XiaoMi-AI文件搜索系统
World File Search System估计误差
研究断裂强度（p32）估计误差（p32）对隧道周围形成的块的潜在的估计误差的影响
这项工作的目的是强调离散裂缝网络（DFN）模型中输入参数不确定性及其工程应用的影响。我们展示了输入参数的误差如何，此处的体积不连续性强度P 32影响了DFN模型和两个重要的岩石力学工程应用：现场碎片尺寸分布以及在隧道周围的可移动块形成的潜在，作为隧道周围的可移动块，作为块洞穴矿物设计的两个关键参数。通过两种不同的方法估算了体积不连续性强度（P 32）：第一个方法直接从1D数据估算p 32，直接实现，而第二个方法是基于DFN模型的模拟，并且需要1D和2D数据集，从而使其较小的灵活和时间消耗。发现，从直接方法获得的p 32的估计值比通过模拟方法更准确，在构建的离散断裂网络模型中产生了重大影响，并在估计隧道周围可移动块的形成的原位片段化尺寸分布和估计中。
![arxiv：2006.16223v3 [Quant-PH] 2021年10月11日](/simg/g:\will\search\icon\source\9\979ee1ca449c8d10adf853c7375e71d39bdb46ce.webp)
arxiv：2006.16223v3 [Quant-PH] 2021年10月11日
摘要最近，我们发现了几种量子算法的候选者，这些算法可以在近期设备中实现，以估算给定量子状态的振幅，这是各种计算任务（例如蒙特卡洛方法）中的核心子例程。这些算法之一是基于并行化量子电路的最大似然估计。在本文中，我们扩展了此方法，使其结合了逼真的噪声效果，然后在超导IBM量子设备上进行实验演示。假设去极化噪声的模型构建最大似然估计器。然后，我们将问题提出为两参数估计问题，相对于目标振幅参数和噪声参数。特别是我们表明存在异常的目标值，其中Fisher信息矩阵变成退化，因此即使通过增加振幅膨胀的数量也无法改善估计误差。实验证明表明，提出的最大似然估计器在查询数量中实现了量子加速，尽管估计误差由于噪声而饱和。估计误差的饱和值与该理论一致，这意味着去极化噪声模型的有效性，从而使我们能够预测量子计算机中硬件组件（尤其是门误）的基本要求（尤其是栅极误差），以实现幅度估计任务中的量子加速。
用隐藏的高斯图形光谱模型识别振荡性脑网络
识别基于间接观察到的过程的功能网络构成了神经科学或其他领域的反问题。对此类反问题的解决方案估算为第一步，该活动从脑电图或MEG数据中从功能网络中出现。这些脑电图或MEG估计是对功能性脑网络活动的直接反映，其时间分辨率是其他体内神经图像无法提供的。第二步估计了此类活动pseudodata的功能连通性，揭示了与所有认知和行为密切相关的振荡性脑网络。对此类MEG或EEG逆问题的模拟还揭示了由任何最新的反溶液确定的功能连接性的估计误差。我们揭示了估计误差的重要原因，该原因源自将任一个逆解决方案步骤的功能网络模型的错误指定。我们介绍了指定这种振荡性脑网络模型的隐藏高斯图形光谱（HIGGS）模型的贝叶斯识别。在人EEGα节律模拟中，以ROC性能为单位测得的估计错误在我们的HIGG逆溶液中不会超过2％，而最先进的方法中的估计误差则达到20％。猕猴同时发生的EEG/ECOG记录为我们的结果提供了实验性确认，根据Riemannian距离，其一致性比最新的方法高的1/3倍。
![arXiv:2206.12643v3 [quant-ph] 2022 年 11 月 20 日](/simg/g:\will\search\icon\source\c\c1c083bae864d0826dee771bcf888ecc2a9c77a3.webp)
arXiv:2206.12643v3 [quant-ph] 2022 年 11 月 20 日
