XiaoMi-AI文件搜索系统
World File Search Systemestimator
用于空中交通管制和自动驾驶的多静电组跟踪中的IMM估计器
其中y t是r n值系统状态x t的r m值观察。矩阵A，B，F和G取决于θT，W t和V t是独立的白色高斯噪音。最佳的非线性估计器涉及许多随时间t呈指数增加的卡尔曼过滤器。 IMM估计器[1,2]仅涉及N KALMAN过滤器，每种模式一个。为了补偿过滤器数量的减少，在每个估计周期开始时，N Kalman过滤器的估计值之间存在一个受控的相互作用/混合。[1]正式证明了这些相互作用/混合方程是精确的，而不是近似值。在每个估计周期结束时； IMM估计器计算过滤重量（模式概率）以及总体平均值和协方差。Bar-Shalom等。[3]给出了IMM估计器及其在跟踪和导航中的应用深度解释。运动学模型的Kalman过滤器[3]是低通滤波器。在（1）中，噪声增益少，带宽较低，适合几乎恒定的速度运动。用大B，它们具有更高的带宽，并且是
开发基于机器学习的远程医疗自动患者参与度评估器：算法开发和验证研究
背景：患者参与是行为健康护理中一项关键但具有挑战性的公共卫生优先事项。在远程医疗过程中，医疗保健提供者需要主要依靠口头策略而不是典型的非口头提示来有效地吸引患者。因此，典型的患者参与行为现在有所不同，并且医疗保健提供者对远程医疗患者参与的培训不可用或非常有限。因此，我们探索了机器学习在估计患者参与度中的应用。这可以帮助心理治疗师与患者建立治疗关系，并在远程心理健康会话期间增强患者对心理健康状况治疗的参与度。目标：本研究旨在检查机器学习模型在远程心理健康会话期间估计患者参与度的能力，并了解机器学习方法是否可以支持客户和心理治疗师之间的治疗参与。方法：我们提出了一种基于多模态学习的方法。我们独特地利用了心理学文献中经常使用的情感和认知特征对应的潜在向量来了解一个人的参与度。鉴于医疗保健中存在的标记数据约束，我们探索了一种半监督学习解决方案。为了支持远程医疗类似技术的开发，我们还计划发布一个名为“临床分析中的多模式参与检测”（MEDICA）的数据集。该数据集包括 1229 个视频片段，每个片段时长 3 秒。此外，我们还展示了针对该数据集进行的实验，以及真实世界的测试，以证明我们方法的有效性。结果：与最先进的参与度估计方法相比，我们的算法报告的均方根误差提高了 40%。在我们对 20 名患者心理治疗过程中的 438 个视频片段进行的真实世界测试中，与之前的方法相比，心理治疗师的工作联盟清单得分与我们的平均和中位参与度估计值之间存在正相关。这表明所提出的模型有可能提供与心理治疗师使用的参与度测量非常吻合的患者参与度估计值。结论：患者参与度已被确定为改善治疗联盟的重要因素。然而，在远程医疗环境中，对这一点进行测量的研究有限，因为治疗师缺乏做出自信评估的传统线索。所开发的算法试图在机器学习框架内建立以人为本的参与建模理论，以准确可靠地估计远程医疗中患者的参与程度。结果令人鼓舞，并强调了将心理学和机器学习结合起来以了解患者参与的价值。进一步
利用力从势能贡献进行反应路径分析：反应坐标充分性的可行估计器 Nicolas Oscar Foglia，
“刚刚接受”的手稿已经过同行评审并被接受出版。它们在技术编辑、出版格式和作者校对之前在线发布。美国化学学会向研究界提供“刚刚接受”服务，以加快科学材料在被接受后尽快传播的速度。“刚刚接受”的手稿以 PDF 格式完整出现，并附有 HTML 摘要。“刚刚接受”的手稿已经过完全同行评审，但不应被视为记录的官方版本。它们可以通过数字对象标识符 (DOI®) 引用。“刚刚接受”是提供给作者的一项可选服务。因此，“刚刚接受”网站可能不包含将在期刊上发表的所有文章。手稿经过技术编辑和格式化后，将从“刚刚接受”网站上删除并作为 ASAP 文章发布。请注意，技术编辑可能会对手稿文本和/或图形进行细微更改，这可能会影响内容，并且适用于期刊的所有法律免责声明和道德准则均适用。 ACS 对因使用这些“刚刚接受”稿件中包含的信息而产生的错误或后果不负任何责任。
基于信息标准的特征选择中的转移学习
本文根据信息标准研究了转移学习的效果。我们提出了一个程序，将转移学习与锤摩尔的CP（TLCP）结合在一起，并证明它在准确性和稳定性方面优于常规木棍的CP标准。Our theoretical results indicate that, for any sample size in the target domain, the proposed TLCp estimator performs better than the Cp estimator by the mean squared error (MSE) metric in the case of orthogonal predictors, provided that i) the dissimilarity between the tasks from source domain and target domain is small, and ii) the procedure parameters (complexity penalties) are tuned according to certain explicit rules.此外，我们表明我们的转移学习框架可以扩展到其他特征选择标准，例如贝叶斯信息标准。通过分析正交化CP的溶液，我们确定了一个在非正交预测因子的情况下，渐近地近似CP标准的解。对于非正交TLCP获得了相似的结果。最后，使用真实数据的模拟研究和应用证明了TLCP方案的有用性。关键字：转移学习，功能选择，槌狼的CP
