XiaoMi-AI文件搜索系统
World File Search System似然
MEGA12
我们推出了分子进化遗传学分析 (MEGA12) 软件的第 12 版。最新版本通过减少选择最佳替代模型和使用最大似然 (ML) 方法对系统发育进行引导测试所需的计算时间，带来了许多重大改进。这些改进是通过实施启发式方法来实现的，这些启发式方法可以最大限度地减少不必要的计算。经验和模拟数据集的分析表明，使用这些启发式方法可以节省大量时间，而不会影响结果的准确性。MEGA12 还链接了一种进化稀疏学习方法，以识别通过系统基因组学分析推断出的进化树中的脆弱进化枝和相关序列。此外，此版本还包括 ML 分析的细粒度并行化、对高分辨率显示器的支持以及增强的 Tree Explorer。MEGA12 可从 https://www.megasoftware.net 下载。关键词：软件、系统基因组学、模型选择、引导、绿色计算。
数字无线电接收器中的同步
1.1 背景 ................................................................................................................ 1 1.2 典型的同步方案 ................................................................................................ 3 1.2.1 符号定时恢复 .............................................................................................. 5 1.2.2 载波频率偏移恢复 ...................................................................................... 6 1.2.3 载波相位恢复 ............................................................................................. 6 1.3 使用最大似然法进行同步 ............................................................................. 7 1.4 下限估计 ............................................................................................................. 9 1.5 同步要求及其对接收机 BER 性能的影响 ............................................................. 13 1.6 根据实现方法进行分类 ............................................................................. 22 1.7 FF 和 FB 同步系统之间的等效性 ............................................................. 25 1.8 常用的同步方法 ............................................................................................. 25 1.8.1 蜂窝/PCS 二进制相移键控 (PSK) 系统 ............................................................. 26 1.8.2 频移键控 (FSK) 系统 ...................................................................... 27 1.8.3 最小频移键控 (MSK) 系统 ...................................................................... 27 1.8.4 连续相位调制 (CPM) 系统 ...................................................................... 28 1.8.5 正交频分复用 (OFDM) 系统 ............................................................. 28 1.8.6 码分多址 (CDMA) 系统 ............................................................................. 29 1.9 问题陈述 ...................................................................................................... 32 1.1 0 研究方法 ...................................................................................................... 3 3 1.11 贡献 ............................................................................................................. 34 1.12 论文概述 ............................................................................................................. 35 1.13 结论 ............................................................................................................. 39
使用进化集成贝叶斯模型跟踪非平稳信号中的功能变化以实现稳健的神经解码
神经信号是典型的非平稳数据，神经活动与意图（如运动速度）之间的功能映射有时会发生变化。现有研究大多使用固定的神经解码器，因此在神经功能发生变化时性能不稳定。我们提出了一种新颖的进化集成框架（EvoEnsemble），通过相应地进化解码器模型来动态应对神经信号的变化。EvoEnsemble 将进化计算算法集成到贝叶斯框架中，可以根据每个时间段的传入数据依次计算模型的适应度及其似然度，从而实现对时变函数的在线跟踪。设计了随变化进化和历史模型存档两种策略，以进一步提高效率和稳定性。模拟和神经信号实验表明，EvoEnsemble 可以有效跟踪功能的变化，从而提高神经解码的准确性和鲁棒性。这种改进在具有功能变化的神经信号中最为明显。
在潜在空间上实施稀疏性，以促进可靠和可解释的表示
最近，密集的潜在变量模型已显示出令人鼓舞的结果，但是它们的分布式和潜在的代码使它们降低了易于解释，并且对噪声的影响较低。另一方面，稀疏表示更为简约，提供了更好的解释性和噪声稳健性，但是由于涉及的复杂性和计算成本，很难实现稀疏性。在此过程中，我们提出了一种新颖的无监督学习方法，以利用逐渐稀疏的尖峰和平板分布作为我们的先验，以在发电机模型的潜在空间上强化稀疏性。我们的模型由自上而下的发电网络组成，该网络将潜在变量映射到观测值。我们使用最大似然采样来推断发电机后方向的潜在变量，并且推理阶段的尖峰和平板正则化可以通过将非信息性潜在维度推动到零来引起稀疏性。我们的实验表明，学到的稀疏潜在表示保留了大多数信息，我们的模型可以学习解开的语义，并赋予潜在代码的解释性，并增强分类和denosing任务的鲁棒性。
提高移动激光扫描仪的定位精度...
