XiaoMi-AI文件搜索系统
World File Search System嘈杂
使用卡尔曼过滤器对电池电池进行性能分析
摘要。锂离子（锂离子）电池在电动汽车的性能中起着至关重要的作用，这是由于其独特的特性和紧凑的尺寸。为了确保这些电池的寿命延长，用户必须采取其他预防措施。受多种道路条件影响的永久磁铁同步电动机（PMSM）驱动器应用的可变负载扭矩增加了情况。鉴于电动汽车运行（EVS）涉及的众多电气传感器和机械组件，评估锂离子电池的充电状态（SOC）被证明是一个重大挑战。在这种情况下，SOC可能会受到嘈杂的测量，导致电池随着时间的推移的性能下降。本文提议利用Kalman过滤器从嘈杂的测量结果估算实际SOC，依靠间接测量作为提高准确性的基础。
用扩散生成的汤普森采样
在这项工作中，我们启动了使用Denois扩散模型来学习在线决策问题的先验的想法。我们专门针对强盗元学习，旨在学习一项跨同一班级的强盗任务的策略。为此，我们训练一个扩散模型，该模型在测试时处理了基本的任务分布，并在处理新任务之前与学习的汤普森采样。我们的后抽样算法仔细平衡了学识渊博的先验和嘈杂的观察结果，这些观察结果来自学习者与环境的相互作用。为了捕获现实的强盗情景，我们提出了一种新型的扩散模型训练程序，该过程从不完整和嘈杂的数据中训练，这可能具有独立的兴趣。最后，我们的广泛实验清楚地证明了所提出的方法的潜力。
存在感与学习之间的相互作用 - ARBOR
高度沉浸式的虚拟现实 (VR) 头戴设备在多个应用领域越来越受欢迎。在学习方面，它被认为有利于在嘈杂和分散注意力的环境中提高临场感和注意力，这两个因素对学习都很重要。尽管近年来研究力度加大，但在特定环境中探讨临场感和学习之间联系的实验研究经验知识仍然相当稀缺。本研究采用实验性混合方法，通过比较在嘈杂和安静的学习环境中使用高度沉浸式 VR 头戴设备进行记忆与使用低沉浸式系统（桌面屏幕）进行记忆，探讨了临场感和作为一种特殊学习形式的记忆之间的联系。使用 2（学习地点）x 2（学习设备）的被试间设计，63 名参与者在两种环境中与两种设备中的一种进行交互。正如预期的那样，VR 头戴设备用户报告的临场感水平更高。虽然参与者主观地认为 VR 头戴式设备是一种更好的学习设备，但在平静和嘈杂的环境中，桌面屏幕用户的记忆测试分数更高。学习地点没有显示出显著的影响。针对意外结果，讨论了注意力分散和情境相关学习，同时讨论了对实践和未来研究的影响。
通过pre ...
基本化是纳米孔测序分析中的重要步骤，其中将纳米孔测序仪的原始信号转化为核苷酸序列，即读取。最先进的基本收藏家采用复杂的深度学习模型来实现高基本的准确性。这使得基本计算效率低下且渴望记忆，从而瓶颈整个基因组分析管道。对于许多应用，大多数读取都与Interest的参考基因组（即目标参考）不匹配，因此在基因组学管道中的以后步骤中丢弃，浪费了基本的组合。要克服这个问题，我们提出了TargetCall，这是第一个消除基本浪费的计算的预淘汰过滤器。TargetCall的关键想法是丢弃在基本之前与目标参考（即，脱离目标读取）不匹配的读取。TargetCall由两个主要组成部分组成：（1）LightCall，一种轻量级的神经网络基本词，可引起嘈杂的读数； （2）相似性检查通过将它们与目标参考匹配，标记这些嘈杂的每个嘈杂的标记为“目标”或“脱离目标”。Our thorough experimental evaluations show that TargetCall 1) improves the end-to-end basecalling runtime performance of the state-of-the-art basecaller by 3.31 × while maintaining high ( 98.88% ) recall in keeping on-target reads, 2) maintains high accuracy in downstream analysis, and 3) achieves better runtime performance, throughput, recall, pre- cision, and generality compared to prior works.TargetCall可在https://github.com/cmu-safari/targetCall上找到。
表格医疗保健数据的自我注意和样本的注意变压器
