XiaoMi-AI文件搜索系统
World File Search System收敛时间
![arXiv:2401.10746v4 [eess.SP] 2024 年 5 月 23 日](/simg/2\2149d5e294b4a943fa88ce6a6b3b2eb31a32b4b0.webp)
arXiv:2401.10746v4 [eess.SP] 2024 年 5 月 23 日
脑电图 (EEG) 信号经常用于各种脑机接口 (BCI) 任务。虽然深度学习 (DL) 技术已经显示出良好的效果，但它们受到大量数据需求的阻碍。通过利用来自多个受试者的数据，迁移学习可以更有效地训练 DL 模型。欧几里得对齐 (EA) 是一种越来越受欢迎的技术，因为它易于使用、计算复杂度低并且与深度学习模型兼容。然而，很少有研究评估它对共享和单个 DL 模型训练性能的影响。在这项工作中，我们系统地评估了 EA 与 DL 结合对解码 BCI 信号的影响。我们使用 EA 用来自多个受试者的数据训练共享模型，并评估了它对新受试者的可迁移性。我们的实验结果表明，它将目标受试者的解码提高了 4.33%，并将收敛时间缩短了 70% 以上。我们还为每个受试者训练了单独的模型，以用作多数投票集成分类器。在此场景中，使用 EA 可将 3 模型集成准确率提高 3.71%。但是，与使用 EA 的共享模型相比，集成准确率降低了 3.62%。
深度学习对脑电图解码的欧几里德对齐的系统评估
脑电图 (EEG) 信号经常用于各种脑机接口 (BCI) 任务。虽然深度学习 (DL) 技术已经显示出良好的效果，但它们受到大量数据需求的阻碍。通过利用来自多个受试者的数据，迁移学习可以更有效地训练 DL 模型。欧几里得对齐 (EA) 是一种越来越受欢迎的技术，因为它易于使用、计算复杂度低并且与深度学习模型兼容。然而，很少有研究评估它对共享和单个 DL 模型训练性能的影响。在这项工作中，我们系统地评估了 EA 与 DL 结合对解码 BCI 信号的影响。我们使用 EA 用来自多个受试者的数据训练共享模型，并评估了它对新受试者的可迁移性。我们的实验结果表明，它将目标受试者的解码提高了 4.33%，并将收敛时间缩短了 70% 以上。我们还为每个受试者训练了单独的模型，以用作多数投票集成分类器。在此场景中，使用 EA 可将 3 模型集成准确率提高 3.71%。但是，与使用 EA 的共享模型相比，集成准确率降低了 3.62%。
https://dx.doi.org/10.12785/ijcds/120166 独立混合可再生能源的最佳经济规模
收到日期：2021 年 2 月 21 日，修订日期：2020 年 2 月 20 日，接受日期：2022 年 3 月 29 日，发布日期：2022 年 9 月 30 日 摘要：本文利用不同的进化优化算法，研究了印度库鲁克谢特拉社区独立式 (HRES) 的最佳经济规模。在优化过程中，将光伏 (PV)、风力涡轮机 (WT)、电池和柴油发电机 (DEG) 等不同子系统的数量视为感兴趣的变量，以净现值成本、回收期、计算成本和平准化能源成本 (LCOE) 作为绩效衡量标准。通过对结果的分析，可以确定与粒子群优化 (PSO)、引力搜索算法 (GSA)、灰狼优化器 (GWO) 和组合 PSO-GSA 算法提供的解决方案相比，鲸鱼优化算法 (WOA) 提供的解决方案在 LCOE、净现值和回收期方面表现最佳。对这些算法的相对性能进行了定性和定量比较和对比，不仅突出了研究结果，而且突出了从经济角度对独立 HRES 进行最佳定型（根据问题陈述），还突出了其他性能指标，例如收敛时间、计算成本和复杂性。模拟在 MATLAB 软件中执行。关键词：经济定型、HRES、LCOE、独立、优化算法
将路径积分蒙特卡洛快速混合，用于一维菌
路径积分量子蒙特卡洛（PIMC）是一种通过使用马尔可夫链蒙特卡洛（Monte Carlo）从经典的吉布斯分布中抽样的量子量子自旋系统的热平衡性能的方法。PIMC方法已被广泛用于研究材料物理和模拟量子退火，但是这些成功的应用很少伴随着正式的证据，即PIMC依据的马尔可夫链迅速汇聚到所需的平衡分布。在这项工作中，我们分析了1D stoquastic hamiltonians的PIMC的混合时间，包括远程代数衰减相互作用以及无序的XY旋转链，以及与最近的静脉相互作用。通过将收敛时间与平衡分布联系起来，我们严格地证明使用PIMC在近似温度下对这些模型的可观察到的分区函数和期望为近相数，这些模型与Qubits的数量最大程度地对数扩展。混合时间分析基于应用于单位大都会马尔可夫链的规范路径方法，用于与与量子汉密尔顿量子相互作用相关的2D经典自旋模量的吉布斯分布。由于系统具有强烈的非偶然耦合，随着系统大小而生长，因此它不会属于已知2D经典自旋模型迅速混合的已知情况。
带有 EEG 可穿戴耳机的人机交互
