XiaoMi-AI文件搜索系统
World File Search System压缩率
√sNN=2.4 GeV 时 HADES Au+Au 碰撞中质子和氘的定向和椭圆流
在耦合微观聚结模型的输运模型中，研究了√ s NN = 2 . 4 GeV时20-30% Au+Au碰撞中心性中质子和氘的有向和椭圆流及其标度特性。研究发现，用同位旋和动量相关的核平均场（不可压缩率K 0 = 230 MeV）模拟的流动及其标度特性与HADES数据有很好的拟合度，而常用的动量无关的核平均场（不可压缩率K 0 = 380 MeV）模拟的流动及其标度特性只能部分拟合HADES数据。此外，通过检查√ s NN = 2时0-10% Au+Au碰撞中心性中质子和氘的快度分布，发现质子和氘的快度分布与HADES数据有很好的拟合度。 4 GeV，我们发现，使用动量独立的核平均场模拟低估了氘的快度分布，而高估了质子的快度分布。相比之下，使用同位旋和动量相关的核平均场模拟的质子和氘的快度分布与 HADES 数据高度一致。我们的发现意味着，核平均场的动量依赖性是理解核物质特性和成功解释 HADES 数据的一个不可避免的特征。
训练时间的视觉变压器的结构修剪
基于注意力的变压器已成为实现自然语言处理和计算机视觉等任务的强大范式。但是，与卷积网络相比，变压器通常会显示更高的计算成本和参数计数。这种效率低下会阻碍将变压器部署到资源约束设备（例如边缘设备）上。结构化的修剪技术提出了一个有前途的方向，可以压缩变形金刚的边缘计算方案。本文研究了修剪技术以在视觉变压器中诱导结构化的稀疏性，从而减少了计算要求，同时最大程度地减少准确性降解。目标是为有效的视觉变压器推理开发方法。结构化的修剪在训练时间时通过解决一个优化问题来学习对单个网络组合的重要性得分，该问题试图最大程度地提高任务性能，同时最大程度地减少模型中参数的数量。随后，重要性得分转化为二进制掩码，这些面具修剪不重要的结构，例如特定线性层输出二 - 段或整个注意力头。为了促进诱发稀疏模式的规律性，提出了各种面具分享策略，以使相关构件元素的修剪决策对夫妇进行修剪决策。规律性至关重要，因为由于特定的变压器的特定连接模式，完全独立性排除了某些蒙版组件的去除，从而导致模型实际部署在硬件上时，导致压缩率较低。经验结果表明，在图像分类任务中，组件完全独立的掩蔽优于平衡准确性和稀疏性的共享策略。仍然是实验表明，通过共享和独立面具的混合，提出的修剪方案成功地压缩了视觉变压器的90％，精度仅为4％或70％的压缩率，精度下降小于1％。
航空机械师助手 3 和 2 - MilitaryNewbie.com
“间歇脉冲”喷气发动机（图1-8），称为气脉冲或脉冲喷气发动机，通过牺牲连续发电原理来提高压缩率。脉冲喷气发动机类似于冲压喷气发动机，但带有一系列止回阀。位于止回阀正后方的燃油喷射喷嘴提供燃料。当发动机在空中行驶时，机头上的压力会打开阀门，将空气冲入管道，使空气与燃料混合。点燃可燃混合物会产生高压（来自膨胀的气体），从而关闭阀门。气体的剧烈喷出在管道内形成相对低压的区域，通过扁平弹簧阀吸入新鲜空气。由于管道的温度和部分燃烧废气的回流，其余的电荷无需点火塞即可燃烧。这种操作循环或脉动会产生很大的嗡嗡声。“嗡嗡炸弹”描述了这种装置的早期应用，即德国 V-1 飞行炸弹。我们学习了火箭喷气推进的基本原理。冲压喷气机告诉我们，增加热量会使气体膨胀并增加速度。它还表明，可能增加的热量取决于
航空机械师助手 3 和 2 - MilitaryNewbie.com
“间歇脉冲”喷气发动机（图1-8），称为气脉冲或脉冲喷气发动机，通过牺牲连续发电原理来提高压缩率。脉冲喷气发动机类似于冲压喷气发动机，但带有一系列止回阀。位于止回阀正后方的燃油喷射喷嘴提供燃料。当发动机在空中行驶时，机头上的压力会打开阀门，将空气冲入管道，使空气与燃料混合。点燃可燃混合物会产生高压（来自膨胀的气体），从而关闭阀门。气体的剧烈喷出在管道内形成相对低压的区域，通过扁平弹簧阀吸入新鲜空气。由于管道的温度和部分燃烧废气的回流，其余的电荷无需点火塞即可燃烧。这种操作循环或脉动会产生很大的嗡嗡声。“嗡嗡炸弹”描述了这种装置的早期应用，即德国 V-1 飞行炸弹。我们学习了火箭喷气推进的基本原理。冲压喷气机告诉我们，增加热量会使气体膨胀并增加速度。它还表明，可能增加的热量取决于
使用基于自动编码器的神经网络有效的体内神经信号压缩
摘要 - 常规体内神经信号处理涉及从神经元合奏中记录的信号内提取尖峰活动，并且仅在足够的间隔上传输尖峰。但是，对于使用连续的局部场势（LFP）进行认知解码的脑部计算机界面（BCI）应用，将传输到计算机的神经数据的体积施加了相对较高的数据速率要求。对于使用具有数百或数千电极的高密度内部记录的BCI尤其如此。本文介绍了第一个基于自动编码器的压缩数字电路，用于LFP神经信号的有效传输。实施了各种拟南芥和架构级优化，以显着降低设计In In Vivo压缩电路的计算复杂性和内存需求。该电路采用基于自动编码器的神经网络，提供了强大的信号重建。体内压缩逻辑的应用特异性集成电路（ASIC）占据了最小的硅区域，并且在报告的最先进的压缩ASIC中消耗了最低功率。此外，它提供了更高的压缩率和较高的信噪比和失真率。
基于 DNA 数据存储的隐式神经多重描述
DNA 因其固有的生物分子结构而具有惊人的存储密度和长期稳定性，因此作为数据存储解决方案具有巨大的潜力。然而，开发这种新型介质也面临着一系列挑战，特别是在解决存储和生物操作中出现的错误方面。这些挑战还受到 DNA 序列的结构限制和成本考虑的影响。为了应对这些限制，我们率先开发了一种新型压缩方案和一种利用神经网络进行 DNA 数据存储的尖端多描述编码 (MDC) 技术。我们的 MDC 方法引入了一种将数据编码到 DNA 中的创新方法，专门设计用于有效抵抗错误。值得注意的是，我们的新压缩方案优于用于 DNA 数据存储的经典图像压缩方法。此外，我们的方法比依赖自动编码器的传统 MDC 方法更具优势。其独特优势在于它能够绕过大量模型训练的需要，并且具有增强的微调冗余级别的适应性。实验结果表明，我们的解决方案与该领域的最新 DNA 数据存储方法具有优势，具有卓越的压缩率和强大的抗噪能力。
自动皮带心肺回收（CPR）设备...