引用：Geng S，Chen X，Bai K，Ding J，Li H和Shi S（2023）ClínicaUniversidad de Navarra-Body肥胖估计器与2型
大约一半的T2DM患者直到被诊断出来才怀疑他们患有这种疾病[4]。因此，通过有效且可重复的诊断指标识别出早期T2DM风险的人并减少全球糖尿病流行非常重要[5]。在几个可修改的糖尿病风险因素中，肥胖被认为是主要危险因素[6，7]。在一般人群中，最广泛使用的措施来定义多余的体内脂肪（BF）是体重指数（BMI），腰围（WC）和腰围比（WHTR）。先前的研究表明，较高的BMI，WC和WHTR与2型糖尿病（T2DM）的风险增加有关[8，9]。但是，这些人体测量指标受到了批评，因为它们不考虑与肥胖相关的重要因素，尤其是年龄，性别和种族[10，11]。因此，提出了一种新的实用肥胖指数，即ClínicaDeNavarra-Body肥胖估计量（Cunbae），并被认为是人体脂肪估计的更准确的指标[12]。这种估计体内脂肪百分比的方法基于白人受试者的BMI，性别和年龄，与其他人体测量方法相比，通过空气位移体积跟踪测量的体内脂肪百分比的相关性最高[12]。以前的发现表明，与BMI或WC相比，Cun-Bae与T2DM和与脂肪相关的心血管危险因素更密切相关[13，14]。但是，以前的Cunbae评估研究仅限于白人人群，需要扩展到其他人群以确定其适用性。迄今为止，尚无研究探讨Cunbae在中国人口中的适用性。 因此，这项研究的目的是调查中国中年和老年人口中Cun-Bae与T2DM风险的关联，并比较Cun-Bae，BMI，WC和WHTR和T2DM之间关联的强度。迄今为止，尚无研究探讨Cunbae在中国人口中的适用性。因此，这项研究的目的是调查中国中年和老年人口中Cun-Bae与T2DM风险的关联，并比较Cun-Bae，BMI，WC和WHTR和T2DM之间关联的强度。
点估计，间隔估计，人口
目标估计值的点估计值估计值的点估计属性置信量估计置信区间置信区间估计估计间隔间隔估计人口平均值（σ已知）间隔估计人口平均值（σ未知）关键字估计，点估计器，误差率，间隔估计
汽车应用中永磁同步电机的控制
本论文涉及汽车应用中配备永磁同步电机 (PMSM) 的电力驱动系统的控制系统结构的设计和分析。本文考虑了无传感器控制，即没有机械转子位置传感器的矢量控制，并彻底分析了锁相环类型的速度和位置估算器。本文提出了一些修改方法，以允许在整个速度范围内运行，并提高估算器处理较大速度估算误差的能力。结果表明，转子凸极效应会影响估算器的动态特性，在某些参数选择和操作条件下，估算器的动态特性可能会变得不稳定。因此，本文推导出简单的参数选择规则，以保证稳定性并简化实施。对于转子凸极效应较小或可忽略的 PMSM，本文还考虑了一种仅从反电动势中提取位置信息的估算器。该估算器基于众所周知的“电压模型”，并提出了一些修改，以通过保证启动时的同步并允许稳定的旋转反转来提高估算器在低速范围内的性能。通过控制实现损耗最小化的理论应用于用于混合动力电动汽车推进的 PMSM 驱动器。通过更强的磁场削弱，可以降低基本铁芯损耗，但代价是增加电阻损耗。研究表明，然而
用单光子激光雷达 /作者= kitichotkul，ruangrawee的检测时间在反射率估计中的作用；拉普，约书亚； Goyal，Vivek K /creationDate = 2024年1月9日 /受试者=计算传感，电子和光子设备，信号处理< /div>
摘要 - 在直接的飞行时间单光子激光雷达中，通常使用photon检测时间来估计深度，而检测的数量则用于估计反射率。本文通过提出新的估计量并通过新的分析来统一先前的结果，从而在反射率估算中使用检测时间在反射率估算中使用。在低流量制度中，死亡时间可以忽略不计，我们检查了反射率估计的cram'errao。当深度未知时，我们表明基于检查的估计器几乎可以执行和最大似然估计器，而且令人惊讶的是，不正确的深度估计可以减少反射率估计的均值误差。我们还检查了信号和背景通量的联合估计，我们提出的基于审查的估计器以及最大似然估计器的表现。在高流量制度中，死亡时间不可忽略，我们将检测时间建模为马尔可夫链，并检查一些利用检测时间的反射率估计值。