对嘈杂的中型量子设备进行采样是一个基本步骤，它将相干量子电路输出转换为测量数据，以运行在成本函数优化任务中使用梯度和 Hessian 方法的变分量子算法。然而，这一步骤会在生成的梯度或 Hessian 计算中引入估计误差。为了尽量减少这些误差，我们讨论了可调数值估计器，即有限差分（包括它们的广义版本）和缩放参数移位估计器 [在 Phys. Rev. A 103, 012405 (2021) 中介绍]，并提出了操作电路平均方法来优化它们。我们表明，对于给定的采样副本数，这些优化的数值估计器的估计误差会随着电路量子比特数的增加而呈指数下降，从而揭示出与荒原现象的直接兼容性。具体来说，存在一个临界采样拷贝数，低于该临界数，优化的差异估计器会给出比标准（解析）参数移位估计器更小的平均估计误差，后者精确计算梯度和 Hessian 分量。此外，这个临界数会随着电路量子比特数的增加而呈指数增长。最后，通过放弃解析性，我们证明了缩放的参数移位估计器在任何情况下的估计精度都优于标准的非缩放估计器，在显著的拷贝数范围内具有与差异估计器相当的性能，并且如果可以承受更大的拷贝数，它们是最好的。
具有传感器饱和的可再生能微电网的分布式状态估计⋆
在本文中，研究了具有传感器饱和的可再生能量微电网的分布式状态估计问题。提出了具有传感器饱和的微电网的系统模型。注意力集中在分布式递归估计方案的设计上，以便在传感器饱和的存在下，保证了估计误差协方差的上限。随后，通过适当设计相应状态估计器的增益矩阵来最大程度地减少这种上限。特别是，通过使用矩阵简化方法来处理由网络拓扑产生的增益矩阵的稀疏性。通过分析均等意义中估计误差的指数界限来进行设计的分布式状态估计器的性能评估。最后，在两种情况下进行了模拟实验，在可再生能量微电网上进行，该元素包含两个分布式生成单元。模拟结果表明，发达的状态估计方案具有有效性。关键词：Microgrid;传感器饱和；电力系统；分布式状态估计；递归状态估计。
食蟹海豹种群和海洋的变化...
摘要：研究了栖息在南极半岛周围海冰和水域的食蟹海豹（Lobodon carcinophagus）种群，以阐明种群年龄结构变化的性质。了解这种变化对于确定气候变化和南大洋海洋资源开发的影响至关重要。之前对这种变化（年度群体强度波动）的研究将其称为周期性，并研究了其与其他南极海豹物种变化的关系。在本研究中，首先解决更基本的问题，即这种变化是真正的人口现象还是采样或分析的产物。然后检查证据以支持对周期性的解释。因为年龄估计误差会降低群体强度估计的变异性，并且食蟹海豹年龄容易受到估计误差的影响，所以需要评估这些误差的影响。食蟹海豹自然历史的特征被用来生成关于群体强度与海冰范围、地表气温、南方涛动和豹海豹 (Hydrurga leptonyx) 种群指数之间预期相关性的假设。
Wasserstein 分布稳健卡尔曼滤波
H ∞ 滤波器针对的是噪声过程统计数据不确定的情况，此时我们的目标是最小化最坏情况而不是估计误差的方差 [ 3 , 26 ]。该滤波器限制了将扰动映射到估计误差的传递函数的 H ∞ 范数。然而，在瞬态操作中，会失去所需的 H ∞ 性能，并且滤波器可能会发散，除非每次迭代中都有一些（通常是限制性的）正性条件成立。在集值估计中，扰动向量通过有界集（如椭球）建模 [ 4 , 22 ]。在该框架中，我们试图围绕与观测值和外生扰动椭球一致的状态估计构建最小椭球。然而，由此产生的稳健滤波器会忽略任何分布信息，因此倾向于过于保守。 [19] 首次研究了一种对更一般形式的（基于集合的）模型不确定性具有鲁棒性的滤波器。该滤波器以迭代方式最小化标准状态空间模型附近所有模型的最坏情况均方误差。虽然该滤波器在面对较大不确定性时表现良好，但在较小不确定性下可能过于保守。[25] 提出了一种广义卡尔曼滤波器，它可以解决这个缺点，在标准性能和最坏情况性能之间取得平衡。通过最小化矩生成函数而不是估计误差平方的均值，可以得到风险敏感的卡尔曼滤波器 [24]。这种风险敏感的卡尔曼滤波器等同于 [12] 中提出的分布鲁棒滤波器，它最小化标准分布周围的 Kullback-Leibler (KL) 球中所有联合状态-输出分布的最坏情况均方误差。 [27] 研究了更一般的 τ -散度球的扩展。
月球轨道测定的好处 基于月球的...
