习空间插图，我们的模型首先获得了Riemannian-Nian歧管上空间协方差矩阵（SCM）的riemannian平均值和距离。然后，我们通过切线空间学习将空间信息投射到欧几里得空间上。随后，使用两个完全连接的层来学习空间信息嵌入。此外，我们提出的方法通过使用具有软注意机制的深长短期记忆网络从欧几里得空间中的EEG信号中提取的差分熵和对数功率谱密度特征来学习时间信息。为了结合空间和时间信息，我们使用有效的融合策略，该策略学习了用于嵌入决策特定特征的注意力权重。我们在三个流行的EEG相关任务中评估了四个公共数据集上的拟议框架，特别是情绪识别，警惕性估计和运动图像分类，其中包含各种类型的任务，例如二进制分类，多类分类和回归。我们提出的体系结构在种子视频上的其他方法优于其他方法，并在其他三个数据集（Seed，BCI-IV 2A和BCI-IV 2B）上接近最先进的方法，显示了我们在脑电图表示学习中框架的鲁棒性。我们论文的源代码可在https://github.com/guangyizhangbci/eeeg riemannian上公开获得。
RIEMANNIAN流形的EEG分类
协方差矩阵学习方法因其在非线性数据中捕获有趣的结构的能力而在许多分类任务中变得流行，同时尊重基础对称的对称阳性（SPD）歧管的riemannian几何形状。最近通过学习基于欧几里得的嵌入方式，在分类任务中提出了几种与这些矩阵学习方法相关的深度学习体系结构。在本文中，我们提出了一个新的基于Riemannian的深度学习网络，以为脑电图（EEG）分类生成更具歧视性的特征。我们的关键创新在于学习Riemannian地理空间中每个班级的Riemannian Barycenter。提出的模型将SPD矩阵的分布归一化，并学习每个类的中心，以惩罚矩阵与相应类中心之间的距离。作为一种要求，我们的框架可以进一步减少阶层内距离，扩大学习特征的类间距离，并始终在三个广泛使用的EEG数据集中超过其他最先进的方法，以及来自我们在虚拟现实中的压力诱导的实验中的数据。实验结果证明了由于协方差描述符的鲁棒性以及考虑到riemannian几何形状上的Barycenters的良好有益的核心信号的非平稳性框架的优越性。
用于生物网络的Riemannian混合
生物网络通常用于生物医学和健康保健领域，以有效地模拟复杂的生物系统与与生物实体联系的相互作用的结构。但是，由于它们具有高维度和低样本量的特征，直接在生物网络上应用深度学习模型通常会面临严重的过度拟合。在这项工作中，我们提出了R-Mixup，这是一种基于混合的数据增强技术，该技术适合具有优化训练效率的生物网络的邻接矩阵的符号正定（SPD）属性。R-Mixup中的相互关系过程利用了Riemannian歧管的对数 - 欧几里得距离指标，从而有效地解决了香草混合物的肿胀效果和任意错误的标签问题。我们通过五个现实世界的生物网络数据集在回归和分类任务上演示了R-Mixup的有效性。此外，我们得出了一个普遍忽略的必要条件，用于识别生物网络的SPD矩阵，并密切研究其对模型性能的影响。代码实现可以在附录E中找到。