测试系统是通过在该手通中添加挠性和力传感器来评估施加在人造成人手工中的心脏按摩的结果，该弹簧可以使成年人的胸部僵硬。此测试系统监视并分析由自动化心理学家设备或人手动执行的心肺复苏（CPR）应用程序。通过Arduino Uno卡通过串行端口将传感器接收的信号传输到计算机，并在MATLAB图形用户界面（GUI）中实时显示。使用MATLAB 2021A软件设计的GUI分析了CPR产生的传感器信号。它给出了每分钟压缩重复序列，每个压缩的深度以及在CPR应用程序中用户或自动CPR设备执行的压缩率变量的图表。此创建的测试系统可以评估本研究中执行的自动CPR设备和手动CPR应用程序的准确性。在这方面设计的测试系统可用于对心脏按摩应用的培训和评估，该应用程序包括在中学教育，副学士学位，本科和职业教育课程的急救课程中。
一种稳态视觉诱发电位脑电信号的个性化压缩方法
摘要：稳态视觉诱发电位（SSVEP）作为一种信息丰富的脑电信号，在无线可穿戴设备中脱颖而出。然而，其数据通常非常庞大，占用过多的带宽源，并且在以原始数据形式传输时需要巨大的功耗，因此需要对其进行压缩。本文提出了一种针对SSVEP应用的个性化脑电信号压缩与重构算法。在该算法中，为了实现个性化，首先使用面向BCI应用的开放基准数据库（BETA）对初级人工神经网络（ANN）模型进行预训练。然后，通过增量学习为每个受试者生成自适应ANN模型来压缩他们的个人数据。此外，提出了一种个性化的非均匀量化方法来减少压缩引起的误差。在BETA上进行测试，当压缩率为12.7倍时，识别准确率仅下降3.79％。与不使用ANN、不使用均匀量化的情况相比，所提算法在准确度测试中可使信号损失从50.43%减少到81.08%。
基于二维离散的医学图像压缩...
摘要：本文收集了两种类型的医学图像，它们来自 CT 扫描和超声系统，目的是在保持图像质量的情况下减少表示医学图像所需的位数。医学成像对疾病诊断和手术准备有很大影响。另一方面，由于医学图像数据量巨大，存储和传输是一个重要问题。例如，每张 CT 图像切片为 512 x 512，数据集由 200 到 400 张图像组成，平均数据量为 150 MB。对医学数据进行有效压缩可以解决存储和传输问题。医学图像使用提出的算法进行压缩，该算法包括两种技术，即离散余弦变换 DCT 和矢量量化 VQ。本文从收集医学图像开始，使用 MATLAB 通过 DCT-QV 开发压缩算法，并通过使用峰值信噪比 PSNR、均方误差 MSE、压缩比 CR 和每像素比特 BPP 测量原始图像和压缩图像之间的差异来评估这些技术的性能。实验结果表明，所提算法压缩后的图像质量较高，量化水平达到30%以上，压缩率达到可接受水平。
基于DNA的数据存储的隐式神经多重描述
DNA由于其固有的生物分子结构而引起，由于其令人印象深刻的储存密度和长期稳定性，它具有出色的潜力作为数据存储解决方案。但是，开发这种新型媒介有其自身的挑战，尤其是在解决储存和生物操纵引起的错误时。这些挑战进一步由DNA序列的结构限制和成本考虑。响应这些局限性，我们开创了一种新颖的压缩方案和使用神经网络进行DNA数据存储的尖端多重描述编码（MDC）技术。我们的MDC方法引入了一种创新方法，将数据编码为DNA，该方法专门设计用于有效承受错误。值得注意的是，我们的新压缩方案过于表现DNA-DATA存储的经典图像压缩方法。此外，我们的方法比依赖自动编码器的常规MDC方法具有优越性。其独特的优势在于它绕过对广泛模型训练的需求及其对微调冗余水平增强的适应性的能力。实验结果表明，我们的解决方案与现场最新的DNA数据存储方法竞争，提供了出色的压缩率和强大的噪声弹性。