XiaoMi-AI文件搜索系统
World File Search System去相关
斑点去相关对运动补偿，多...
摘要。数字全息图可以在处理从chi频照明器获得的2D相干图像的频率多样性堆栈后启用3D图像。为了补偿对象运动或振动，这是远程成像的常见情况，恒定的时间频率或“驾驶频率”照明器可以作为每个搅动频率的参考。我们检查了the骨和试验性照明器之间的斑点去相关及其对所得范围图像的影响。我们表明，两个照明器之间的斑点去相关对于物体表面的刻面更严重，相对于光轴，该对象表面的倾斜度更高，并且这种去相关导致物体区域中高度倾斜的区域的差异图像中的噪声。我们开发了一个理论框架以及带有试验音调的3D成像的波播仿真，我们检查了这种噪声的严重性，这是多个成像参数的函数，包括照明带宽 - 脉冲频率间距和大气湍流强度；我们表明，在模拟框架中，3D清晰度最大化可以减轻湍流引起的某些噪声。
重离子碰撞中的流平面去相关性......
不同（伪）快度（η）下局部流平面之间的方位角关联可以揭示重离子碰撞中初始核物质密度分布的重要细节。对因子分解比（r2）及其导数（F2）的大量实验测量表明存在纵向流平面去相关。然而，非流动效应也会影响该观测量并阻碍对该现象的定量理解。在本文中，为了区分去相关和非流动效应，我们提出了一个新的累积量可观测量T2，它在很大程度上抑制了非流动。用一个简单的蒙特卡洛模型测试了该技术对不同初态场景和非流动效应的敏感性，最后将该方法应用于多相传输模型（AMPT）模拟的√Au+Au 碰撞事件
跨模式扩散建模和语音识别的采样
扩散模型在单个模态内的持续数据中脱颖而出。将其有效的语音识别扩展到语音识别，其中连续的语音框架被用作生成离散单词令牌的条件，在离散状态空间中建立条件扩散至关重要。本文介绍了一个非自动性散布扩散模型，从而通过迭代分化步骤可以平行地生成与语音信号相对应的单词字符串。一个声学变压器编码器标识了语音表示形式，它是DeNoising Transformer解码器预测整个离散序列的条件。为了解决交叉模式扩散的冗余降低，在优化的情况下集成了另一个特征去相关目标。本文通过使用快速采样方法进一步减少推理时间。语音识别的实验说明了提出方法的优点。索引术语：语音识别，扩散模型，特征去相关，快速采样
收集新闻、管理和直接直播内容...
MaxRC（最大比率合并）是一种独特的解调技术，在 NLOS（非视距）条件下，当与分集配置中的多个天线一起使用时，可以创造强大的优势。该技术分析每个天线输入，然后纠正由于天线去相关而导致的多个输入的任何相位关系。然后，它将比例幅度组合起来，以聚合链路内的能量。在单个天线输入上聚合的能量称为分集改进因子。该因子的范围可以从两个天线输入的 4 dB 一直到六个天线输入的 11 dB，具体取决于天线输入的数量和天线输入的多径信道特性。MRC 已在其 DVB-T、LMS-T 和 SCM 解调平台中实施了 Max RC。
使用最小噪声分数 (mnf) 变换来分析...
最小噪声分数 (MNF) 变换 (Green 等，1988) 是一种由两个连续数据缩减操作组成的算法。第一个操作基于对数据中噪声的估计，该估计由相关矩阵表示。此变换通过方差对数据中的噪声进行去相关和重新调整。在此阶段，尚未考虑有关频带间噪声的信息。第二个操作考虑原始相关性，并创建一组包含有关原始数据集中所有频带方差的加权信息的组件。该算法保留了特定的通道信息，因为所有原始频带都对每个组件的权重有贡献。通常，数据集中的大部分表面反射率变化都可以在前几个分量中得到解释，其余分量包含的方差主要由噪声引起（Boardman，1993）。还可以检查每个分量的加权值，指向对主要分量中包含的信息贡献最大的原始波段。然后使用主要分量将数据转换回其原始光谱空间，从而产生与提供的原始数据相同数量的转换通道。
金硅结构非线性白光发光编码，用于物理不可克隆的安全标签
发光安全标签是保护消费品免遭假冒的有效平台。尽管如此，由于标签元件的窄带光致发光特性，这种安全技术的寿命有限。在本文中，我们提出了一个新概念，用于应用通过直接飞秒激光写入制造的混合金属半导体结构中实现的非线性白光发光来创建物理上不可克隆的安全标签。我们证明了在制造阶段控制的制造混合结构的内部组成与其非线性光信号之间的密切联系。我们表明，应用基于离散余弦变换的去相关程序以及标签编码的极性码可以克服白光光致发光光谱相关性的问题。应用的制造方法和编码策略用于创建物理上不可克隆的标签，具有高度的设备唯一性（高达 99%）和位均匀性（接近 0.5）。证明的结果消除了利用白光发光纳米物体创建物理不可克隆标签的障碍。
