XiaoMi-AI文件搜索系统
World File Search Systemdiscrete
基于离散和连续吸引子网络的神经形态系统基于忆阻器的生物可信记忆
正是对建立一整套新的数学工具以分析和评估未来神经形态计算系统的启发。忆阻器于1971年被提出[4]，并于2008年通过实验建立[5]，它是一种电阻性器件，是针对这种非冯·诺依曼计算优化的未来神经形态器件。忆阻器可以根据内部状态和外部刺激（如电压脉冲）改变其电阻。先前的研究表明，基于忆阻器的交叉结构可以依靠欧姆定律和基尔霍夫定律，将计算最密集的组件矢量矩阵乘法（VMM）直接映射到电参数，从而加速各种人工神经网络（ANN）。[6,7]在此原理下，VMM计算过程直接在原位进行，从而避免了因从内存中获取数据而导致的内存墙（冯·诺依曼瓶颈）。尤其是在监督学习中，它可以降低前馈过程和从 NP 到 P 的反向传播的计算复杂度。[8] 因此，当前的研究主要集中在分类和回归任务上，以利用这种新的计算机制作为互补金属氧化物半导体 (CMOS) 电路的补充。然而，忆阻器的不同物理机制，如导电丝的形成/溶解和相变，决定了器件存在需要进一步优化的缺陷。[9,10]
用于分立功率器件状态监测和剩余使用寿命预测的复合故障前兆
摘要 — 为了防止电力电子系统中发生灾难性故障，已经确定了多种故障前兆来表征功率器件的退化。然而，在确定支持高精度剩余使用寿命 (RUL) 预测的合适故障前兆方面存在一些实际挑战。本文提出了一种充分利用潜在故障前兆来制定复合故障前兆 (CFP) 的方法，其中 CFP 直接根据退化模型进行优化以提高预测性能。明确推导了退化模型的 RUL 估计值，以方便前兆质量计算。对于 CFP 公式，采用遗传规划方法以非线性方式整合潜在故障前兆。结果，阐述了一个可以为给定的 RUL 预测模型制定出更好故障前兆的框架。通过 SiC MOSFET 的功率循环测试结果验证了所提出的方法。
通过离散时间量子行走传送任意量子态的量子通信方案
纠缠和贝尔态来投射到最大纠缠态的量子系统上。量子隐形传态作为基于测量的量子计算，在量子计算中起着至关重要的作用。安全量子隐形传态可用于量子密码学，如量子密钥分发 [ 10 ]。它扩展了纠缠在传输量子信息方面的实际应用，这在经典物理中是没有的，并且带来了纠缠作为一种物理现象的实验实现。在过去的十年中，量子行走已成为在设计的网络中传输量子态的重要工具。量子行走能够模拟量子演化并在基于图的结构上从物理方面实验纠缠。这些特性使量子行走成为量子隐形传态协议的有力候选者。人们可以看到大量与 DTQW 相关的工作，它们作为状态转移的重要媒介，并在 [ 1 ]-[ 9 ]、[ 20 ]、[ 23 ]、[ 36 ] 中开发算法。 DTQW 中的多币算子为行走演化带来了更复杂、更详细的见解，详见 [29]-[33]。与连续时间量子行走理论相关的工作可参见 [16]、[21]、[22]、[26]、[27]。一般来说，当我们讨论量子隐形传态时，我们将发送者称为 Alice，将接收者称为 Bob，我们的目标是将 Alice 的未知量子态成功传输给 Bob。该通信协议利用了量子纠缠和测量等量子力学事件。经典通信也被用作加密代码，使通信保密且防泄漏。混合模式使通信更加私密和安全。在量子行走中，节点充当量子位，行走演化促进状态转移。有关通过量子行走进行隐形传态的工作可参见 [11]-[19]。量子行走作为量子隐形传态手段的主要优势如下：
实时基于EEG的情绪识别，使用离散小波在完整和减少的通道信号上转换
具有消费级EEG设备的基于EEG的实时情感识别（EEG-ER）涉及使用减少的渠道进行情绪进行分类。这些设备通常只提供四个或五个通道，与大多数当前最新研究中通常使用的大量通道（32或更多）不同。在这项工作中，我们建议使用离散小波变换（DWT）提取时频域特征，并且我们使用几秒钟的时间窗口来执行eeg-er-ers分类。该技术可以实时使用，而不是在整个会话后数据后使用。我们还将在先前研究中开发的基线去除预处理应用于我们提出的DWT熵和能量特征，从而显着提高了分类精度。我们考虑两个不同的分类架构，一个3D卷积神经网络（3D CNN）和一个支持向量机（SVM）。我们在主题独立和依赖于主题的设置上评估了这两个模型，以对个人情绪状态的价和唤醒维度进行分类。我们对DEAP数据集提供的完整32通道数据以及同一数据集的5通道提取物进行了测试。SVM模型在所有提出的场景中表现最佳，对于整个32渠道主体依赖性案例的价准确度为95.32％，唤醒的精度为95.68％，击败了先前的实时EEG-EEG-EEG-EEG-EEG依赖性依赖性基准。也获得了与受试者的情况下的价准确度为80.70％，唤醒的精度为81.41％。将输入数据降低到5个通道仅在所有情况下平均将精度降低3.54％，从而使该模型适合与更易于访问的低端EEG设备一起使用。
离散优化量子算法中的编码权衡和设计工具包：着色、路由、调度和其他问题
