XiaoMi-AI文件搜索系统
World File Search SystemTsallis
由二维量子 Tsallis 熵引起的致病生物的离散动力学模型
摘要：不对称器官系统的许多方面都受致病生物体通路的对称模型 (R&L) 控制，但体节和肢芽等敏感物质需要避免其影响。由于对称和不对称结构由相似或附近的物质发展而来，并利用许多相同的信号通路，因此实现对称变得更加困难。在此，我们旨在从二维量子演算（q 演算、q 类似物或 q 疾病）的角度概括一些重要的测量，包括分形的维数和 Tsallis 熵（二维量子 Tsallis 熵 (2D-QTE)）。该过程基于从量子演算的角度对 Tsallis 熵的最大值进行概括。然后，通过考虑最大的 2D-QTE，我们设计了一个离散系统。作为应用，我们利用 2D-QTE 描绘了一个受到致病生物 (DCO) 感染的离散动态系统。我们研究系统的正解和最大解。研究了平衡和稳定性。我们还将基于 2D-QTE 开发一种新颖的基本生殖率设计。
基于 MUB 的 Tsallis 相对 α 熵相干性的量子不确定关系
量子相干性是量子力学的基本特征之一。量子相干源理论不仅在量子理论中而且在实际应用中都发挥着重要作用[1–4]。量化量子态的相干性是量子相干源理论的核心任务之一。Baumgratz 等人提出了一个严格的框架来量化相干性[5]。该框架规定了良好的相干性测度必须满足几个条件。基于该框架，人们针对固定正交基提出了许多合适的测度[6–13]。相干性相对熵 (REOC) 和相干性 l 1 范数是两个典型的量子相干性测度，已被证明能够满足这些条件[5]。[12] 的作者提出了一种基于 Tsallis 相对 α 熵的相干性测度。作者证明了上述相干性测度满足（C1）的条件，
通过倾斜信息量化基于量子相干性的量子非马尔可夫性
基于非相干完全正映射和迹保持映射下量子相干性通过倾斜信息的非增性，我们提出了一种开放量子过程的非马尔可夫性测度。作为应用，通过将所提出的测度应用于一些典型的噪声信道，我们发现它等价于先前针对相位衰减和振幅衰减信道的三个非马尔可夫性测度，即基于量子迹距离、动态可分性和量子互信息的测度。对于随机酉信道，它等价于一类输出态基于相干性l 1 范数的非马尔可夫性测度，并且不完全等价于基于动态可分性的测度。我们还利用修正的Tsallis相对α相干熵来检测量子开放系统动力学的非马尔可夫性，结果表明，当α较小时，修正的Tsallis相对α相干熵比原始的Tsallis相对α相干熵更加合适。
界限广义相对熵
信息理论已成为一种越来越重要的研究领域，以更好地了解Quantum力学。值得注意的是，它涵盖了基础和应用观点，还提供了一种共同的技术语言来研究各种研究领域。非常明显，关键信息理论数量之一是由相对熵给出的，这量化了分开两个概率分布，甚至两个量子状态的困难。这样的数量依赖于诸如计量，量子热力学，量子通信和量子信息等领域的核心。鉴于应用的广泛性，希望了解该数量在量子过程中如何变化。通过考虑一般的统一通道，我们在输出和输入之间的广义相对熵（r´enyi和tsallis）上建立了一个结合。作为我们边界的应用，我们根据相对熵得出了一个量子速度限制的家族。讨论了这个家族与热力学，量子相干，不对称和单光信息理论之间的可能联系。
nambu – jona-lasinio模型，具有分形灵感耦合
编辑器：A。Ringwald nambu – Jona-Lasino模型通过包含通过分形方法获得量子染色体动力学获得的运行耦合来进行调整。耦合遵循一个指数函数，在高能量碰撞的背景下，解释了Tsallis非扩展统计分布的起源。参数𝑞完全根据颜色数量和夸克风味的数量来确定。我们研究了扩展模型的几个方面，并将结果与标准NJL模型进行了比较，在该模型中，将恒定的耦合与急剧的截止组合使用，以使间隙方程正常。我们表明，适度的耦合以平滑的截止方式将模型正常，并重现式质量和衰减常数，从而提供了与标准NJL模型中几乎相同的Gell-Mann-Oakes-Renner关系。在两种模型中，关系都以相似的截止量表进行。这项工作的一个重要新颖性是从分形QCD真空中的物理解释，用于使夸克冷凝物重新归一致的运行耦合。
多阈值优化的元启发式方法
由于脑部结构复杂，且容易受到中风、肿瘤等各种病症的影响，因此脑分割对于神经系统疾病的准确诊断和治疗至关重要。挑战在于如何在医学图像中精确描绘出解剖和病理结构，尤其是在图像质量和组织不规则性各不相同的情况下。为了解决这个问题，我们应用了八种元启发式优化算法——爬行动物搜索算法、虎鲸捕食者算法、白头鹰搜索、灰狼优化器、蜜獾算法、乌鸦搜索算法、哈里斯鹰优化和金枪鱼群优化——来提高 Kapur 熵、Tsallis 熵和 Otsu 方法等多阈值分割方法的准确性。结果显示，灰狼优化器和金枪鱼群优化脱颖而出，其中灰狼优化器在峰值信噪比和结构相似性指数等关键指标上表现出色。这些结果凸显了灰狼优化器在高级脑组织分割方面的潜力，在精确度对于有效的医疗干预至关重要的临床和研究环境中提供了显著优势。
多阈值优化的元启发式方法
