XiaoMi-AI文件搜索系统
World File Search System估计方法
使用机器学习算法的下一个
摘要： - 使用传统的通道估计，以性能和服务的可靠性损害了高端数据的多个输入和多重输出系统。此外，各种因素的衰老影响，例如时间，频率，繁殖和多径降低，性能无法达到下一代无线通信系统的水平。为了解决噪声和服务问题，通道估计方法继续转移到神经网络和机器学习的领域。机器学习（ML）的效率和实用性丰富了所有网络方案中的通道估计能力。基于神经网络的模型提高了最小二乘（LS）和LMMSE通道估计（如线性和固定）的性能。非线性和非静止的切换神经网络模型的效率受到损害，但特定模型有效地工作，例如RNN和CNN。本文介绍了基于机器学习的通道估计方法的通道估计和分析的压缩研究。在不同褪色条件下，通道估计的分析适用于MIMO系统。机器学习算法可以从许多培训数据中学习通道结构并估算渠道。此外，我们分析了不同数据大小的不同ML算法的性能。基于我们的分析和仿真结果，机器学习在MIMO Systems
混合状态估计：将物理信息的神经网络与动态系统的自适应UKF整合
摘要：在本文中，我们通过将物理知识的神经网络（PINN）与自适应的无气味卡尔曼过滤器（UKF）相结合，提出了一种新型的动态系统估计方法。认识到传统状态估计方法的局限性，我们通过混合损失功能和蒙特卡洛辍学来完善Pinn结构，以增强不确定性估计。使用自适应噪声协方差机制增强了无味的卡尔曼滤波器，并将模型参数纳入状态矢量以提高适应性。我们通过将增强的PINN与UKF集成为无缝的状态预测管道，进一步验证了该混合动力框架，这表明准确性和鲁棒性有了显着提高。我们的实验结果表明，位置和速度跟踪的状态估计保真度明显增强，并通过贝叶斯推理和蒙特卡洛辍学的不确定性定量支持。我们进一步扩展了对双摆系统的模拟并进行了评估，并在四轮驱动器无人机上进行了状态估计。这种综合解决方案有望推进动态系统估计中的最新解决方案，从而在控制理论，机器学习和数值优化域中提供无与伦比的性能。
基于机器学习和同等电路模型的EIS数据的电池SOC估算
估计电池的充电状态（SOC）对于众多系统（包括电动汽车，智能电网和便携式电子设备）的适当管理和安全操作至关重要。虽然没有直接测量SOC的实用方法，但已经开发了几种估计方法，包括越来越多的基于机器学习的技术。机器学习方法是本质上数据驱动的，但也可以从模型中嵌入的A-Priori知识中受益。在这项工作中，我们首先通过探索性数据分析证明，可以区分不同的SOC与电化学阻抗光谱（EIS）测量值。然后，我们提出了一种基于EIS和等效电路模型的SOC估计方法，以提供一种紧凑的方法来描述电池阻抗的频域和时间域行为。我们通过将其应用于由不同SOC值的四个锂离子圆柱细胞上执行的EIS测量的数据集来实验验证了该方法。所提出的方法允许进行非常有效的模型训练，并产生低维的SOC分类模型，该模型的精度超过93％。由此产生的低维分类模型适合将电池供电系统嵌入到在线SOC估计中。
消除混淆的凝视估计
摘要：基于深度学习的凝视估计方法在跨域环境中性能下降严重，其中一个主要原因是凝视估计模型在估计过程中受到身份、照明等凝视无关因素的混淆。本文提出通过因果干预来解决这一问题，因果干预是一种通过干预混杂因素的分布来减轻混杂因素影响的分析工具。具体而言，我们提出了基于特征分离的因果干预（FSCI）框架，用于可推广的凝视估计。FSCI 框架首先将凝视特征与凝视无关特征分离。为了减轻训练过程中凝视无关因素的影响，FSCI 框架进一步通过使用提出的动态混杂因素库策略对凝视无关特征进行平均来实现因果干预。实验表明，所提出的 FSCI 框架在不同的跨域设置中表现优于 SOTA 注视估计方法，在不接触目标域数据的情况下，跨域准确率分别比基线提高了 36.2% 和比 SOTA 方法提高了 11.5%。
经济活动的国内生产总值
