XiaoMi-AI文件搜索系统
World File Search System子群
使用新概率粒子群优化器和顺序差分进化的脑电信号癫痫病识别模型
摘要 癫痫是个体的一种慢性发作状态。脑细胞群反映出异常的电活动。脑电图 (EEG) 是一种监测大脑活动和诊断神经系统疾病的常用工具。在处理具有超高维度的复杂变换特征并从 EEG 中提取最佳特征时，对癫痫和非癫痫数据进行分类是一项具有挑战性的任务。本文提出了一种新的混合方法来选择最佳特征，该方法涉及粒子群优化 (PSO) 算法、新开发的概率粒子群优化 (PPSO) 算法和顺序差分进化 (SDE) 算法。癫痫患者的 EEG 数据已用于评估该方法。使用离散波长变换提取特征。PSO、PPSO 和 SDE 从 EEG 的特征空间中选择最佳特征。进一步使用不同的分类器评估这些最佳特征的性能。比较了 PSO、PPSO 和 SDE 的性能。本文对生物启发算法对脑电信号特征优化的重要性进行了广泛的研究。在所有分类器中，支持向量机 (SVM) 表现优异，在第 100 个周期时，PPSO 的准确率为 97.74%，SDE 的准确率为 98.34%。这表明最佳特征选择提高了分类器的性能。
基于多尺度电流分布和粒子群优化的充电站规模优化：在电动助力自行车中的应用
摘要 — 电动自行车 (ebike) 的发展因其经济和环境优势而受到越来越多的关注。本研究基于粒子群优化对电动自行车充电站进行尺寸优化。它基于电动自行车电池的消耗情况、太阳能和风能以及组件的安装、更换和维护成本。第一步，使用二阶非线性电热模型确定电动自行车电池的消耗情况。然后，使用一年的太阳能和风能数据来确定充电站实施地点的能源可用性。最后，将成本定义为目标函数，同时考虑太阳能光伏板数量、风力涡轮机数量、蓄电池数量和年度充电需求的限制。研究了将在法国安纳西理工学院校园内实施的充电站的背景。结果表明，与未进行优化的尺寸相比，粒子群优化可使成本降低约 56.04%。
磁重联是一种在太阳风中局部产生多个热质子群和光束的机制
1 波尔多大学天体物理学实验室波尔多，法国国家科学研究中心，佩萨克，法国 2 法国国家科学研究中心天体物理学和行星研究所，法国图卢兹，UPS，法国国家空间研究中心 电子邮件：benoit.lavraud@irap.omp.eu 3 AKKA，法国图卢兹 4 捷克布拉格查尔斯大学数学与物理学院表面与等离子体科学系 5 大学学院 Mullard 空间科学实验室London, Holmbury St. Mary, Dorking, Surrey, UK 6 INAF-Istituto di Astrofisica e Planetologia Spaziali, Via Fosso del Cavaliere 100, 00133 Roma, Italy 7 西南研究所，圣安东尼奥，美国 8 德克萨斯大学圣安东尼奥分校物理与天文学系，圣安东尼奥，德克萨斯州，美国 9 Laboratoire de Physique des Plasmas, Ecole法国帕莱索理工学院 10 系密歇根大学气候与空间科学与工程系，美国安娜堡 11 伦敦帝国理工学院 Blackett 实验室空间与大气物理学系，英国伦敦 12 法国奥尔良大学 LPC2E，法国国家科学研究中心，法国奥尔良 13 法国默东 LESIA 14 意大利卡拉布里亚大学物理系，意大利伦德 15 意大利航天局 ASI，意大利罗马 16 美国加州大学伯克利分校空间科学实验室 17 西班牙穆尔西亚穆尔西亚大学 18 瑞典斯德哥尔摩 KTH 19 美国新罕布什尔大学空间科学中心，新罕布什尔州达勒姆 03824 20 欧洲空间局 (ESA)，欧洲空间天文学中心 (ESAC)，西班牙马德里 Villanueva de la Cañada，Camino Bajo del Castillo s / n，28692
研究文章 使用多级粒子群优化进行基于运动想象的 BCI 系统的通道和特征选择