2。理论背景3 2.1。表格数据的最新时间。。。。。。。。。。。。。。。。。。。。。。。。3 2.2。表格数据深度学习方法的概述。。。。。。。。。。。6 2.2.1。数据编码方法。。。。。。。。。。。。。。。。。。。。。。。。。6 2.2.2。专业体系结构。。。。。。。。。。。。。。。。。。。。。。。。6 2.2.3。正则化模型。。。。。。。。。。。。。。。。。。。。。。。。。。7 2.3。用表格数据的深度学习方法的问题。。。。。。。。。。。7 2.3.1。 异质数据和非信息特征。 。 。 。 。 。 。 。 。 。 8 2.3.2。 嘈杂的数据。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 8 2.4。 圣人：自我注意力和样本相互注意变压器。 。 。 。 。 。 。 9 2.4.1。 功能嵌入。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 9 2.4.2。7 2.3.1。异质数据和非信息特征。。。。。。。。。。8 2.3.2。嘈杂的数据。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。8 2.4。圣人：自我注意力和样本相互注意变压器。。。。。。。9 2.4.1。功能嵌入。。。。。。。。。。。。。。。。。。。。。。。。。。。。9 2.4.2。自我注意力。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。10 2.4.3。样本间注意。。。。。。。。。。。。。。。。。。。。。。。。。。13 2.4.4。圣人。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。14 2.4.5。自我监督的预处理。。。。。。。。。。。。。。。。。。。。。。。15 2.4.6。finetuning。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。18 2.5。圣地。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。19 2.6。圣丹。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。20
![arXiv:2103.07526v3 [quant-ph] 2022 年 4 月 11 日](/simg/g:\will\search\icon\source\1\13d169c8c09cf8581f8591c9605b6a4022cde515.webp)
arXiv:2103.07526v3 [quant-ph] 2022 年 4 月 11 日
量子计算的标准方法基于这样一种想法：通过添加“魔法”量子态，将经典可模拟和容错操作集提升为通用集。在此背景下，我们开发了一个通用框架来讨论可用的非理想魔法资源相对于理想所需资源的价值。我们挑选出一个量，即量子辅助魔法鲁棒性 (QRoM)，它衡量通过基于准概率的方法用非理想资源模拟理想资源的开销。这将最初为嘈杂中尺度量子 (NISQ) 设备开发的错误缓解技术扩展到量子位被逻辑编码的情况。QRoM 展示了如何通过添加嘈杂魔法资源来增强量子电路的经典准概率模拟，并能够构建显式协议，在经典模拟和理想量子计算机之间进行插值。
种族经济活动
我们观察到在美国白人，黑人，亚洲和西班牙裔人口的各种宏观经济变量之间的种族之间的经验差异，例如，美国的黑人失业率通常是白人失业率的两倍。在本文中，我将九个宏观经济变量视为经济活动的嘈杂指数，并估算了一个指数，该指数衡量了美国种族人口群体的经济活动，称为种族经济活动（EAR）。指标的噪声激发了使用Kalman滤波器估计来从嘈杂的指示器变量中提取共同的组件。我的指数表明，美国黑人和白人经济活动之间存在经验差异，这支持种族分层文献中种族之间发现的差异。此外，我的结果表明，由于对各种经济福祉措施的敏感性更高，因此对白人经济活动的结构性冲击比对黑人，亚洲或西班牙裔经济活动的结构性冲击更为明显。
无事件移动对象从移动自我车辆
虽然HDMAP是自动驾驶的关键组成部分，但获取和维护的昂贵。因此，从传感器中估算这些图的估算有望减轻成本。但是，这些估计值得超过现有的HDMAP，并使用当前的方法来确定低质量图或考虑已知地图的一般数据库。在本文中，我们建议在估计HDMAP时研究的确切情况的现有地图。为了证明这一点，我们确定了3种有用的现有地图（极简主义，嘈杂和过时的）类型。然后，我们介绍了Mapex，这是一个新颖的在线HDMAP估计框架，可说明现有地图。Mapex通过将地图元素编码为查询令牌来实现这一目标，并完善用于训练基于经典查询的MAP估计模型的匹配算法。我们证明Mapex在Nuscenes数据集上带来了重大改进。例如，Mapex-给定嘈杂的地图 - 比MAPTRV2检测器提高了38％，其基于当前SOTA的基础为8％。