内在人在环强化学习 (HITL-RL) 是一种通过使用可穿戴脑电图 (EEG) 耳机捕捉脑电波来隐式获取人类反馈的方法。它可以显著加速 RL 算法的训练收敛，同时减轻参与训练循环的人类的负担。虽然人类自然会观察 RL 代理的表现，但代理的任何错误行为都可以通过 EEG 信号中的误差电位 1 (ErrP) 识别。然后可以将此信息合并到 RL 算法的奖励函数中以加速其学习。因此，误差电位的检测精度会显著影响 RL 算法的收敛时间。这项工作的重点是使用仅使用现成的 EEG 可穿戴设备检测到的用户脑电波来可靠地检测误差电位。我们首先提出一种新的误差电位解码算法，该算法利用 EEG 信号的空间、时间和频域特性。我们开发了三个类似 Atari 的游戏环境，并招募了 25 名志愿者进行评估。所提出的算法实现了 73.71% 的准确率（比目前最先进的算法提高了 8.11%）。然后我们展示了一种智能丢弃低置信度估计的改进算法能够将准确率提高到 79.51%（提高了 16.63%）。
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
使用神经符号方法预测学生策略
摘要 预测学生的解决问题策略是一个复杂的问题，但它会对自动教学系统产生重大影响，因为它们可以根据学习者的情况调整或个性化系统。虽然对于小型数据集，学习专家可能能够手动分析数据来推断学生的策略，但对于大型数据集，这种方法是不可行的。我们开发了一个机器学习模型来根据学生数据预测策略。虽然基于深度神经网络 (DNN) 的方法（例如 LSTM）可以应用于此任务，但它们对于大型数据集通常具有较长的收敛时间，并且与其他几种基于 DNN 的方法一样，存在数据过度拟合的固有问题。为了解决这些问题，我们开发了一种用于策略预测的神经符号方法，即结合符号 AI（可以编码领域知识）和 DNN 的优势的模型。具体来说，我们使用马尔可夫逻辑对数据中的关系进行编码，并利用这些关系之间的对称性来更有效地训练 LSTM。具体来说，我们使用重要性抽样方法，对训练数据进行抽样，以便对于对称实例的群集/组（策略可能对称的实例），我们仅选择代表性样本来训练模型，而不是使用整个组。此外，由于某些组可能包含比其他组更多样化的策略，我们会根据先前观察到的样本调整重要性权重。通过对 KDD EDM 挑战数据集进行实证评估，我们展示了我们方法的可扩展性。
在有限时间
摘要 - 该纸张介绍了在主要道路上合并到排中的坡道车辆的纵向控制概率。为了应对这一挑战，提出了具有专门反馈控制定律的有限时间模型预测控制（MPC）算法。设计了状态错误的约束集，并基于此建立了决策方案，以允许坡道车辆在设计的MPC策略下开始评估一开始合并操作的可行性。如果合并是可行的，则提议的MPC策略将用于将坡道车辆驱动到所需状态周围的小邻居，并根据排的速度和在有限的时间步骤中的位置，然后再加入排队。此外，通过共同设计的反馈控制法实现了渐近趋同倾向到所需状态。否则，将不会触发MPC策略，而是一种替代方法，例如放慢坡道车辆以创造空间并允许主道上的车辆前进。在提出的方法下，在所有时间步骤中都实现了MPC优化问题的递归可行性，并且可以在MPC算法下证明与所需状态小社区的有限时间收敛。也得出了收敛时间步骤的上限，该界限用于证明决策机制的有效性。另外，还保证了坡道车辆的闭环约束满意度和渐近稳定性。通过模拟示例证明了所提出的MPC方法的有效性。
各种机器学习的实现
轮替运动是传统神经系统检查的一个标准方面，涉及具有主动肌和拮抗肌关系的肌肉群之间的振荡。一个有代表性的例子是前臂的旋前和旋后。偏瘫明显证明了轮替运动的差异，临床量化是通过使用序数标度来实现的，这本质上是主观的。安装在手背周围的配备陀螺仪的适形可穿戴无线惯性传感器可以客观地量化前臂旋前和旋后的轮替运动。这项研究的目标是应用各种机器学习算法，根据前臂旋前和旋后的轮替运动来区分偏瘫患者受影响和未受影响的上肢对。评估了机器学习算法（例如多层感知器神经网络、J48 决策树、随机森林、K 最近邻、逻辑回归和朴素贝叶斯）的性能，同时考虑了分类准确性和开发机器学习模型的时间。机器学习特征集来自获取的陀螺仪信号数据。使用来自适形可穿戴无线惯性传感器的陀螺仪信号数据，逻辑回归和朴素贝叶斯机器学习算法在机器学习模型收敛时间和区分偏瘫上肢对的轮转运动（考虑到内旋和外旋）的分类准确性方面都实现了相当不错的性能。
使用基于循环切片的网络准确预测大脑年龄
摘要 BrainAge（根据神经影像数据预测受试者的表观年龄）是大脑衰老的重要生物标志物。BrainAge 与真实年龄的偏差与精神和神经疾病有关，并且已被证明可有效预测轻度认知障碍 (MCI) 转化为痴呆症。传统上，3D 卷积神经网络及其变体用于预测大脑年龄。然而，这些网络比 2D 网络具有更多参数并且训练时间更长。在这里，我们提出了一种基于 2D 切片的循环神经网络模型，该模型以有序的矢状切片序列作为输入来预测大脑年龄。该模型由两部分组成：一个 2D 卷积神经网络 (CNN)，它对切片中的相关特征进行编码，以及一个循环神经网络 (RNN)，它学习切片之间的关系。我们将我们的方法与其他最近提出的方法进行了比较，包括 3D 深度卷积回归网络、信息论模型和特征包 (BoF) 模型（例如 BagNet）——其中分类基于局部特征的出现，而不考虑它们的全局空间顺序。在我们的实验中，我们提出的模型的表现与当前最先进的模型相当甚至更好，参数数量几乎减少了一半，收敛时间也更短。关键词：深度学习、循环神经网络、卷积神经网络、大脑年龄、结构磁共振成像