XiaoMi-AI文件搜索系统
World File Search Systemmanifold
目标驱动学习行为中的可塑性神经流形
神经活动通常是低维的，并且仅由少数几个突出的神经共变模式主导。有人假设这些共变模式可以形成用于快速灵活运动控制的基石。支持这一想法的是，最近的实验表明，猴子可以在几分钟内学会调整其运动皮层中的神经活动，前提是变化位于原始低维子空间（也称为神经流形）内。然而，这种流形内适应背后的神经机制仍然未知。在这里，我们在计算模型中表明，由学习到的反馈信号驱动的循环权重修改可以解释在流形内和流形外学习之间观察到的行为差异。我们的研究结果提供了一个新的视角，表明循环权重变化不一定会导致神经流形发生变化。相反，成功的学习自然会限制在一个共同的子空间中。
学习视觉刺激诱发的脑电图流形，用于神经图像分类
视觉神经解码，即从大脑活动模式中解释外部视觉刺激的能力，是神经科学研究中的一项具有挑战性的任务。最近的研究集中于表征可以用群体级特征描述的多个神经元的活动模式。在本研究中，我们结合空间、光谱和时间特征来实现神经流形分类，该分类能够表征视觉感知并模拟人脑中的工作记忆活动。我们通过基于黎曼流形和二维 EEG 频谱图表示的自定义深度学习架构分别处理时空和光谱信息。此外，在查看 11 类（即全黑加 0-9 数字图像）MindBigData Visual MNIST 数据集时，使用基于 CNN 的分类模型对视觉刺激引起的 EEG 信号进行分类。在刺激引起的 EEG 信号分类任务上评估了所提出的集成策略的有效性，总体准确率达到 86%，与最先进的基准相当。
使用Riemannian歧管上的距离比较大脑中的表示形式和模型
。cc-by-nc-nd 4.0国际许可证（未经同行评审证明）获得的是作者/资助者，他授予Biorxiv授予Biorxiv的许可，以永久显示预印本。这是该版本的版权持有人，该版本发布于2020年11月27日。 https://doi.org/10.1101/2020.11.25.398511 doi：Biorxiv Preprint
用于发现神经数据中非欧几里得潜在结构的流形 GPLVM
神经科学中的一个常见问题是阐明行为上重要的变量（例如头部方向、空间位置、即将发生的动作或心理空间变换）的集体神经表征。通常，这些潜在变量是实验者无法直接访问的内部构造。在这里，我们提出了一种新的概率潜在变量模型，以无监督的方式同时识别潜在状态和每个神经元对其表征的贡献方式。与以前假设欧几里得潜在空间的模型相比，我们接受这样一个事实，即潜在状态通常属于对称流形，例如球面、环面或各种维度的旋转群。因此，我们提出了流形高斯过程潜在变量模型 (mGPLVM)，其中神经响应来自 (i) 存在于特定流形上的共享潜在变量，以及 (ii) 一组非参数调整曲线，确定每个神经元如何对表征做出贡献。可以使用具有不同拓扑结构的模型的交叉验证比较来区分候选流形，而变分推理可以量化不确定性。我们在几个合成数据集以及果蝇椭圆体的钙记录和小鼠前背丘脑核的细胞外记录上证明了该方法的有效性。众所周知，这些电路都编码头部方向，而 mGPLVM 正确地恢复了代表单个角度变量的神经群体所期望的环形拓扑。
单缸内燃机的排气歧管的材料和设计分析
本研究旨在为歧管找到最佳材料，并改善Unimap汽车赛车团队（UNIART）排气歧管的气流。排气歧管是排气系统的一部分，它收集并从气缸盖到排气插座排气气。排气歧管的设计对发动机性能很重要。使用SolidWorks软件对排气歧管的当前设计和新设计进行了建模。不锈钢，铸铁和低碳钢作为歧管材料，并通过进行稳态热分析来研究。根据压力和速度分析和评估了歧管中空气的流动。在称为ANSYS的计算流体动力学分析软件中模拟流体流量和热分析。热分析的结果证明，不锈钢比其他材料更好，因为它具有高温差和低热量。比较了排气歧管的当前设计和新设计之间的流体流量分析结果。结果表明，经过验证的设计2在出口处具有较高的速度值，在入口处的压力较低，从而改善了排气歧管中的气流。
