XiaoMi-AI文件搜索系统
World File Search System均方误差
基于最大熵形式的量子态层析成像变分方法
图 3：对于范围从 2 到 6 的量子比特，该图显示了在每一步优化中使用重建的量子态获得的 Hermitian 算子的 IC 集的真实期望值和生成的期望值之间的时期数的函数即均方误差 (MSE) 损失。
主题：人工智能 ( ARTI )
• 什么是机器学习？• 传统编程与机器学习的区别 • 机器学习与人工智能的关系 • 机器学习的应用 • 机器为什么要学习？为什么不首先设计出按预期执行的机器？• 机器学习的类型（监督、无监督、半监督和强化学习） • 具有一个变量的线性回归 • 假设表示、假设空间 • 学习需要偏差 • 训练示例的概念 • 损失函数的概念，• 训练方法：机器学习算法可能用来训练模型的迭代试错过程，迭代训练方法的缺点，均方误差 (MSE)，梯度下降算法。学习率对减少损失的影响，特征缩放的重要性（最小-最大规范化）。
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。
通过机器学习接近频道估计的MMSE界限
摘要 - 在无线通信系统中，该信号模型与高斯分布的通道和噪声线性线性，线性最小均方根误差（LMMSE）通道估计（CE）在均方误差（MSE）方面实现了最佳性能。但是，LMMSE CE取决于接收器可能无法使用的参数（例如，准确了解功率延迟profe（PDP））或过于复杂而无法实施实现（例如，LMMSE滤波器大小）。参数的次优选择可能会严重降低LMMSE CE性能。以这种观察的激励，我们研究了机器学习，作为重新填充和改善CE的工具。我们表明，我们提出的低复杂性学习辅助LMMSE CE可以克服次优参数的影响并接近理想的LMMSE性能。
使用多尺度全卷积神经网络校正运动伪影
缩写：FCN = 完全卷积神经网络；MSE = 均方误差；SSIM = 结构相似性指数在 MRI 检查期间，患者运动会导致伪影，而伪影是临床实践中造成图像质量下降的常见原因，据报道，这会影响 10% – 42% 的脑部检查的图像质量。1、2 在图像采集时可能会识别出对 MRI 检查诊断价值有重大影响的运动伪影，导致近 20% 的 MRI 检查出现重复序列。1、3 这些重复序列会给放射科带来大量的时间和财务成本。1 由于无法保证患者在重复序列期间能够更好地保持静止，因此图像的诊断价值往往会受到影响。
使用多尺度全卷积神经网络校正运动伪影
缩写：FCN = 完全卷积神经网络；MSE = 均方误差；SSIM = 结构相似性指数在 MRI 检查期间，患者运动会导致伪影，而伪影是临床实践中造成图像质量下降的常见原因，据报道，这会影响 10% – 42% 的脑部检查的图像质量。1、2 在图像采集时可能会识别出对 MRI 检查诊断价值有重大影响的运动伪影，导致近 20% 的 MRI 检查出现重复序列。1、3 这些重复序列会给放射科带来大量的时间和财务成本。1 由于无法保证患者在重复序列期间能够更好地保持静止，因此图像的诊断价值往往会受到影响。
脑灌注 SPECT 中最小计数的影响
脑灌注 SPECT 图像中每像素的计数取决于给药剂量、采集时间和患者状况，有时在日常临床研究中会变得较低。本研究的目的是评估不同采集计数对定性图像和统计成像分析的影响，并确定准确检查所需的最小计数。方法：我们进行了一个脑幻像实验，模拟 99m Tc-乙基半胱氨酸二聚体的正常积累，大脑摄取率为 5.5%。SPECT 数据是在连续重复旋转中采集的。通过改变添加的旋转次数，创建了十种具有不同采集计数的 SPECT 图像。我们使用了归一化均方误差和视觉分析。对于临床研究，我们使用了 25 名患者的图像。图像是通过连续重复旋转获取的，我们通过将旋转次数从 1 变为 6 来创建具有不同采集计数的 6 幅脑部图像。对比噪声比是根据灰质和白质感兴趣区域内的平均计数计算得出的。此外，严重程度、范围和疾病特定区域的比例被评估为统计成像分析的指标。结果：对于幻像研究，归一化均方误差曲线趋于从大约 23.6 个计数/像素收敛。此外，视觉评分显示，23.6 个计数/像素或更少的图像几乎无法诊断。对于临床研究，对比噪声比在 11.5 个计数/像素或更少时显著下降。严重程度和范围趋于随着采集计数的减少而增加，在 5.9 个计数/像素时显著增加。另一方面，不同采集计数之间的比率没有显著差异。结论：在对体模和临床研究进行综合评估的基础上，我们认为每像素 23.6 个计数或更多是维持定性图像质量和准确计算统计成像分析指标所必需的。