XiaoMi-AI文件搜索系统
World File Search Systemreservoir
使用库计算预测自适应仓本网络中的宏观动态
预测系统行为是复杂系统理论中遇到的一项基本任务。机器学习提供监督算法，例如循环神经网络和储层计算机，它们可以预测由多维时间序列组成的模型系统的行为。在现实生活中，我们通常对复杂系统的行为了解有限。最典型的例子是脑电图描述的大脑神经网络。预测这些系统的行为是一项更具挑战性的任务，但为实际应用提供了潜力。在这里，我们训练储层计算机来预测相位振荡器网络产生的宏观信号。李雅普诺夫分析揭示了信号的混沌性质，储层计算机无法预测它。使用 Takkens 定理增强特征空间可以提高预测质量。当信号数量与通过最近假邻居方法估计的嵌入维度一致时，RC 获得了最佳预测分数。我们发现短期预测需要大量特征，而长期预测则使用有限数量的特征。这些结果涉及偏差-方差权衡，这是机器学习中的一个重要概念。
深度池计算与 5G MIMO-OFDM 系统在符号检测中的融合
传统的储存器计算 (RC) 是一种浅层循环神经网络 (RNN)，具有固定的高维隐藏动态和一个可训练的输出层。它具有只需要有限训练的优点，这对于训练数据极其有限且获取成本高昂的某些应用至关重要。在本文中，我们考虑了两种将浅层架构扩展为深度 RC 的方法，以在不牺牲潜在优势的情况下提高性能：（1）将输出层扩展为三层结构，促进对神经元状态的联合时频处理；（2）顺序堆叠 RC 以形成深度神经网络。利用深度 RC 的新结构，我们重新设计了具有正交频分复用 (MIMO-OFDM) 信号的多输入多输出物理层接收器，因为 MIMO-OFDM 是第五代 (5G) 蜂窝网络的关键支持技术。 RNN 动态特性与 MIMO-OFDM 信号时频结构的结合，使深度 RC 能够处理非线性 MIMO-OFDM 信道中的各种干扰，从而实现比现有技术更高的性能。同时，与依赖大量训练的深度前馈神经网络不同，我们引入的深度 RC 框架可以使用与 5G 系统中基于传统模型的方法相同数量的导频提供不错的泛化性能。数值实验表明，基于深度 RC 的接收器可以提供更快的学习收敛，并有效减轻未知的非线性射频 (RF) 失真，与浅层 RC 结构相比，误码率 (BER) 提高了 20%。
双孔隙度地热储层中的耦合热 - 氢化机械过程的组成型和数值建模
重复使用本文是根据创意共享属性 - 非商业 - 诺迪维斯（CC BY-NC-ND）许可证的条款分发的。此许可只允许您下载此工作并与他人共享，只要您归功于作者，但是您不能以任何方式更改文章或商业使用。此处的更多信息和许可证的完整条款：https：//creativecommons.org/licenses/
例如用于开发康奈尔大学地热区供暖的水库建模：预印本
利用通过CUBO获得的地下数据，我们研究了Doublet井系统的技术可行性和设计要求，其水平侧向连接到通过液压分裂创建的断裂网络。EGS储层的尺寸尺寸为在15年寿命中连续加热的范围内提供标称的热量输出，而热水量有限。我们将Gringarten多个平行断裂模型，Cornell离散裂缝模拟器FoxFem和商用模拟器ResFRAC应用于估算所需的传热区域，并设计潜在的液压刺激处理。储层模拟表明，根据流体流量和注入温度，有效断裂传热区的2至3 km 2在15年内提供了5至10 mW的目标热量输出。
使用量子储层计算中移动无线网络中的用户轨迹预测
摘要本文采用量子机学习技术来通过使用一种称为量子储层计算（QRC）的方法来预测移动用户在移动无线网络中的传播。移动用户的轨迹预测属于时间信息处理的任务，这是一个移动性管理问题，对于自我组织和自主6G网络至关重要。我们的目标是使用QRC准确预测无线网络中移动用户的未来位置。为此，作者使用真正的世界时间序列数据集来建模移动用户的轨迹。QRC方法具有两个组件：储层计算（RC）和量子计算（QC）。在RC中，训练比简单复发性神经网络的训练更有效，因为在RC中，只有输出层的权重才能训练。RC的内部部分是所谓的储层。为了使RC表现良好，应仔细选择储层的权重以创建高度复杂和非线性动力学。QC用于创建这种动态储层，该储层将输入时间序列映射到由动态状态组成的较高维度计算空间中。获得高维动力状态后，进行简单的线性回归以训练输出权重，因此，可以有效地对移动用户轨迹的预测进行有效形成。在这项研究中，我们根据量子系统的哈密顿时间演变采用QRC方法。作者使用基于IBM Gate的量子计算机模拟了时间演变，并且在实验结果中，它们表明，使用QRC仅使用少数量子器来预测移动用户的轨迹是有效的，并且可以超过经典方法，例如长期短期内存方法和echo -echo state网络接近。
用于规则和不规则时间序列分类的新型高效储层计算方法