在GPS正常工作条件下，MLS系统可以达到厘米级的定位精度。然而，在无GPS环境下，由于MLS的观测模式误差和视轴对准误差无法通过GPS信号进行标定或修正，定位精度可能降低到分米甚至米级。针对这一研究空白，本文提出一种新技术，适当结合稳健加权最小二乘（RWTLS）和全信息最大似然最优估计（FIMLOE），提高无GPS环境下MLS系统的定位精度。首先，建立MLS系统的坐标转换关系和观测参数向量。其次，利用RWTLS算法对三维点观测模型进行修正；然后利用FIMLOE标定激光扫描仪框架与IMU框架之间的不确定度传播参数向量和视轴对准误差。最后，在室内场景中进行实验研究，以评估所提方法的有效性。实验结果表明，所提方法能够显著提高 MLS 系统在 GPS 拒绝环境中的定位精度。
通过...连接显式和隐式深度生成模型
深度生成模型有两种类型：显式和隐式。前者定义了一种显式密度形式，允许似然推断；而后者则针对从随机噪声到生成样本的灵活转换。虽然这两类生成模型在许多应用中都表现出强大的能力，但单独使用时，它们都有各自的局限性和缺点。为了充分利用这两种模型并实现相互补偿，我们提出了一种新颖的联合训练框架，该框架通过 Stein 差异连接显式（非规范化）密度估计器和隐式样本生成器。我们表明，我们的方法 1) 通过核 Sobolev 范数惩罚和 Moreau-Yosida 正则化引入了新颖的相互正则化，2) 稳定了训练动态。从经验上讲，我们证明，与训练单个对应方相比，所提出的方法可以促进密度估计器更准确地识别数据模式并引导生成器输出更高质量的样本。当训练样本受到污染或有限时，新方法也显示出有希望的结果。
基于能量的回归实用学习建议
近年来，基于能量的模型 (EBM) 在机器学习中经历了复苏，包括成为概率回归的有前途的替代方案。然而，基于能量的回归需要手动设计一个用于训练的提议分布，并且必须在测试时提供初始估计。我们通过引入一种概念上简单的方法来自动学习有效的提议分布来解决这两个问题，该方法由单独的网络头参数化。为此，我们得出了一个令人惊讶的结果，即得出一个统一的训练目标，该目标共同最小化从提议到 EBM 的 KL 分歧，以及 EBM 的负对数似然。在测试时，我们可以对训练过的提议进行重要性抽样，以有效评估学习到的 EBM 并产生独立的预测。此外，我们利用我们得出的训练目标，通过联合训练的基于能量的教师来学习混合密度网络 (MDN)，在计算机视觉领域的四个真实世界回归任务中，其表现始终优于传统的 MDN 训练。代码可在 https://github.com/fregu856/ebms_proposals 获得。
重新定义预期的自由能
主动推理是感知、学习和决策的主要理论，可应用于神经科学、机器人技术、心理学和机器学习。主动推理基于预期自由能，其合理性主要体现在其公式的直观合理性上，例如风险加模糊性和信息增益/实用价值公式。本文试图将从单根预期自由能定义中推导出这些公式的问题形式化，即统一问题。然后，我们研究两种设置，每种设置都有自己的根预期自由能定义。在第一种设置中，迄今为止尚未提出预期自由能的合理性，但可以从中恢复所有公式。然而，在这种情况下，代理不能对观察结果有任意的先验偏好。事实上，只有有限类的先验偏好与生成模型的似然映射兼容。在第二种设置中，已知根预期自由能定义的依据，但该设置仅考虑两种公式，即状态风险加上模糊性和熵加上预期能量公式。
数字接收器的设计与分析 - 简单搜索
在电信领域，人们特别关注块传输系统，其中数字数据以独立块的形式传输。通过几何方法并反映二进制超立方体的性质，结果表明，当用于设计 OBER 的预期 SNR 趋于无穷大时，最小误码概率接收器 (OBER) 变为最大似然序列检测器 (MLSD)。同样，当预期 SNR 降低时，OBER 会简化为极限情况下具有硬决策的白化匹配滤波器。此外，还开发了一种新型检测器，可对块中的分散位进行 MLSD 决策。如果将这种低复杂度检测器与次优接收器（例如线性或决策反馈均衡器）结合使用，则可以大大降低系统误码率。最后，使用几何方法，重新考虑了 Forney 提出的用于推导性能界限的装置精灵辅助检测器，并增加了对辅助信息的明确统计描述。这提供了一个更灵活的工具、新的性能界限，并为早期的工作提供了有益的看法。