XiaoMi-AI文件搜索系统
World File Search Systemfiltering
球面反卷积信息滤波纤维束图
简介：人们越来越有兴趣开发使用扩散 MRI 纤维束成像分析活体整个人脑结构连接的方法和模型。这些分析依赖于连接组重建的稳健性和生物学准确性；不幸的是，许多方法因素都会影响这种重建（以及任何衍生的测量值），甚至包括播种策略 [1] 。部分原因是在流线纤维束成像中，轨迹是彼此独立生成的，因此大脑中的特定通路可能相对于底层生物学被过度定义或定义不足。在这里，我们提出了一种全脑纤维追踪数据的后处理滤波器，以补偿这种方法偏差。方法：Raffelt 等人 [2] 的模拟结果表明，使用球面反卷积产生的纤维取向分布 (FOD) 中每个峰的幅度与与该峰对齐的体素内轴突的细胞内体积分数成正比。因此，如果全脑纤维追踪的结果是对底层神经元轴突结构的完美重建，则高角度分辨率空间中的轨迹密度应与 FOD 峰值的方向和相对幅度相对应。因此，我们可以构建一个简单的成本函数：
量子加速全局约束过滤
量子计算机旨在利用量子力学现象在某些任务上超越传统计算机。虽然早期的量子设备（如量子退火器）仅限于实现专门的算法，但过去十年出现了通用门模型量子计算机，能够实现任何可以表示为一系列量子逻辑门的算法。在这个模型中，量子门被应用于量子比特，即量子处理器的基本存储单元，让人想起经典计算中逻辑门被应用于比特。虽然目前的门模型处理器仍然很小，处于嘈杂的中尺度量子 (NISQ) 领域，但它们已经实现了令人兴奋的发展，例如云端量子计算机的可用性 [10,13]，以及在采样随机量子电路背景下实现量子霸权 [3]。此外，完善的量子纠错和量子容错理论为实现容错、可扩展的量子计算机的大量工程努力提供了基础 [33]。
用于滤波脑电图的单通道方法...
Queiroz，Carlos Magno Medeiros，1971 - 单通道方法过滤受面部肌电图严重污染的脑电信号 [电子资源] / Carlos Magno Medeiros Queiroz。 - 2022 年。主管：Adriano de Oliveira Andrade。论文（博士） - 乌贝兰迪亚联邦大学，电气工程研究生课程。访问方式：互联网。可从以下网址获取：http://doi.org/10.14393/ufu.te.2023.8032 包括参考书目。包括插图。 1. 电气工程。 I. 安德拉德，阿德里亚诺·德奥利维拉，1975-，（东方）。二.乌贝兰迪亚联邦大学。电气工程研究生课程。三标题。 CDU：621.3 André Carlos Francisco 图书管理员 - CRB-6/3408
Wasserstein 分布稳健卡尔曼滤波
H ∞ 滤波器针对的是噪声过程统计数据不确定的情况，此时我们的目标是最小化最坏情况而不是估计误差的方差 [ 3 , 26 ]。该滤波器限制了将扰动映射到估计误差的传递函数的 H ∞ 范数。然而，在瞬态操作中，会失去所需的 H ∞ 性能，并且滤波器可能会发散，除非每次迭代中都有一些（通常是限制性的）正性条件成立。在集值估计中，扰动向量通过有界集（如椭球）建模 [ 4 , 22 ]。在该框架中，我们试图围绕与观测值和外生扰动椭球一致的状态估计构建最小椭球。然而，由此产生的稳健滤波器会忽略任何分布信息，因此倾向于过于保守。 [19] 首次研究了一种对更一般形式的（基于集合的）模型不确定性具有鲁棒性的滤波器。该滤波器以迭代方式最小化标准状态空间模型附近所有模型的最坏情况均方误差。虽然该滤波器在面对较大不确定性时表现良好，但在较小不确定性下可能过于保守。[25] 提出了一种广义卡尔曼滤波器，它可以解决这个缺点，在标准性能和最坏情况性能之间取得平衡。通过最小化矩生成函数而不是估计误差平方的均值，可以得到风险敏感的卡尔曼滤波器 [24]。这种风险敏感的卡尔曼滤波器等同于 [12] 中提出的分布鲁棒滤波器，它最小化标准分布周围的 Kullback-Leibler (KL) 球中所有联合状态-输出分布的最坏情况均方误差。 [27] 研究了更一般的 τ -散度球的扩展。
单光子相干反馈控制与滤波
如果一个光场恰好包含 k 个光子，则它处于 k -光子态。由于其高度量子化的特性，光子态在量子通信、计算、计量和模拟方面有着广阔的应用前景。最近，人们对各种光子态的产生和操纵的兴趣日益浓厚。控制工程领域的一个新的重要问题是：如何分析和合成由光子态驱动的量子系统以实现预定的控制性能？在本综述中，我们引入了单光子态，并展示了量子线性系统如何处理单光子输入，以及如何使用线性相干反馈网络来塑造单光子的时间脉冲。我们还介绍了一种单光子滤波器。（本综述的扩展版本可在 arXiv:1902.10961 找到。）
基于扩散模型的协作过滤
最近的一项研究表明，扩散模型非常适合建模推荐系统中用户 - 项目相互作用的生成过程。但是，基于扩散模型的建议系统不会明确利用包含关键协作信号的高阶连接性，以获得准确的建议。解决这一差距，我们提出了一种新的基于扩散模型的协作过滤（CF）方法CF-DIFF，该方法能够与多跳邻居一起充分利用协作信号。具体而言，向前扩散过程为用户 - 项目交互增加了随机噪声，而反向降级过程可容纳我们自己的学习模型，称为跨注意指导的多跳自动化自动编码器（CAM-AE），以逐渐恢复原始的用户 - 项目相互作用。cam-ae由两个核心模块组成：1）注意力辅助的AE模块，负责精确学习用户 - 项目交互的潜在表示，同时保留模型在可管理的级别上的复杂性，2）多跳交叉意见模块，明智地利用高级连接信息来捕获高级连接信息，以捕获增强的协作。通过三个现实世界数据集的全面实验，我们证明了cf-diff是（a）优越：优于基准建议方法，获得了高达7.29％的优势，与最佳竞争者相比，（b）从理论上降低计算的同时确保我们的模型交叉的交流，使我们的模型交叉构成，并将其交叉交叉 - 可扩展：证明与用户或项目数量线性扩展的计算效率。