XiaoMi-AI文件搜索系统
World File Search Systemmanifold
供应链管理及其在铁路运输中的作用
1 vnrvjiet，海得拉巴，印度特兰加纳。2印度Telangana的Ibrahimpatnam，Ibrahimpatnam的CVR工程学院。 摘要。 本文旨在设计有效的控制策略，以使用史密斯预测器控制结构来调节质子交换膜（PEM）燃料电池阴极电极的供应主要压力。 建议通过控制供应歧管压力来增强PEM燃料电池的增强PEM燃料电池的实现，以分数阶的比例积分（FOPI）级联的分数/非量表过滤器。 使用错误指标（即）分析了名义和扰动条件下的系统性能 积分绝对误差（IAE），积分正方形误差（ISE）和总方差。 从过程响应和性能索引中，很明显，建议的方法提供了增强的设定点跟踪和干扰拒绝。 模拟研究是在MATLAB软件中进行的。2印度Telangana的Ibrahimpatnam，Ibrahimpatnam的CVR工程学院。摘要。本文旨在设计有效的控制策略，以使用史密斯预测器控制结构来调节质子交换膜（PEM）燃料电池阴极电极的供应主要压力。建议通过控制供应歧管压力来增强PEM燃料电池的增强PEM燃料电池的实现，以分数阶的比例积分（FOPI）级联的分数/非量表过滤器。使用错误指标（即积分绝对误差（IAE），积分正方形误差（ISE）和总方差。从过程响应和性能索引中，很明显，建议的方法提供了增强的设定点跟踪和干扰拒绝。模拟研究是在MATLAB软件中进行的。
在具有更长范围相互作用的量子模型的保形歧管上的拓扑过渡
试图显示具有更长范围相互作用的量子ISING模型的共形歧管上的拓扑转变。该模型哈密顿系统具有不同的间隙相位，具有不同的拓扑指数，并且根据横向场的存在和不存在，也具有不同的量子临界线。我们还提供了参数空间不同机制的中心电荷。在存在和不存在横向场的情况下，以及C的非宇宙特征，我们明确显示了关键，拓扑和中央电荷（C）的相互作用。我们显示了在存在横向场的情况下，在存在横向场的情况下，LIFSHITZ过渡是如何发生的。我们明确地表明了保形场理论（CFT）临界性和非CFT临界性的存在。我们提出了一个明确的计算，以找到多项式函数与Anderson-Pseudo自旋模型Hamiltonian之间的关系。我们的结果比非互动的许多人体系统的存在结果更丰富。这项工作不仅提供了保形场理论拓扑状态的新观点，而且还提供了低维量子系统的许多身体系统。
使用谱聚类检测黎曼流形上的 BCI 的 EEG 异常值
摘要 — 自动检测和去除脑电图 (EEG) 异常值对于设计强大的脑机接口 (BCI) 至关重要。在本文中，我们提出了一种新的异常值检测方法，该方法适用于样本协方差矩阵 (SCM) 的黎曼流形。现有的异常值检测方法存在错误地将某些样本拒绝为异常值的风险，即使没有异常值，因为检测基于参考矩阵和阈值。为了解决这一限制，我们的方法黎曼谱聚类 (RiSC) 基于提出的相似性度量将 SCM 聚类为非异常值和异常值，从而检测异常值。这考虑了空间的黎曼几何，并放大了非异常值簇内的相似性并削弱了非异常值和异常值簇之间的相似性，而不是设置阈值。为了评估 RiSC 的性能，我们生成了受不同强度和数量的异常值污染的人工 EEG 数据集。比较 RiSC 与现有异常值检测方法之间的 Hit-False (HF) 差异，证实 RiSC 可以显著更好地检测异常值 (p < 0.001)。特别是，对于异常值污染最严重的数据集，RiSC 对 HF 差异的改善最大。
基于类独特性的黎曼流形上基于振荡活动的 BCI 的频带选择：初步结果
摘要 — 众所周知，考虑用户特定设置可以增强脑机接口 (BCI) 的性能。特别是，振荡活动分类的最佳频带高度依赖于用户，过去二十年已经开发了许多频带选择方法。然而，这些传统方法是否可以有效地应用于黎曼 BCI 尚未得到很好的研究，黎曼 BCI 是一类新兴的 BCI 系统，与传统 BCI 管道不同，它利用了数据的非欧几里得性质。在本文中，我们提出了一种基于黎曼流形的新型频带选择方法。选择频带时，考虑到基于流形上的类间距离和类内方差量化的类独特性。该方法的一个优点是可以针对每个人调整频带，而无需进行密集的优化步骤。在使用基于运动想象的 BCI 公共数据集的比较实验中，我们的方法比固定宽频带和流行的传统频带选择方法的平均准确率有显著提高。尤其是，我们的方法显著提高了最初准确度较低的受试者的表现。这一初步结果表明，开发考虑流形属性的新用户特定设置算法的重要性，而不是直接应用在黎曼 BCI 兴起之前开发的方法。
蛋白质代码、3 流形和 Kummer 表面中的量子信息