具有挑战性的组合优化问题在科学和工程领域无处不在。最近，人们在不同的环境中开发了几种量子优化方法，包括精确和近似求解器。针对这一研究领域，本文有三个不同的目的。首先，我们提出了一种直观的方法来合成和分析离散（即基于整数）优化问题，其中问题和相应的算法原语使用与编码无关的离散量子中间表示 (DQIR) 来表示。与以前的方法相比，这种紧凑的表示通常可以实现更高效的问题编译、不同编码选择的自动分析、更容易的可解释性、更复杂的运行时过程和更丰富的可编程性，我们通过一些示例对此进行了演示。其次，我们对几种量子比特编码进行了数值研究；结果显示了许多初步趋势，有助于指导为特定硬件集和特定问题和算法选择编码。我们的研究包括与图着色、旅行商问题、工厂/机器调度、金融投资组合再平衡和整数线性规划相关的问题。第三，我们设计了低深度图派生部分混合器 (GDPM)，最多 16 级量子变量，证明了紧凑（双
使用离散小波变换和智能技术进行脑电信号分析以诊断神经系统疾病“2279
摘要：脑电图 (EEG) 信号分析至关重要，因为它是诊断神经系统脑部疾病的有效方法。在这项工作中，我们开发了一个系统来同时诊断一到两种神经系统疾病（二类模式和三类模式）。为此，我们研究了不同的 EEG 特征提取和分类技术，以帮助准确诊断神经系统脑部疾病：癫痫和自闭症谱系障碍 (ASD)。我们针对癫痫和 ASD 分析了两种不同的 EEG 信号模式，即单通道和多通道。独立成分分析 (ICA) 技术用于从 EEG 数据集中去除伪影。然后，使用椭圆带通滤波器对 EEG 数据集进行分割和滤波，以消除噪声和干扰。接下来，使用离散小波变换 (DWT) 从滤波信号中提取脑电信号特征，将滤波信号分解为子带 delta、theta、alpha、beta 和 gamma。随后，使用五种统计方法从脑电图子带中提取特征：对数带功率 (LBP)、标准差、方差、峰度和香农熵 (SE)。此外，将这些特征输入到四个不同的分类器中，即线性判别分析 (LDA)、支持向量机 (SVM)、k 最近邻 (KNN) 和人工神经网络 (ANN)，以对对应于其类别的特征进行分类。DWT 与 SE 和 LBP 的组合在所有分类器中产生最高的准确率。对于三类单通道和多通道模式，使用 SVM 的整体分类准确率分别接近 99.9% 和 ANN 的 97%。
偏好获取速度与新癌症药物生存益处的确定性：一个离散选择实验
方法，通过用于调查研究的在线平台Cint招募了美国国家代表性的老年人样本，以参加在线离散选择实验。为了符合条件，受访者必须自我报告一些癌症的经验 - 他们，他们自己，亲密的朋友或家人，以前或目前被诊断出患有癌症。在实验中，受访者选择了两种癌症药物，考虑了五个属性：功能状态，预期寿命，新药的生存益处的确定性，该药物对替代端点的影响以及美国食品和药物管理（FDA）批准时间的延迟。第一个主要结果是生存益处确定性的相对重要性和等待受访者的时间。第二个主要结果是愿意等待更大的生存益处，包括按癌症经验，年龄，教育状况，种族或种族和收入和收入进行亚组分析。次要结果是对确定性和等待时间的敏感性的变化，具体取决于药物对替代端点的影响，受访者的功能状况和预期寿命。研究计划已在ClinicalTrials.gov，NCT05936632中注册。
MW2024时间表B Tech SEM II NEP EX。 ...
Saturday 18-Jan-25 MAT2001 Applied Mathematics II MAT2001 Applied Mathematics II MAT2002 Discrete Mathematics MAT2001 Applied Mathematics II MAT2001 Applied Mathematics II MAT2001 Applied Mathematics II MAT2002 Discrete Mathematics MAT2001 Applied Mathematics II MAT2002 Discrete Mathematics MAT2002 Discrete Mathematics MAT2002离散数学
肌电控制中的大数据：大型多用户模型启用稳健的零击EMG基于EMG的离散手势识别
肌电控制，在肌肉收缩期间生成的肌电图（EMG）信号来控制系统或设备，是一种有希望的方式，可实现对新兴无处不在的计算应用程序的始终可用控制。但是，由于用户之间的行为和生理差异，其历史上的广泛使用受到对用户特定机器学习模型的需求的限制。利用公开可用的612-用户EMG-EPN612数据集，这项工作消除了这一概念，表明如果没有特定用户的培训，则可以实现真正的零射击交叉用户肌电控制。通过采用离散的分类方法（即，将整个动态手势视为一个事件），在一组306个未见的用户（没有提供培训数据）的一组中，可以实现六个手势的分类精度为93.0％，与大多数EMG研究（通常仅使用10-20个用户相比），可以雇用强大的交叉控制。通过将结果组织成一系列的小型研究，这项工作提供了对离散跨用户模型的深入分析，以回答未知问题并发现新的研究方向。特别是，这项工作探讨了建立跨用户模型所需的参与者数量，转移学习对这些模型的影响以及代表性不足的最终用户人口统计数据在培训数据中的影响等。结果表明，大型数据模型可以有效地推广到新的数据集，并减轻历史上限制基于EMG的输入的常见混杂因素的影响。另外，为了进一步评估创建的跨用户模型的性能，创建了一个全新的数据集（使用相同的记录设备），其中包括已知的协变量因子，例如跨日使用和肢体位置可变性。