XiaoMi-AI文件搜索系统
World File Search System收敛速度
使用 Xilinx FPGA 实现基于 LMS 和 RMS 的自适应噪声消除
印度喀拉拉邦卡达曼尼塔 Mount Zion 工程学院应用电子与仪器工程系助理教授 摘要：自适应滤波是一个重要的信号处理领域，广泛应用于通信、控制和生物医学工程领域。自适应噪声消除、数据传输信道的自适应均衡和自适应天线阵列就是此类应用的一些示例。自适应滤波由一个数字滤波器组成，该滤波器的权重由自适应算法控制，从而最小化滤波器输出与符合某些标准的参考信号之间的差异。参考信号的特性取决于所考虑的应用。评估自适应滤波器性能的主要指标有两个：收敛速度和稳态均方误差。在实际应用中，希望最大化收敛速度并最小化稳态均方误差。这些要求之间存在冲突。已经开发了几种自适应算法，以便在这些要求之间取得良好的折衷。重要的自适应算法是样本矩阵求逆 (SMI)、最小二乘 (LS) 和递归最小二乘 (RLS) 算法。本项目的主要目标是使用 Xilinx 系统生成器实现 LMS 和 RLS（递归最小二乘）自适应滤波器算法。将在 Matlab 和 Simulink 中对模型进行仿真，以有效验证算法。核心 RLS 和 LMS 自适应滤波器及其基本组件块将在 Xilinx 系统生成器中开发，并在 Xilinx FPGA 中实现。关键词：最小均方算法 (LMS)、递归最小二乘算法 (RLS)、Xilinx 系统生成器 (XSG)、simulink、Spartan -3 1. 简介自适应滤波器是 DSP 应用中的重要组成部分，其中输入信号的统计数据未知或正在变化。自适应滤波器依靠递归算法进行操作，这使得滤波器在无法完全了解相关信号特性的环境中也能令人满意地执行。已经开发出多种自适应算法来操作自适应滤波器。自适应算法用于人类活动的许多领域。在过去的 50 年里，已经设计、描述和实施了许多自适应算法。它们在硬件设备或软件程序中实现，以在应用或其环境中的未知或随时间变化的条件下调整系统行为参数。更具体地说，在控制和数字信号处理 (DSP) 系统中，它们用于根据传入信号和系统环境改变控制器或滤波器的行为。自适应算法在这些领域中最常见的应用是系统识别、噪声和回声消除以及信号增强。其中有一些用于调整权重的算法，包括 LMS（最小均方）和 RLS（递归最小二乘）。标准或改进的 LMS 算法通常用于 DSP 应用中，其中最多可调整数百个参数。LMS 算法的主要优点是其简单性，因此它们的实现在计算上很简单，计算复杂度为 O(n)（换句话说，它们很快）。另一方面，它们的主要缺点是速度慢
分布式能源资源规划与存储管理的多目标框架
使用储能系统 (ESS) 和分布式发电机 (DG) 来提高可靠性是当今受到研究人员广泛关注的解决方案之一。在本研究中，我们从多目标优化的角度利用多目标优化方法对配电网中的分布式发电机进行优化规划。目标是提高网络的可靠性，同时降低年成本和网络损耗。使用多目标正弦余弦算法的改进版本来确定 DG 的最佳大小、位置和类型以及 ESS 的最佳容量、位置和运行策略。对具有土耳其 DG 和负载数据的 IEEE 33 总线、69 总线和 141 总线测试系统的三个案例研究，以验证所提方法的有效性。将帕累托前沿解和最佳目标函数的分布与其他已知算法进行了比较。模拟结果表明，测试系统的平均未供应能量和年能量损失分别减少了高达 68% 和 64%。此外，根据三种不同的帕累托优化指标，所提方法的帕累托前沿呈现出更好的分布，并且优于 MOGWO、MOSMA、NSGA-II、MOPSO 和 MOEA-D 获得的帕累托前沿。最后，计算工作量结果显示，与 MOGWO、MOSMA、NSGA-II、MOPSO 和 MOEAD 相比，MOSCA 的收敛速度更快。
应用能源 - 信息科学 - EPFL
本文介绍了一种用于承载大量光伏 (PV) 发电和负载的主动配电网 (ADN) 中的配电网扩展规划 (DNEP) 和储能系统 (ESS) 分配的组合框架。通过确定连接新节点的最佳电网扩展、现有线路的加固和 ESS 分配，所提出的 DNEP 可确保目标 ADN 的可靠运行，以实现其可调度性，同时最大限度地减少电网损耗。分配的 ESS 可补偿由随机负载和发电引起的随机功率流，使 ADN 能够遵循电网连接点的预定义功率计划。电网约束通过使用改进的增强型宽松最优功率流 (AR-OPF) 模型建模，该模型凸化了经典的 AC-OPF，为径向网络提供了 OPF 问题的全局最优解和精确解。DNEP 问题的复杂性通过采用顺序算法来处理，其中新节点按照用户确定的优先级逐个添加。在顺序规划的每个阶段，Benders 分解算法迭代地确定投资和 ADN 运行的最优解。此外，与 ESS 和线路投资相关的选址和定型问题分别解决，以提高收敛速度。在一个真实的 55 节点瑞士 ADN 上进行模拟，该 ADN 承载着相当大的随机光伏发电。
一种新型的生物启发的元疗法用于全局优化