摘要。每种蛋白质都由一个由 20 个字母/氨基酸组成的线性序列组成。该序列通过二级（局部折叠）、三级（键）和四级（不相交的多重）结构在三维空间中展开。我们之前发表的两篇论文中，利用有限群 G n := Z n ⋊ 2 O（n = 5 或 7，2 O 为二元八面体群）的（信息完整）不可约特征，可以预测线性链的 20 个字母的遗传密码的存在。事实证明，一些蛋白质复合物的四级结构表现出 n 重对称性。我们提出了一种基于自由群理论的二级结构方法。将我们的结果与其他根据 α 螺旋、β 片层和卷曲或更精细的技术预测蛋白质二级结构的方法进行了比较。结果表明，蛋白质的二级结构与某些双曲 3 流形的结构相似。体积最小的双曲 3 流形（Gieseking 流形）、其他一些 3 流形和定向超制图群被选为此类二级结构的暂定模型。对于四级结构，存在与 Kummer 表面的联系。
非... -ENSTA
不变流形的直接参数化方法是一种模型订购降低技术，可以应用于PDES所描述的非线性系统和离散化的非线性系统，例如具有有限元过程，以得出有效的还原级模型（ROM）。在非线性振动中，它已经应用于自主和非自治问题，以提出可以使用几何非线性计算结构的主链和频率响应曲线的ROM。虽然先前的发展使用一阶扩展来应对非自主术语，但通过提出不同的处理，此假设在这里放松了这个假设。关键思想是通过与强迫相关的其他条目扩大参数坐标的尺寸。通过这种启动假设得出了一种新的算法，并且作为关键的结果，可以得出可以得出通过同源方程式出现的共振关系，涉及强迫频率的多次出现，表明有了这一新的开发，可以得出具有超旋转共振的系统的ROM，可以得出。该方法已在涉及梁和拱门的学术测试案例上实施和验证。在数值上证明，该方法为涉及3：1和2：1超谐音共振的问题生成有效的ROM，以及对于系统上一阶截断的系统的融合结果，在非自治术语上显示出明显的限制。
隐藏的马尔可夫链和田地，在Riemannian歧管中进行观测
[1] R. J. Elliot，L。Aggoun和J.B. Moore。 隐藏的马尔可夫模型：估计和控制。 Springer Science+商业媒体，1995年。 [2] O. Capp´e，E。Moulines和T. Ryd´en。 在隐藏的马尔可夫模型中推断。 Springer Science+商业媒体，2005年。 [3] L. R. Rabiner。 关于隐藏的马尔可夫模型和语音识别中选定应用的教程。 （在语音识别中的读数中）。 Morgan Kaufmann Publishers，Inc，1990。 [4] R. Durbin，S。Eddy，A。Krogh和G. Mitchison。 生物序列分析。 剑桥大学出版社，1998年。 [5] S. Z，li。 图像分析中的马尔可夫随机字段建模。 Springer Publishing Company，2009年。 [6] A. Zare，M。Jovanovic和T. Georgiou。 湍流的颜色。 流体力学杂志，812：630–680，2017。 [7] B. Jeuris和R. Vandebril。 带有toeplitz结构块的块toeplitz矩阵的khler平均值。 SIAM关于矩阵分析和应用的杂志，37：1151–1175，2016。 [8] A. Barachant，S。Bonnet，M。Congedo和C. Jutten。 通过Riemannian几何形状进行多类脑部计算机界面分类。 IEEE生物培训工程交易，59：920–928，2012。 [9] O. Tuzel，F。Porikli和P. Meer。 通过分类的人行人进行探测。 IEEE关于模式分析和机器智能的交易，30：1713–1727，2008。 [10] S. Said，H。Hajri，L。Bombrun和B. C. Ve-Muri。 熵，2016年18月18日。B. Moore。隐藏的马尔可夫模型：估计和控制。Springer Science+商业媒体，1995年。[2] O. Capp´e，E。Moulines和T. Ryd´en。在隐藏的马尔可夫模型中推断。Springer Science+商业媒体，2005年。[3] L. R. Rabiner。关于隐藏的马尔可夫模型和语音识别中选定应用的教程。（在语音识别中的读数中）。Morgan Kaufmann Publishers，Inc，1990。[4] R. Durbin，S。Eddy，A。Krogh和G. Mitchison。生物序列分析。剑桥大学出版社，1998年。[5] S. Z，li。图像分析中的马尔可夫随机字段建模。Springer Publishing Company，2009年。[6] A. Zare，M。Jovanovic和T. Georgiou。湍流的颜色。流体力学杂志，812：630–680，2017。[7] B. Jeuris和R. Vandebril。带有toeplitz结构块的块toeplitz矩阵的khler平均值。SIAM关于矩阵分析和应用的杂志，37：1151–1175，2016。