XiaoMi-AI文件搜索系统
World File Search System子问题
1个学期 - i高级机器学习和...
模块-5应用程序：大规模深度学习，计算机视觉，语音识别，自然语言处理，其他应用程序。RBT级别：L3，L4评估细节（CIE和SEE）连续内部评估（CIE）的权重为50％，对于学期结束考试（请参阅）为50％。CIE的最小传递标记是最大标记的50％。SEE中的最小传递标记是SEE的最大值的40％。如果学生在CIE的总和（持续的内部评估）中获得不少于50％（100分中的50分），则认为学生满足了学术要求，并获得了分配给每个学科/课程的学分，并参见（学期结束考试）。连续内部评估：1。两个单位测试25分2。25分的两个分配或一个50分的技能开发活动中的两个分配，以达到两个测试的总和，两项分配 /技能开发活动的总和将缩减为50分，CIE方法 /问题文件旨在根据定义的结果来达到不同级别的BLOOM分类法的水平。学期考试：1。请参阅试卷将设置为100分，而评分的分数将比例减少到50。2。试卷将有十个完整的问题，上面有相等的分数。3。每个完整的问题都是20分。每个模块将有两个完整的问题（最多有四个子问题）。
MEC的可重新配置智能计算表面...
摘要 - 在本文中，我们专注于通过使用车辆到基础结构（V2I）链接从蜂窝车辆（CVS）卸载的任务来提高自主驾驶安全性，并将其转移到多访问Edge Computing（MEC）服务器。考虑到可以将用于V2I链路的频率重复用于车辆到车辆（V2V）通信以改善频谱利用率，因此每个V2I链接的接收器可能会严重干扰，从而导致任务卸载过程中的中断。为了解决这个问题，我们建议部署可重新配置的智能构成表面（RIC），不仅可以启用V2I反射性链接，而且还可以在V2V链接处取消利用其超材料的计算能力。我们为CVS和MEC服务器之间的任务卸载比率，V2V和V2I通信之间的频谱共享策略以及RICS反射和折射矩阵设计了联合优化公式，目的是最大程度地利用基于安全的自动驱动任务。由于问题的非跨性别性和自由变量之间的耦合，我们将其转换为更易于处理的等效形式，然后将其分解为三个子问题，并通过替代近似方法求解。我们的仿真结果证明了拟议的RIC优化在提高自动驾驶网络安全性方面的有效性。索引项 - 功能，自动驾驶，多访问边缘计算，频谱共享，任务卸载。
第七和第八学期的课程安排和教学大纲
持续内部评估 (CIE)；理论 (100 分) CIE 通过测验 (Q)、测试 (T) 和体验式学习 (EL) 进行。至少进行三次测验，每次测验 10 分，总计 30 分。所有测验均在线进行。教师可以采用创新方法有效地进行测验。测验次数也可以超过三次。三次测试每次 50 分，三次测试得分总和减少为 50 分。体验式学习的分数部分为 20 分。CIE 总分为 30(Q) +50(T) +20(EL) =100 分。学期末评估 (SEE)；理论 (100 分) SEE 100 分通过考试进行。本课程的试卷包含两部分，A 部分和 B 部分。A 部分包括客观题，总分 20 分，涵盖整个教学大纲。B 部分包含五个主要问题，每个单元一个，总分 16 分，共计 80 分。每个主要问题可能有子问题。单元 I、IV 和 V 的问题没有内部选择。单元 II 和 III 有内部选择，其中两个问题涵盖整个单元，在 CO 和布鲁姆分类级别方面具有相同的复杂性。
I2P注册通过学习从像素到点相似性的基本对齐特征空间
摘要 - 对于自动地面车辆，带有3D激光雷达的全球定位是导航等任务中必不可少的一部分。通常，使用LIDAR的全球定位细分为两个子问题，即位置识别和全球注册。为了获得位置识别，基于深度学习的最新新兴方案要么依赖于具有高复杂性的3D卷积，要么需要从各种前瞻性角度学习特征。为此，我们提出了一个具有滚动式yaw不变性的模型，该模型代表点云为概率的体素，并从鸟眼的视图中产生占用网格，从而通过从固定的角度学习聚集的嵌入来实现稳健的位置识别。对于低重叠的全球注册，基于传统的手工艺特征的方法主要限于密集的对象级别云，而基于最新的学习方法通常依赖于复杂的3D卷积和其他功能关联学习。为了在一定程度上填补这一空白，我们建议通过拟合和对齐点云的接地平面来估计相对滚动角度和垂直翻译，并通过匹配其预计的占用率网格来确定水平翻译和偏航角。广泛的实验证实了我们位置识别模型的出色召回和概括能力，以及我们3D注册方法的高级成功率和准确性。尤其是在认识和注册硬样品时，我们的结果远远超过了我们的结果。为了确保完整的可重复性，相关代码和数据可在https://cslinzhang.github.io/gloc/gloc/gloc.html上在线提供。
