XiaoMi-AI文件搜索系统
World File Search Systemmanifold
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。
低维歧管模式的全脑建模揭示了大脑动力学原理
。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。它是制作
关于脑电图识别中功能连接特征和riemannian流形的组合的研究
方法：在目前的工作中，我们引入了拉普拉斯矩阵，以将功能连接特征（即相位锁定值（PLV），Pearson相关系数（PCC），频谱相干（COH）和共同信息（MI）转换为半阳性运营商，以确保转换为正面的功能。然后，使用SPD网络来提取深空信息，并采用完全连接的层来验证提取特征的效果。，决策层融合策略用于实现更准确和稳定的识别结果，并研究了不同特征组合的分类性能的差异。更重要的是，还研究了应用于功能连接功能的最佳阈值。
基于黎曼对称正定流形的循环神经网络建模
摘要 — 使用卡尔曼滤波器 (KF) 进行状态估计经常会遇到未知或经验确定的协方差矩阵，从而导致性能不佳。消除这些不确定性的解决方案正在向基于 KF 与深度学习方法混合的估计技术开放。事实上，从神经网络推断协方差矩阵会导致强制对称正定输出。在本文中，我们探索了一种新的循环神经网络 (RNN) 模型，该模型基于黎曼对称正定 (SPD) 流形的几何特性。为此，我们基于黎曼指数图定义了一个神经元函数，该函数取决于流形切线空间上的未知权重。这样，就推导出了一个黎曼成本函数，从而能够使用传统的高斯-牛顿算法将权重作为欧几里得参数进行学习。它涉及计算闭式雅可比矩阵。通过对模拟协方差数据集进行优化，我们展示了这种新方法对于 RNN 的可能性。
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。
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。
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。
常见多区域中尺度流形中的区域化动力学代表了一系列人类手部运动
人类的手在动物界中独一无二，拥有无与伦比的灵活性，从复杂的抓握到精细的手指个体化。大脑如何表示如此多样化的动作？我们使用皮层脑电图和降维方法评估了人类“抓握网络”中尺度神经动力学，以了解一系列手部动作。令人惊讶的是，我们发现抓握网络同时表示手指和抓握动作。具体而言，表征多区域神经协方差结构的流形在该分布式网络的所有运动中都得以保留。相反，该流形中的潜在神经动力学令人惊讶地特定于运动类型。将潜在活动与运动学对齐可以进一步发现不同的子流形，尽管运动之间的关节协同耦合相似。因此，我们发现，尽管在分布式网络层面上保留了神经协方差，但中尺度动力学被划分为特定于运动的子流形；这种中尺度组织可能允许在一系列手部动作之间进行灵活切换。
流形结构的神经偏移解释了人类感觉运动适应过程中的学习模式
摘要 人类的运动学习能力差异很大，但人们对这种差异背后的神经机制知之甚少。最近的神经成像和电生理研究表明，大规模神经动力学存在于低维子空间或流形中，学习受到这种内在流形结构的限制。在这里，我们使用功能性磁共振成像询问受试者水平的神经偏移与流形结构的差异是否可以解释参与者之间的学习差异。我们让受试者连续两天在磁共振扫描仪中执行感觉运动适应任务，让我们能够评估他们几天的学习表现，并持续测量大脑活动。我们发现，认知和感觉运动大脑网络中流形活动的整体神经偏移与受试者几天的学习和再学习模式差异有关。这些发现表明，流形外活动提供了学习过程中不同神经系统相对参与度的指标，并且受试者在学习和再学习模式上的差异与认知和感觉运动网络中发生的重新配置过程有关。