[8] A. Barachant，S。Bonnet，M。Congedo和C. Jutten。通过Riemannian几何形状进行多类脑部计算机界面分类。IEEE生物培训工程交易，59：920–928，2012。[9] O. Tuzel，F。Porikli和P. Meer。通过分类的人行人进行探测。IEEE关于模式分析和机器智能的交易，30：1713–1727，2008。[10] S. Said，H。Hajri，L。Bombrun和B. C. Ve-Muri。熵，2016年18月18日。Riemannian对称空间上的高斯分布：结构化协方差矩阵的统计学习。信息理论交易，64：752–772，2018。[11] E. Chevallier，T。Hose，F。Barbaresco和J. Angulo。对Siegel空间的内核密度估计，并应用于雷达处理。[12] A. Banerjee，I。Dhillon，J。Ghosh和S. Sra。使用Von Mises-Fisher分布在单位过度上进行促进。机器学习研究杂志，6：1345–1382，2005。
非线性正常模式作为模型订单还原的不变流形
本章介绍了振动系统的非线性正常模式（NNM），作为相位空间的不变流形，以及它们用于降低非线性结构的模型顺序。nnms被定义为线性正常模式的延续，通过将幅度的主体特征空间的子集实施相切。保守和阻尼动力学以及NNM是时间依赖的强制系统。使用用于不变歧管的参数化方法的系统过程是为其计算而设计的，直接从物理空间运行，并直至任意扩展顺序。在学术示例中的应用显示，以突出该方法处理硬化/软化行为，折叠式歧管的存在和超谐共振的能力。在每种情况下，都会得出具有最小维度和出色精度的降低模型。
对Riemannian歧管上的复杂EEG数据分布进行建模朝外检测和多模式分类
摘要 - 目的：riemannian几何形状用于脑部计算机界面（BCIS）已在纪念百年中获得了动力。针对Riemannian BCIS提出的大多数机器学习技术都会考虑一个人的数据分布是单峰的。但是，由于高数据可变性是脑电图（EEG）的关键限制，因此该分布可能是多模式的，而不是单峰。在本文中，我们提出了一种新型的数据建模方法，用于考虑在EEG协方差矩阵的Riemannian歧管上考虑复杂的数据分布，旨在提高BCI可靠性。方法：我们的方法，riemannian光谱聚类（RISC），代表使用基于地质距离提出的模拟测量的图形上的eeg协方差矩阵分布，然后通过光谱群集将图形节点组成。这允许在歧管上建模单峰和多模式分布。RISC可以用作设计名为Outier检测的离群检测器Riemannian光谱聚类（ODEN-RISC）和名为多模式的多模式分类器Riemannian Spectral spectral clustering（MCRISC）的基础。以数据驱动方式选择Odenrisc/Mcrisc的所有必需参数。越过，无需预先设置离群检测的阈值和多模式分类的模式的数量。结果：实验评估表明，与现有方法相比，Odenrisc可以更准确地检测EEG异常值，而Mcrisc进行了标准的单峰分类器，尤其是在高变异性数据集上。结论：预计Odenrisc/Mcrisc将有助于使现实生活中的BCI在实验室外和神经学应用程序外应用更强大。明显：RISC可以用作强大的EEG Outier检测器和多模式分类器。
在黎曼流形上对复杂 EEG 数据分布进行建模，以实现异常值检测和多模态分类
摘要 — 目的：近年来，黎曼几何在脑机接口 (BCI) 中的应用势头强劲。为黎曼 BCI 提出的大多数机器学习技术都认为流形上的数据分布是单峰的。然而，由于高数据变异性是脑电图 (EEG) 的一个关键限制，因此分布可能是多峰的而不是单峰的。在本文中，我们提出了一种新颖的数据建模方法，用于考虑 EEG 协方差矩阵的黎曼流形上的复杂数据分布，旨在提高 BCI 的可靠性。方法：我们的方法黎曼谱聚类 (RiSC) 使用基于测地距离的相似性测量的图来表示流形上的 EEG 协方差矩阵分布，然后通过谱聚类对图节点进行聚类。这允许灵活地在流形上对单峰和多峰分布进行建模。可以以 RiSC 为基础设计异常值检测器（即异常值检测黎曼谱聚类 (oden-RiSC)）和多模态分类器（即多模态分类器黎曼谱聚类 (mcRiSC)）。odenRiSC/mcRiSC 的所有必需参数均以数据驱动的方式选择。此外，无需预设异常值检测阈值和多模态分类模式数。结果：实验评估表明，odenRiSC 可以比现有方法更准确地检测 EEG 异常值，并且 mcRiSC 的表现优于标准单模态分类器，尤其是在高变异性数据集上。结论：odenRiSC/mcRiSC 有望使实验室外的真实 BCI 和神经人体工程学应用更加稳健。意义：RiSC 可以用作稳健的 EEG 异常值检测器和多模态分类器。