微电网随机机组组合中考虑电池储能系统周期老化的优化运行调度
摘要：随着微电网 (MG) 中可再生能源渗透率的提高，使用电池储能系统 (BESS) 已成为实现微电网优化运行不可或缺的因素。尽管 BESS 有利于实现经济稳定的微电网运行，但为了最大限度地节省成本，应考虑其寿命衰减。本文提出了一种针对微电网的最优 BESS 调度方法，以解决随机机组组合问题，同时考虑到可再生能源和负荷的不确定性。通过提出的 BESS 调度，BESS 的寿命衰减被最小化，微电网运行在经济上变得可行。为了解决上述不确定性，我们采用了一种基于场景的方法，分别使用蒙特卡洛模拟和 K 均值聚类算法来生成和减少场景。通过实施雨流计数算法，我们获得了 BESS 的充电/放电状态曲线。为了制定循环老化应力函数并更真实地检查 BESS 的生命周期成本 (LCC)，我们将非线性循环老化应力函数部分线性化。采用 Benders 分解来最小化 BESS 周期老化、总运营成本和 LCC。为此，将一般问题分解为主问题和子问题，以考虑不确定性并通过并行处理优化 BESS 充电/放电调度问题。为了证明所提出的 BESS 优化调度在 MG 运行中的有效性和优势，分析了不同的案例研究。仿真结果证实了所提出的调度的优越性和改进的性能。
任意破坏下的浅电路量子优势
Bravyi、Gosset 和 König（Science 2018）、Bene Watts 等人（STOC 2019）、Coudron、Stark 和 Vidick（QIP 2019）以及 Le Gall（CCC 2019）最近的研究表明，浅（即小深度）量子电路和经典电路的计算能力存在无条件分离：量子电路可以以恒定深度求解经典电路需要对数深度才能求解的计算问题。利用量子纠错，Bravyi、Gosset、König 和 Tomamichel（Nature Physics 2020）进一步证明，即使量子电路受到局部随机噪声的影响，类似的分离仍然存在。在本文中，我们考虑了在计算结束时任何恒定部分的量子比特（例如，巨大的量子比特块）都可能被任意破坏的情况。即使在这个极具挑战性的环境中，我们也朝着建立量子优势迈出了第一步：我们证明存在一个计算问题，可以通过量子电路以恒定深度解决，但即使解决该问题的任何大子问题也需要对数深度和有界扇入经典电路。这为量子浅电路的计算能力提供了另一个令人信服的证据。为了展示我们的结果，我们考虑了扩展图上的图状态采样问题（之前的研究也使用过）。我们利用扩展图对顶点损坏的“鲁棒性”来表明，对于小深度经典电路来说很难解决的子问题仍然可以从损坏的量子电路的输出中提取出来。
任意破坏下的浅电路量子优势
Bravyi、Gosset 和 König（Science 2018）、Bene Watts 等人（STOC 2019）、Coudron、Stark 和 Vidick（QIP 2019）以及 Le Gall（CCC 2019）最近的研究表明，浅（即小深度）量子电路和经典电路的计算能力存在无条件分离：量子电路可以以恒定深度求解经典电路需要对数深度才能求解的计算问题。利用量子纠错，Bravyi、Gosset、König 和 Tomamichel（Nature Physics 2020）进一步证明，即使量子电路受到局部随机噪声的影响，类似的分离仍然存在。在本文中，我们考虑了在计算结束时任何恒定部分的量子比特（例如，巨大的量子比特块）都可能被任意破坏的情况。即使在这个极具挑战性的环境中，我们也朝着建立量子优势迈出了第一步：我们证明存在一个计算问题，可以通过量子电路以恒定深度解决，但即使解决该问题的任何大子问题也需要对数深度和有界扇入经典电路。这为量子浅电路的计算能力提供了另一个令人信服的证据。为了展示我们的结果，我们考虑了扩展图上的图状态采样问题（之前的研究也使用过）。我们利用扩展图对顶点损坏的“鲁棒性”来表明，对于小深度经典电路来说很难解决的子问题仍然可以从损坏的量子电路的输出中提取出来。