通过基于核的 SPD 流形域自适应进行运动想象分类
摘要：背景：记录脑机接口的校准数据是一个费力的过程，对受试者来说是一种不愉快的体验。域自适应是一种有效的技术，它利用来自源的丰富标记数据来弥补目标数据短缺的问题。然而，大多数先前的方法都需要首先提取脑电信号的特征，这会引发 BCI 分类的另一个挑战，因为样本集较少或目标标签较少。方法：在本文中，我们提出了一种新颖的域自适应框架，称为基于核的黎曼流形域自适应 (KMDA)。KMDA 通过分析脑电图 (EEG) 信号的协方差矩阵来绕过繁琐的特征提取过程。协方差矩阵定义了一个对称正定空间 (SPD)，可以用黎曼度量来描述。在 KMDA 中，协方差矩阵在黎曼流形中对齐，然后通过对数欧几里德度量高斯核映射到高维空间，其中子空间学习通过最小化源和目标之间的条件分布距离同时保留目标判别信息来执行。我们还提出了一种将 EEG 试验转换为 2D 帧（E 帧）的方法，以进一步降低协方差描述符的维数。结果：在三个 EEG 数据集上的实验表明，KMDA 在分类准确度方面优于几种最先进的领域自适应方法，BCI 竞赛 IV 数据集 IIa 的平均 Kappa 为 0.56，BCI 竞赛 IV 数据集 IIIa 的平均准确度为 81.56％。此外，使用 E 帧后整体准确度进一步提高了 5.28％。 KMDA 在解决主体依赖性和缩短基于运动想象的脑机接口校准时间方面显示出潜力。
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。
采用脊基片集成波导的宽阻带 220 至 330 GHz 歧管三工器
摘要 — 本文报道了一种三通道、非连续、流形多路复用器，工作频率为 220 至 330 GHz，工作带宽为 40%。该结构采用一组脊状基片集成波导 (SIW) 进行设计和实现。与传统 SIW 设计相比，脊状 SIW 提高了阻带带宽，并将整体结构尺寸缩小了 35%。三工器采用英特尔开发的有机封装基板技术，具有四层厚铜金属层和连续沟槽通孔代替标准通孔围栏，可显著降低脊状 SIW 波导的欧姆损耗。在三工器结构的开发中采用了电磁电路建模和协同设计技术。使用带状毫米波晶圆探测测量制造的三工器，通带中的插入损耗为 3 ∼ 7 dB，每个通道滤波器的平均回波损耗优于 10 dB。测得的三个通道的阻带衰减均优于 27 dB。
采用脊基片集成波导的宽阻带 220 至 330 GHz 歧管三工器
摘要 — 本文报道了一种三通道、非连续、流形多路复用器，工作频率为 220 至 330 GHz，工作带宽为 40%。该结构采用一组脊状基片集成波导 (SIW) 进行设计和实现。与传统 SIW 设计相比，脊状 SIW 提高了阻带带宽，并将整体结构尺寸缩小了 35%。三工器采用英特尔开发的有机封装基板技术，具有四层厚铜金属层和连续沟槽通孔代替标准通孔围栏，可显著降低脊状 SIW 波导的欧姆损耗。在三工器结构的开发中采用了电磁电路建模和协同设计技术。使用带状毫米波晶圆探测测量制造的三工器，通带中的插入损耗为 3 ∼ 7 dB，每个通道滤波器的平均回波损耗优于 10 dB。测得的三个通道的阻带衰减均优于 27 dB。
通过 Lipschitz 嵌入和图上的最短路径精确计算流形度量
数据敏感度量自然出现在机器学习中，并且在一些著名方法中起着核心作用，例如 k-NN 图方法、流形学习、水平集方法、单链接聚类和基于欧氏 MST 的聚类（详情见第 5 节和附录 A）。构建合适的数据敏感度量是一个活跃的研究领域。我们考虑一个简单的数据敏感度量，它有一个底层流形结构，称为最近邻度量。该度量最早在 [CFM + 15] 中引入。它及其近似变体在过去已被多位研究人员研究过 [HDHI16、CFM + 15、SO05、BRS11、VB03]。在本文中，我们展示了如何精确计算任意维度的最近邻度量，这解决了任何基于流形的度量最重要和最具挑战性的问题之一。