通过合并新的数据源，改进的估计方法以及适用的国际标准，定义和分类的变化，从而提高了香港的GDP统计数据的质量，这是GDP编译框架上连续研究和开发的结果。这符合国际实践，即连续提高GDP统计数据的质量和可靠性。在非例行修订练习中，整个GDP及其组件可能会根据练习的范围进行修订
Jinlin Wei SOSC 4300 / SOSC 5500：计算社会科学< / div < / div> SOSC 1100
摘要：使用印度殖民地城市人口的新数据集，我们表明铁路网络在1881年至1931年时增加了城市规模。我们的基线估计方法包括对城市和年份的固定效果，我们基于从铁路建设开始之前存在的最低成本路径的距离构建了铁路接近的工具变量。由于铁路而增加市场通道的城市。我们发现的小且异构效应主要是由最初小且孤立的城市驱动的。
分析X射线光电子光谱的定量比对参数估计
X射线光电子光谱（XPS）数据的解释依赖于依赖几个参数的测量模型，包括光电衰减长度和X射线光子量。但是，其中一些参数尚不清楚，因为它们没有或无法测量。未知的几何参数可以在多弹性因子（对齐参数）中汇总在一起。此参数表征了令人兴奋的光与样品相互作用的能力。不幸的是，对齐参数的绝对值不能直接测量，部分原因是它取决于测量模型。相反，通常估计实验对准的代理，这与对齐参数密切相关。在此，一种基于原始XPS光谱的对齐参数的绝对值的方法（即未加工的光电子计数），显示样品的几何形状和光电子衰减长度。提出的参数估计方法可以使用简化的测量模型对XPS光谱进行定量分析。所有计算都可以在开放和免费的Julia语言框架预言中执行。为了证明可行性，对对齐参数估计方法进行了首次测试，并在模拟数据上使用已知的采集参数进行测试。然后将该方法应用于实验XPS数据，并显示了估计比对参数与典型使用的对齐代理之间的强相关性。
分析脑肿瘤分割的不确定性估计的质量和挑战
脑肿瘤的自动分割有可能在临床环境中实现体积测量和高通量分析。考虑到分割精度的稳步提高，实现这一潜力似乎几乎已经实现。然而，尽管分割精度高，但当前的方法仍然不能满足以患者为中心的临床应用所需的稳健性水平。在这方面，不确定性估计是提高自动分割系统稳健性的一个有希望的方向。已经提出了不同的不确定性估计方法，但人们对它们对脑肿瘤分割的实用性和局限性知之甚少。在本研究中，我们分析了最常用的不确定性估计方法在脑肿瘤分割方面的优势和挑战。我们从校准、分割错误定位和分割失败检测等方面评估了它们的质量。我们的结果表明，在数据集级别评估时，不确定性方法通常经过了良好的校准。在受试者级别进行评估时，我们发现明显的校准错误和有限的分割错误定位（例如，用于校正分割），这阻碍了直接使用体素不确定性。尽管如此，当不确定性估计在主题级别汇总时，体素不确定性显示出检测失败分割的价值。因此，我们建议谨慎使用体素不确定性度量，并强调开发解决方案以满足主题级别对校准和分割错误定位的要求的重要性。
生物物理神经网络的分布式在线估计
随着神经记录技术的进步，我们很快就能同时监测活体大脑中数百个相互连接的神经元的膜电位 [1]。这种高分辨率数据为开发实时闭环干预措施开辟了新的可能性，这些干预措施旨在治疗癫痫和帕金森氏症等神经兴奋性疾病 [2]。有效监测和控制脉冲系统的能力也影响着新兴的神经形态工程领域 [3]。良好的闭环控制设计通常需要可靠的模型估计，因此任何旨在控制神经活动的方法都必然涉及神经元模型的估计，这是一项不简单的任务。已经提出了许多用于批处理模式或离线估计神经元动力学的技术，例如 [4]、[5]、[6]、[7]。然而，活体大脑系统具有自适应性 [8]，因此在线估计方法是必要的，尤其是涉及实时应用时。为了满足这一需求，[9] 中最近提出了一种基于自适应观测器的电导型神经网络在线估计方法。自适应观测器的灵感来自 [10] 和 [11]，它以我们熟悉的递归最小二乘 (RLS) 算法 [12] 为基础，可以近似地跟踪缓慢变化的时变参数。基于 RLS 的自适应观测器的一个限制是观测器状态相对于参数数量迅速增加。更多的观测器状态需要更多的计算能力，这在尝试对包含数千个参数的大型神经网络模型进行在线估计时可能变得至关重要。在本文中，我们提出了一个分布式版本的线性参数估计