由于脑部结构复杂，且容易受到中风、肿瘤等各种病症的影响，脑分割对于神经系统疾病的准确诊断和治疗至关重要。挑战在于如何在医学图像中精确描绘出解剖和病理结构，尤其是在图像质量和组织不规则性各不相同的情况下。为了解决这个问题，我们应用了八种元启发式优化算法——爬行动物搜索算法、虎鲸捕食者算法、白头鹰搜索、灰狼优化器、蜜獾算法、乌鸦搜索算法、哈里斯鹰优化和金枪鱼群优化——来提高 Kapur 熵、Tsallis 熵和 Otsu 方法等多阈值分割方法的准确性。结果显示，灰狼优化器和金枪鱼群优化脱颖而出，其中灰狼优化器在峰值信噪比和结构相似性指数等关键指标上表现出色。这些结果凸显了灰狼优化器在高级脑组织分割方面的潜力，在精确度对于有效的医疗干预至关重要的临床和研究环境中提供了显著优势。
PHYSICAL REVIEW A 105, 052218 (2022) 量子现实主义
符合微观世界规律的客观实在的出现一直是长期争论的焦点。近期的方法似乎至少在一个方面达成了共识，即对给定可观测量在物理自由度上的信息进行编码是该可观测量成为物理实在元素的必要条件。以此为基本前提，并受到量子信息论的启发，我们在此建立了量子实在论的公理化——一种与量子理论兼容的实在论概念。我们的策略包括列出一些能够以“度量”独立的方式表征量子实在论的物理驱动原理。我们引入了一些定义单调性和实在论测度的标准，然后在一些著名的信息论中寻找潜在候选者——由冯·诺依曼、雷尼和查利斯熵引起的理论。我们明确地构造了一些熵量词类，其中一些被证明满足所有提出的公理，因此可以作为给定物理可观测量的真实度（或确定性）的忠实估计。希望我们的框架可以为进一步讨论量子力学的基础方面提供正式的基础。
EEG 信号复杂性测量以增强 BCI-...
摘要：中风是全球第二大死亡原因和最常见的残疾原因之一。研究人员发现脑机接口 (BCI) 技术可以更好地帮助中风患者康复。本研究使用所提出的运动想象 (MI) 框架分析了来自 8 名受试者的脑电图 (EEG) 数据集，以增强针对中风患者的基于 MI 的 BCI 系统。该框架的预处理部分包括使用传统滤波器和独立成分分析 (ICA) 去噪方法。然后计算分形维数 (FD) 和赫斯特指数 (Hur) 作为复杂性特征，并评估 Tsallis 熵 (TsEn) 和弥散熵 (DispEn) 作为不规则参数。然后使用双向方差分析 (ANOVA) 从每个参与者那里统计检索基于 MI 的 BCI 特征，以展示个体在四个类别（左手、右手、脚和舌头）中的表现。降维算法拉普拉斯特征图 (LE) 用于增强基于 MI 的 BCI 分类性能。利用 k 最近邻 (KNN)、支持向量机 (SVM) 和随机森林 (RF) 分类器，最终确定了中风后患者的组别。研究结果表明，使用 RF 和 KNN 的 LE 分别获得了 74.48% 和 73.20% 的准确率；因此，所提出的特征与 ICA 去噪技术的综合集可以准确描述所提出的 MI 框架，可用于探索四类基于 MI 的 BCI 康复。这项研究将帮助临床医生、医生和技术人员为中风患者制定良好的康复计划。
量子逻辑熵：基本原理和一般性质
熵是概率论和物理学中最重要的概念之一。尽管信息似乎没有一个精确的定义，但香农熵被视为有关某个系统的信息的重要量度，而吉布斯熵在统计力学中起着类似的作用。冯·诺依曼熵是这些经典量度在量子领域的一种可能的、在某种意义上是自然的延伸。尽管冯·诺依曼熵在量子信息的许多应用中发挥着基础性的作用，但它仍因多种不同原因而受到批评[1-3]。简而言之，虽然经典熵表示人们对系统的无知[4]，但量子熵似乎具有根本不同的含义，它对应于信息的先验不可访问性或非局部关联的存在。从这个角度来看，经典熵涉及主观 / 认识论的不确定性，而量子熵与某种形式的客观 / 本体论的不确定性相关 [5]，尽管这种推理存在争议。为了解决像这样的概念问题，提出了非加性 Tsallis 熵和其他度量 [1, 6, 7]。经典逻辑熵最近由 Ellerman [8, 9] 引入，作为源自分区逻辑的信息度量。因此，这种熵给出了集合 U 分区的区别。分区 p 被定义为集合中不相交部分的集合，如图 1a 所示。集合可以被认为最初是完全不同的，而每个分区都会收集那些区别已被分解的块。每个块表示与集合上的等价关系相关联的元素。然后，给定一个等价关系，一个块的元素之间是模糊的，而不同的块彼此不同。考虑到这些概念，将这种划分和区分框架扩展到量子系统的研究似乎可以为量子态鉴别、量子密码学和量子信道容量问题带来新的见解。事实上，在这些问题中，我们以某种方式对可区分状态之间的距离测量感兴趣，这正是逻辑熵所关联的知识类型。这项工作是之前提出研究量子逻辑熵的预印本的更新和扩展版本 [ 10 ]。在这个新版本中，与原始版本一样，我们主要关注这个量的基本定义和属性。其他高级主题要么在之前的研究中处理过，比如 [ 11 ]，要么留待将来研究。然而，正如将在整篇文章中进一步阐述的那样，这里介绍的结果为各种理论应用奠定了基础——甚至对于涉及后选系统的场景也是如此。