脑机接口 (BCI) 是连接人脑和计算机或其他电子设备的通信和控制系统。然而，无关通道和与任务无关的误导性特征限制了分类性能。为了解决这些问题，我们提出了一种基于粒子群优化 (PSO) 的高效信号处理框架，用于通道和特征选择、通道选择和特征选择。改进的 Stockwell 变换用于特征提取，多级混合 PSO-贝叶斯线性判别分析用于优化和分类。这里使用 BCI 竞赛 III 数据集 I 来确认所提方案的优越性。与未优化方法（89%准确率）相比，基于PSO的方案在使用不到10.5%的原始特征时，最佳分类准确率达到99%，测试时间减少90%以上，Kappa值和F-score分别达到0.98和98.99%，信噪比更好，优于现有算法。结果表明，通道和特征选择方案可以加快收敛到全局最优的速度，减少训练时间。由于该框架可以显著提高分类性能，有效减少特征数量，大大缩短测试时间，可以为相关实时BCI应用系统研究提供参考。
使用粒子群优化算法实现并网住宅太阳能发电系统的日前最优能源调度
摘要 本文提出了并网住宅光伏系统的日前优化能源调度技术，以符合电价并优化家庭运营效益。该解决方案被视为优化问题，目标是最大化家庭能源效益，优化变量是电力调度率，即出售给电网的光伏电力与供应负载后的额外光伏能源之比。之后，使用粒子群优化 (PSO) 解决公式化的非线性优化问题。使用位于尼泊尔拉利特布尔的典型并网太阳能供电系统（具有太阳能光伏系统和电池储能系统）进行验证分析。研究结果表明，建议的能源调度策略与启发式优化方法相结合，可成功实现多种能源的优化能源调度，从而在分时电价下实现财务效益最大化。
如何引用本文：Murat Arican，Kemal Polat（2020）。基于二进制粒子群优化（BPSO）的EEG信号通道选择及其
近年来，国家支持的项目试图提高残疾人的社会参与度。然而，即使是患有运动神经元疾病 (MND)、全滑行状态 (TSD) 等神经肌肉疾病的人，其沟通能力也会受到干扰。脑机接口 (BBA) 已有几十年的历史，研究数量呈指数级增长，目前正在开发中，以使患有此类疾病的人能够与周围环境进行交流。拼写系统是 BBA 系统，它可以检测人们在屏幕上的字母和数字矩阵上关注的字母，并通过应用程序将其转换为文本。在这种情况下，通过屏幕上字母的随机闪烁，它旨在检测由于刺激而导致大脑中发生的电变化。研究表明，个体遇到的刺激会导致 EEG 信号中出现一个振幅，称为 P300，介于 250 到 500 毫秒之间。脑机接口通过 EEG 信号为因中风或神经退行性疾病而行动受限的个体提供环境互动。 EEG 信号的多通道结构既增加了系统成本，又降低了处理速度。因此，通过在过程中检测更多活动电极来降低系统成本，可以提高人们的可访问性。在此背景下，在电极选择中使用优化技术，通过随机选择方法确定最有效的通道。在研究中，使用基于群体的优化技术之一的粒子群优化算法与两个分类器（SVM 和 Boosted Tree）一起使用，并确定了八个最常选择的通道，以提高系统在速度和准确性方面的性能。
比较遗传算法（GA）和粒子群优化（PSO），用于估计易感暴露感染的（SEIR）模型PAR
背景：用于分析疾病扩散的最常用的数学模型是易感暴露感染的回收（SEIR）模型。此外，SEIR模型的动力学取决于几个因素，例如参数值。目标：本研究旨在比较两种优化方法，即遗传算法（GA）和粒子群优化（PSO），以估算SEIR模型参数值，例如感染，过渡，恢复和死亡率。方法：将GA和PSO算法与SEIR模型的估计参数值进行了比较。适应性值是根据累积阳性covid-19病例的实际数据与从seir covid-19模型解决方案的案例数据之间的误差计算得出的。此外，使用四阶Runge-kutta算法（RK-4）计算了CoVID-19模型的数值解，而实际数据是从印度尼西亚雅加达省正Covid-19 Case的累积数据集获得的。然后使用两个数据集比较每个算法的成功，即数据集1，代表COVID-19的扩展的初始间隔和数据集2，该间隔代表一个间隔，其中COVID-19 Case Case较高增加。结果：估计四个参数，即由于疾病引起的感染率，过渡率，恢复率和死亡率。在数据集1中，当值= 0.5时，GA方法的最小误差（即8.9％）发生，而PSO的数值误差为7.5％。在数据集2中，GA方法的最小误差，即31.21％，当时发生在= 0.5时，而PSO的数值误差为3.46％。结论：基于数据集1和2的参数估计结果，PSO比GA具有更好的拟合结果。这表明PSO对所提供的数据集更健壮，并且可以更好地适应Covid-19-19的流行病的趋势。关键字：遗传算法，粒子群优化，SEIR模型，COVID-19，参数估计。文章历史记录：2024年2月12日，2024年5月17日第一个决定，2024年6月20日接受，在线获得2024年6月28日