时间序列是指在一段时间内按时间顺序收集的一系列数据点，每个点通常记录在特定的时间戳。时间序列有两个主要组成部分：时间戳和观测值。时间戳表示获取特定记录的时间，而观测值则显示与每个时间戳相关联的值，该值表明该值相对于其他时间点的相对重要性。此外，时间序列数据可能还带有一些其他模式，使时间序列分析更具挑战性。例如，来自同一数据集的样本可能具有不同的长度（可变长度）和/或相邻时间点可能具有不同的时间间隔（异质间隔）。时间序列分析涉及研究和解释样本随时间变化的趋势和依赖性等模式，并已广泛应用于现实世界现象 [1-3]。其中，时间序列分类 (TSC) 专注于将序列数据分类并标记为不同的类别，在医学、电信和金融等领域发挥着不可或缺的作用。TSC 算法的有效性取决于它们平衡短期和长期记忆以及捕捉时间依赖性的能力，同时将所需模式与噪声模式区分开来。在过去的几十年中，已经开发了大量算法来解决这一特定领域。到目前为止，长短期记忆 (LSTM) 网络可以看作是一个里程碑式的突破，它为序列数据中复杂的长期依赖关系建模所带来的挑战提供了强大的解决方案 [4-7]。LSTM 网络是一种循环神经网络 (RNN)，它利用记忆单元和门作为控制信息在网络中流动的手段。网络的设计主要是为了缓解梯度消失的瓶颈。然而，网络的训练是通过最先进的时间反向传播 (BPTT) 技术实现的。虽然 BPTT 是一种强大而有效的方法，但它的计算成本可能很高，尤其是对于大型和深度神经网络而言。除了反向传播辅助神经网络外，基于距离的方法也在广泛的 TSC 任务中取得了巨大的成功 [8-10]，其中，1-最近邻动态时间规整 (1NN-DTW) 已被证明
南澳大利亚的碳捕获和存储
根据《 PGE法》的被许可人利用南澳大利亚州的天然水库存储进口的二氧化碳。在注射开始后的第一年，被许可人在天然储层中存储了100万吨二氧化碳。在一年中，被许可人测量的自然储层的平均压力和温度分别为100 bar和120摄氏度。基于压力和温度，被许可人计算出注射二氧化碳的平均密度为167.31千克每立方米。基于密度，被许可人计算用于存储二氧化碳的天然储层的总体积为5,976,929立方米。因此，存储第一年计算的租金数量为：
在人畜共患性皮肤利什曼病的流行病区域中的流行病学研究伊朗
这项研究是在1991 - 92年在伊斯法罕市以北的一个乡村地区的Borkhar的12个月内在伊朗伊斯兰共和国中部进行的。目的是确定利什曼病的自然储层宿主的生态，以实现利什曼原虫疫苗的未来现场试验。该地区的主要储层主机是菱形Opimus，Great Gerbil，其次是Meriones Libycus，Libyan Jird和Hemiechinus Auritis，Longeared Hedgehog。在Borkhar地区检查的179个小型哺乳动物中，绝大多数是R. Opimus（82.1％），然后是M. Libycus（15.7％）和最后一h. Auritis（2.2％）。R. opimus的最高感染率为9月（90.5％），在不同村庄的率在22.2％和80.4％之间。M. libycus的平均感染率为17.9％。这些啮齿动物可能是储层宿主在该地区人畜共患病的流行病学中起重要作用。十六只家养犬和流浪狗似乎未感染，因为检查没有活跃的病变或疤痕。
一种新颖的技术，用于定量确定严重异质性紧密碳酸盐储层的润湿性
在这项研究中，使用二维图像用于使用两步过程（8，14）来表征谷物和孔的形态。在第一步中，捕获图像。在第二步中，使用图像分析软件扫描了此类特征的面积和平均孔接触角，该软件能够准确测量孔隙和谷物空间的几个形态参数，如图1所示。本研究利用面积测量和接触角作为所有分析的标准参数。形态特征是根据面积和接触角度计算的，这将信息准确性的水平分为两个维度。该信息被认为是“大数据”，并分析了以找到可以减少成本和时间的答案。
通过多元回归分析方法（MRAA）
摘要储层计算（RC）首先应用于时间信号处理，是一个复发性神经网络，在该神经元中随机连接。初始化后，连接强度保持不变。如此简单的结构将RC变成了一个非线性动力学系统，该系统将低维输入映射到高维空间。模型的丰富动态，线性可分离性和内存能力，然后启用简单的线性读数，以生成各种应用程序的适当响应。rc跨越了远远超出机器学习的区域，因为已经证明复杂的动态可以在各种物理硬件实现和生物设备中实现。这会产生更大的灵活性和较短的计算时间。此外，模型的动力学触发的神经元反应揭示了理解大脑机制，这些机制也利用了相似的动力学过程。尽管有关RC的文献却很庞大且分散，但在这里，我们对RC的最新发展进行了统一的评论，从机器学习到物理学，生物学和神经科学。我们首先回顾了早期的RC模型，然后调查最先进的模型及其应用。我们进一步介绍了RC对大脑机制建模的研究。最后，我们提供了有关RC开发的新观点，包括储层设计，编码框架统一，物理RC实现以及RC，认知神经科学和进化之间的相互作用。