用于分布式直流最优潮流的学习加速 ADMM
摘要——我们提出了一种新颖的数据驱动方法来加速交替方向乘数法 (ADMM) 的收敛，该方法用于解决分布式直流最优潮流 (DC-OPF)，其中线路由独立的网络分区共享。利用对给定系统在不同负载下 ADMM 轨迹的先前观察，该方法训练循环神经网络 (RNN) 来预测对偶变量和共识变量的收敛值。给定系统负载的新实现，将少量初始 ADMM 迭代作为输入来推断收敛值并将其直接注入迭代中。我们通过经验证明，对于不同负载场景下的分区 14、118 和 2848 节点测试系统，将这些值在线注入 ADMM 迭代中可显著加快收敛速度。所提出的方法有几个优点：它保持了共识 ADMM 固有的私有决策变量的安全性；推理速度很快，因此可以在在线设置中使用； RNN 生成的预测可以显著缩短收敛时间，但从构造上讲，它永远不会导致不可行的 ADMM 子问题；它可以轻松集成到现有的软件实现中。虽然我们在本文中重点介绍分布式 DC-OPF 的 ADMM 公式，但所提出的想法自然会扩展到其他分布式优化问题。索引术语 — 直流最优功率流、递归神经网络、交替方向乘数法、机器学习、数据驱动优化
基于脑电图的SPD神经网络嵌入银行以嵌入银行的常见空间模式
将非线性数据建模为Riemannian歧管上的对称阳性定义（SPD）矩阵，引起了对各种分类任务的广泛关注。在深度学习的背景下，基于SPD矩阵的Riemannian网络已被证明是对电子脑电图（EEG）信号进行分类的有前途的解决方案，可在其结构化的2D特征表示中捕获Riemannian几何形状。但是，现有方法通常在嵌入空间中学习所有可用的脑电图中的空间结构，其优化程序依赖于计算 - 昂贵的迭代。此外，这些十种方法努力将所有类型的关系船编码为单个距离度量标准，从而导致一般性丧失。为了解决上述局限性，我们提出了一种riemannian嵌入银行方法，该方法将整个填充空间中常见的空间模式学习的概率分为k个缩写，并为每个子问题构建一个模型，与SPD Neural Net-net Works结合使用。通过利用Riemannian歧管上的“独立学习”技术的概念，Reb将数据和嵌入空间划分为k非重叠子集中，并在Riemannian ge-be-emetric Space中学习K单独的距离指标，而不是向量空间。然后，在SPD神经网络的嵌入层中，学习的K非重叠子集分为神经元。公共脑电图数据集的实验结果证明了尽管非平稳性质，但提出的脑电图信号的常见空间模式的拟议方法的优越性，在维持概括的同时提高了收敛速度。
用于数据特征选择和压缩特征表示的量子算法
量子计算已成为一个新兴领域，可能彻底改变信息处理和计算能力的格局，尽管物理上构建量子硬件已被证明是困难的，而且当前嘈杂中型量子 (NISQ) 时代的量子计算机容易出错且其包含的量子比特数量有限。量子机器学习是量子算法研究中的一个子领域，它对 NISQ 时代具有潜力，近年来其活动日益增多，研究人员将传统机器学习的方法应用于量子计算算法，并探索两者之间的相互作用。这篇硕士论文研究了量子计算机的特征选择和自动编码算法。我们对现有技术的回顾使我们专注于解决三个子问题：A) 量子退火器上的嵌入式特征选择，B) 短深度量子自动编码器电路，以及 C) 量子分类器电路的嵌入式压缩特征表示。对于问题 A，我们通过将岭回归转换为量子退火器固有的二次无约束二元优化 (QUBO) 问题形式并在模拟后端对其进行求解来演示一个工作示例。对于问题 B，我们开发了一种新型量子卷积自动编码器架构，并成功运行模拟实验来研究其性能。对于问题 C，我们根据现有技术的理论考虑选择了一种分类器量子电路设计，并与相同分类任务的经典基准方法并行进行实验研究，然后展示一种将压缩特征表示嵌入到该量子电路中的方法。