车载通信后量子密码性能分析
近年来，量子计算 (QC) 越来越受到人们的重视，人们提出了利用量子傅里叶变换通过多项式时间可计算性来解决隐藏子群问题。此外，一些包含隐藏子群的密码方法 [如 RSA (Rivest-Shamir-Adleman) 和椭圆曲线密码 (ECC)] 可能会被 QC 破解。因此，没有隐藏子群的后量子密码 (PQC) 方法 [如基于格、基于多变量和基于代码的密码方法 [1]] 对于防御 QC 攻击具有重要意义。对于车辆通信的安全，已经基于公钥基础设施 (PKI) 设计了安全证书管理系统 (SCMS) [2] 和合作智能交通系统证书管理系统 (CCMS)。然而，这些系统中使用的密码方法都是 ECC，QC 可能会带来安全威胁。因此，可以考虑使用 PQC 方法代替 ECC 来提高安全级别。本研究将调查和讨论应用于 SCMS 和 CCMS 的 PQC 方法。此外，基于格的密码学方法是 PQC 方法的主流技术 [1]。因此，将比较标准基于格的密码学方法（即 Dilithium 和 Falcon）的性能。本研究的主要贡献如下。
法力和魔法定义及结点状态的模糊性
近年来，出现了许多论文讨论不同模型（如 CFT、结点理论等）的 magic 和 mana 属性 [1–3]。这些量表征此类模型中定义的某种量子力学状态与 Clifferd 群元素的距离 [4]。根据 Gottesmann-Knill 定理 [5]，Clifferd 群元素可以在经典计算机上进行有效建模。因此，有人声称“magic”实际上是某种状态的非经典性，而 mana 则衡量这种非经典性。如果结合量子计算讨论这些属性，这些属性可能很重要。Gottesman-Knill 定理基于以下事实：Clifferd 群是所研究群 G 的一个有限子群，而 G 是几个 SU(N) 的张量积。然而，它并不是唯一的有限子群。对于同一个群 G ，可以定义无数个这样的子群。其中，克利福德群的定义性质是它与 sigma 矩阵的联系。从量子计算的角度来看，没有必要要求这一点。因此，根据想要向量子计算机呈现的问题集，可以对 mana 进行不同的定义。我们认为 mana 实际上是一种相对属性，而不是绝对属性。在本文中，我们将介绍克利福德群的通常定义方式以及如何对其进行修改以获得其他有限子群。我们将应用这个新的 mana 定义来研究结点状态。结点理论是一个被广泛研究的课题，与其他理论有很多关系。其中，结点理论与量子计算之间存在联系，它既提供了使用量子算法计算结点多项式的方法，也提供了将量子算法描述为有效拓扑场论中的一些结点配置 [14]- [19]。这涉及通过 Reshetikhin-Turaev 算法 [6]- [13] 使用酉矩阵计算结点。具体来说，对于某些特定的结点系列，任何量子算法都可以描述为一系列结点的连续近似 [18,19]。然而，在本文中，我们讨论了结点理论的不同方法。法力和魔法是量子态（密度矩阵）的属性，而不是酉运算。有一种方法可以定义对应于结点的量子态 [2]，使用拓扑场论的思想 [20,21]。这个密度矩阵的矩阵元素由特殊点处的结点多项式构成。因此，这种状态的经典性为我们提供了有关如何在经典计算机上计算这些结点不变量的一些信息。论文组织如下。在第 2 章中，我们定义了 Clifferd 群，它是 SU ( N ) 群的一个有限子群。在第 3 章中，我们提供了 mana 的定义，就像其他关于该主题的论文（如 [1–3]）中给出的那样。在第 4 章中，我们讨论了 mana 定义中的歧义，并展示了如何修改定义以给出与 SU ( N ) 的不同有限子群相关的 mana。在第 4 章中，我们根据 [2,20,21] 定义了描述不同结的量子力学状态。在第 5 章中，我们研究了结状态下的 mana 是什么样子，以及如何通过不同的 mana 定义来改变它。