基于压缩感知多通道脑电信号加速稀疏性重建
能够记录和传输生物信号的可穿戴电子设备可以提供便捷且普遍的健康监测。典型的脑电图记录会产生大量数据。传统的压缩方法无法将数据压缩到奈奎斯特速率以下，因此即使压缩后数据量仍然很大。这需要大量存储空间，因此传输时间也较长。压缩感知提出了解决这个问题的方法，并提供了一种将数据压缩到奈奎斯特速率以下的方法。本文提出基于双时间稀疏性的重建算法来恢复压缩采样的脑电图数据。通过使用schattern-p范数修改基于双时间稀疏性的重建算法并在处理前对脑电图数据进行去相关变换，进一步改善了结果。所提出的改进双时间稀疏性的重建算法在SNDR和NMSE方面优于基于块稀疏贝叶斯学习和Rackness的压缩感知算法。仿真结果进一步表明，所提出的算法具有更好的收敛速度和更短的执行时间。
通过对齐已知类表示
开放式对象检测（OSOD）已成为当代研究方向，以解决对未知对象的检测。最近，很少有作品通过使用Con-Contrastive聚类来分开未知类，在OSOD任务中实现了可观的性能。相比之下，我们提出了一种新的基于语义聚类的方法，以促进语义空间中有意义的群集的对齐，并引入一个类去相关模块以实现群间间的分离。我们的方法进一步不适合对象焦点模块预测对象分数，从而增强了未知对象的检测。此外，我们采用了i）一种评估技术，该技术对低置信度输出进行了惩罚，以减轻对未知对象的错误分类的风险，ii）一种称为HMP的新指标，该指标使用hMP使用Har-nonic Mean结合了已知和未知的精度。我们的广泛实验表明，所提出的模型可以在OSOD任务上对MS-Coco＆Pascal VOC数据集有显着改进。
![arxiv：2401.04838v1 [nucl-ex] 2024年1月9日](/simg/g:\will\search\icon\source\a\a7392fa710e7128873673417b675fdae90533ac3.webp)
arxiv：2401.04838v1 [nucl-ex] 2024年1月9日
超强磁场在10 18高斯的阶次，最强的磁场在自然界中被预期在Rhic Energies的重离子碰撞的早期阶段就会产生[1，2]。磁场主要由观众产生，并且衰减非常快，其时间尺度与碰撞核的通道时间相当[1，2]。然而，田地的衰减可以通过法拉第诱导e ff ECT来补偿，该电场取决于培养基（例如电导率）和夸克的形成时间。此外，对初始电磁场的形成和衰变的研究对于在存在电磁（EM）磁场的情况下了解Quark-Gluon等离子体（QGP）的演变至关重要。重离子碰撞中的初始状态可能具有显着的纵向去相关，从而导致在不同的pseudorapity范围内重建的事件平面之间存在差异[3，4]。此外，能量沉积中的初始状态几何形状和不对称性可以演变为最终状态流量谐波和事件平面角相关性，该研究可用于约束各种初始状态模型，并通过碰撞核来理解能量沉积的机制。
本构模型的物理解释神经网络
(人工)神经网络在力学和材料科学领域越来越受欢迎，它利用模型降阶技术加速计算，并作为各种材料的通用模型。然而，神经网络的主要缺点仍然存在：它们的众多参数难以解释和解释。因此，神经网络通常被称为黑匣子，其结果往往难以人类解释。物理信息神经网络这一新兴的活跃领域试图通过基于机械知识设计深度神经网络来减轻这一缺点。通过利用这种先验知识，更深层、更复杂的神经网络变得可行，因为机械假设可以得到解释。然而，神经网络参数的内部推理和解释仍然是个谜。作为物理信息方法的补充，我们提出了迈向物理解释方法的第一步，该方法对在机械数据上训练的神经网络进行后验解释。这种概念验证可解释的人工智能方法旨在阐明神经网络的黑匣子及其高维表示。其中，主成分分析将 RNN 单元状态中的分布式表示去相关，并允许与已知和基本函数进行比较。这种新方法由系统超参数搜索策略支持，该策略可识别最佳神经网络架构和训练参数。三个关于基本本构模型（超弹性、弹塑性和粘弹性）的案例研究的结果表明，所提出的策略可以帮助识别数值和分析闭式解来表征新材料。