我们分析了将月球传感器测量结果与地月空间传感器在地月拉格朗日点 1 晕轨道上融合的轨道质量性能优势。假设了十几种传感器架构来量化跟踪不同系列地月目标的轨迹估计误差。我们使用了各种几何视角以及仅角度和距离测量。使用无迹卡尔曼滤波器处理度量观测值，底层动力学模型由圆形限制三体运动方程组成。整体轨道质量性能以惯性位置、速度和加速度估计误差的平均值和标准差来表示。结果表明，由四个中纬度窄视野仅角度观察者组成的月球传感器架构可以保持 100% 的轨道保管。对所有地月目标的平均位置 RSS 误差均低于 1 公里。我们发现，增加一个仅基于太空的角度观测者可将平均位置估计 RSS 误差降低五倍。总体而言，最佳架构性能组合包含基于月球和基于太空的角度和范围观测。
自然智能作为智能系统的大脑
摘要：本文讨论了认知动态系统 (CDS) 的概念和应用，这是一种受大脑启发的智能系统。CDS 有两个分支，一个用于线性和高斯环境 (LGE)，例如认知无线电和认知雷达，另一个用于非高斯和非线性环境 (NGNLE)，例如智能系统中的网络处理。这两个分支都使用相同的原理（称为感知动作周期 (PAC)）来做出决策。本综述的重点是 CDS 的应用，包括认知无线电、认知雷达、认知控制、网络安全、自动驾驶汽车和 LGE 的智能电网。对于 NGNLE，本文回顾了 CDS 在智能电子医疗应用和软件定义光通信系统 (SDOCS)（例如智能光纤链路）中的使用。在这些系统中实施 CDS 的结果非常有希望，具有更高的准确性、性能和更低的计算成本。例如，认知雷达中 CDS 的实现实现了 0.47（米）的距离估计误差和 3.30（米/秒）的速度估计误差，优于传统的有源雷达。同样，与其他缓解技术相比，智能光纤链路中的 CDS 实现将品质因数提高了 7 dB，最大可实现数据速率提高了 43%。
使用Motoneuron放电信息同时估算手指屈曲和延伸力
摘要 - 目的：可靠的神经机界界面提供了控制高敏捷的高级机器人手的可能性。这项研究的目的是驱除一种解码方法，以同时估计单个纤维的延伸力和延伸力。方法：首先，通过表面肌电图（EMG）分解来鉴定运动单元（MU）的网络信息，然后将MUS进一步分为不同的池中，以通过重新构造程序将单个固定器的浮动和扩展。在人口水平上 MUFING率，然后通过双变量线性回归模型（Neural-Drive方法）估算单个纤维力。 基于常规EMG振幅的方法被用作比较。 结果：我们的结果表明，与常规方法相比，神经驱动方法的性能要好得多（估计误差和较高的相关性）。 结论：我们的方法为灵敏纤维运动提供了可靠的神经解码方法。 明显的能力：我们方法的进一步探索可能会提供强大的神经机界面，以直观地控制机器人的手。MUFING率，然后通过双变量线性回归模型（Neural-Drive方法）估算单个纤维力。基于常规EMG振幅的方法被用作比较。结果：我们的结果表明，与常规方法相比，神经驱动方法的性能要好得多（估计误差和较高的相关性）。结论：我们的方法为灵敏纤维运动提供了可靠的神经解码方法。明显的能力：我们方法的进一步探索可能会提供强大的神经机界面，以直观地控制机器人的手。