本文介绍了山羊优化算法（GOA），这是一种新型的生物启发的元疗法，灵感来自山羊的适应性行为。从他们的觅食策略，运动模式和逃避寄生虫的能力中汲取灵感，果阿旨在有效地平衡探索和剥削。该算法结合了三种关键机制：用于全球搜索的自适应觅食策略，一种用于精炼解决方案的运动方法以及一种跳跃机制来逃避本地Optima。此外，解决方案过滤过程通过维持人群中的多样性来增强鲁棒性。果阿的性能是针对良好的元启发术评估的，包括颗粒群优化（PSO），灰狼优化器（GWO），遗传算法（GA），鲸鱼优化算法（WOA）和人造Bee Colony（ABC）。比较结果证明了果阿的出色收敛速度，增强的全球搜索效率以及提高的解决方案精度。这些改进的统计意义将通过Wilcoxon Rank-sum检验验证。尽管有效，果阿仍面临一些挑战，包括计算复杂性和对参数设置的敏感性，这为进一步的优化留出了空间。未来的研究将探讨自适应参数调整，与其他元启发式学的杂交以及供应链管理，生物信息学和能量优化的现实应用。调查结果表明，果阿在生物启发的优化技术方面提供了有希望的进步。
通过部分监督的强化学习
抽象的深入强化学习表明，在视频游戏，机器人控制，官方驾驶和药物发现等不同领域的跨不同领域取得了巨大的成就。部分可观察的域中的常见方法在很大程度上倾向于从高维观测（例如图像）中端到端学习，而没有明确推理真实状态。我们提出了一个替代方向，引入了部分规定的加固学习（PSRL）框架。PSRL的核心是受监督和无监督学习的融合。该方法利用州估计器从高维观测中提取监督的语义状态信息，这些观察通常在培训时完全可用。这产生了更容易解释的政策，这些政策由控制构成状态预测。并行，捕获了一个无透视的潜在表示。这两个 - 语义状态和潜在状态 - 然后融合并用作策略网络的输入。这种并置为从业者提供了灵活而动态的范围：从强调监督的状态信息到整合富裕的潜在见解。广泛的实验结果表明，通过合并这些双重表示，PSRL提供了有效的平衡，增强了模型，可以在保存的同时使用，并且通常明显胜过表现，这是通过奖励和收敛速度以传统方法设定的性能基准。
高度适应性拉索：在现实模型中提供有效的非参数推断的机器学习
使用现实世界数据了解治疗对健康相关结果的影响需要定义因果参数并施加相关识别假设，以将其转化为统计估计。半参数方法，例如目标最大似然估计器（TMLE），以构建这些参数的渐近线性估计器。要进一步建立这些估计量的渐近效率，必须满足两个条件：1）数据可能性的相关组成部分必须属于Donsker类，而2）2）滋扰参数的估计值在其真实值的速度上以比N -1 /4更快的速度收敛。高度适应性的拉索（HAL）通过在具有有界分段变化标准的Càdlàg函数中充当经验风险最小化来满足这些标准，已知是Donsker。hal达到了所需的收敛速度，从而保证了估计量的渐近效率。HAL最小化其风险的功能类别具有足够的灵活性，可以捕获现实的功能，同时保持建立效率的条件。此外，HAL可以对非方向可区分参数（例如条件平均治疗效果（CATE）和因果剂量响应曲线，对精确健康很重要。尽管在机器学习文献中经常考虑这些参数，但这些应用通常缺乏适当的统计推断。HAL通过提供可靠的统计不确定性量化来解决这一差距，这对于健康研究中的知情决策至关重要。
对汽车制造优化的进步
本文解决了对汽车制造中创新优化解决方案的需求。通过高级算法，我们回顾了现有的方法，并引入了针对该领域量身定制的新型方法。我们的文献评论确定了当前方法论中的差距和局限性。我们在汽车制造中定义了一个特定的优化问题，强调了其独特的挑战。我们的主要贡献包括：（a）探索杂化优化算法，将遗传算法与模拟退火相结合，以提高收敛速度15％，（b）整合机器学习技术的整合，导致20％的优化级别的优化误差，与静态效率相比，（c）将多个目标改进，（c）提高了25％的效率，并实现了25％的效率，以实现25％的效率，以实现25％的效率，并实现25％的效率，并提高了（c），（（c），（c）促进了25％的效率，并促进了（c），并实现了25％的优化效率（（c），（c），（（c），（c），（c）实现了25％的优化效率，并且可以促进优化的误差（c）。提出动态优化算法，在快速环境变化期间将决策潜伏期减少30％。案例研究表明了实用性，并取得了定量结果，突出了我们方法比传统方法的优越性。此外，使用Python进行了数据分析，这有助于我们发现的鲁棒性和准确性。
非线性优化的量子计算算法...
现实世界优化问题的日益复杂凸显了这项研究的重要性，因为经典算法无法在这些情况下提供有效的答案。由于非线性优化问题在许多领域普遍存在，因此需要创新方法来快速且可扩展地解决这些问题。由于量子计算具有叠加原理和内在并行性，因此它在加速优化过程和克服经典限制方面具有巨大的潜力。然而，将量子算法 (I-QA) 集成到现实世界的应用中并不总是一帆风顺的。在保持量子相干性、纠正错误和在硬件限制内工作方面存在重大挑战。为了能够通过量子并行性同时探索解空间，本研究提出了混合量子梯度-经典方法 (HQG-CA)，该方法利用参数化量子电路来表示可能的解。此外，通过将量子梯度信息应用于量子态空间中的直接优化来提高收敛速度。金融投资组合的优化、机器学习模型参数的调整以及物流路线的优化是 HQG-CA 在许多行业中的一些应用。本摘要探讨了这些应用，突出了 HQG-CA 在解决现实世界中的优化问题方面的革命性潜力。通过全面的模拟实验评估了 HQG-CA 的有效性。基于广泛的测试和与传统替代方案的比较，讨论了算法加速、解决方案准确性和可扩展性等性能指标。本研究对 HQG-CA 解决非线性优化问题的潜力进行了全面评估。
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。