XiaoMi-AI文件搜索系统
World File Search System教程
脑电图数据中的连接分析：最新技术和新兴趋势的教程回顾
摘要：了解人类大脑不同区域如何相互沟通是神经科学中的关键问题。结构、功能和有效连接的概念已被广泛用于描述人类连接组，包括大脑网络、其结构连接和功能相互作用。尽管高空间分辨率成像技术（如功能性磁共振成像 (fMRI)）被广泛用于绘制这种复杂的多重相互作用网络，但脑电图 (EEG) 记录具有高时间分辨率，因此非常适合描述神经激活和连接的空间分布和时间动态模式。在这项工作中，我们提供了技术说明和最常用的数据驱动方法的分类，以评估大脑功能连接，旨在研究记录的 EEG 信号之间的统计依赖关系。在时间、频率和信息论领域，我们以利弊分析的方式讨论了不同的成对和多变量以及有向和无向连接指标。通过建立这三个框架中的指标之间的概念和数学关系以及讨论新方法，读者可以深入研究复杂网络中功能连接推断的问题。此外，本文还讨论了描述扩展连接形式（例如高阶交互）的新兴趋势，以及探索由所提出的指标提供的连接网络拓扑属性的图论工具。本文回顾了对 EEG 数据的应用。此外，本文还认识并讨论了源定位的重要性以及信号采集和预处理技术（例如滤波、源定位和伪影抑制）对连接估计的影响。通过阅读本综述，读者可以深入了解研究大脑功能连接和学习的整个 EEG 预处理和分析过程，从而利用新方法和新途径来解决复杂网络中连接推断的问题。
空间结构的主动阻尼、隔振和形状控制：教程
摘要：本教程回顾了作者在过去 35 年中对精密空间结构主动控制的贡献。它基于 2022 年 9 月在巴黎举行的 IAC-2022 宇航大会上的 Santini 演讲。第一部分致力于空间桁架的主动阻尼，重点是稳健性。通过使用分散的同位执行器-传感器对来实现保证的稳定性。所谓的积分力反馈 (IFF) 简单、稳健且有效，并且可以使用基于模态分析的简单公式轻松预测性能。这些预测已通过大量实验证实。桁架的阻尼策略已扩展到电缆结构，并已通过实验证实。第二部分解决了隔振问题：将敏感有效载荷与航天器引起的振动隔离开来（即姿态控制反作用轮和陀螺仪的不平衡质量）。讨论了基于 Gough-Stewart 平台的六轴隔离器；再次强调，该方法强调了稳健性。提出了两种不同的解决方案：第一种（主动隔离）使用分散控制器，该控制器具有并置的执行器和力传感器对，并具有 IFF 控制。结果表明，这种特殊的天棚实现方式与传统天棚不同，即使它连接的两个子结构是柔性的（大型空间结构的典型特征），也能保证稳定性。第二种方法（被动）讨论了松弛隔离器的电磁实现方式，其中线性阻尼器的经典阻尼器被麦克斯韦单元取代，导致渐近衰减率为 -40 dB/十倍，类似于天棚（尽管在电子方面要简单得多）。讲座的第三部分总结了最近在柔性镜控制方面所做的研究：（i）由压电陶瓷（PZT）致动器阵列控制的自适应光学（AO）平面镜和（ii）由压电聚合物致动器（PVDF-TrFE）阵列控制的球形薄壳聚合物反射镜，旨在部署在太空中。
CMA进化策略：教程
多元正态分布n（m，c）具有单型号的“钟形”密度，其中钟的顶部（模态值）对应于分布均值，m。分布n（m，c）由其平均值m∈R唯一决定，其对称和正定的协方差矩阵c∈Rn×n。协方差（正定定义）矩阵具有吸引人的几何解释：可以用（超 - ）椭圆形{x∈Rn |唯一地识别它们。 X T C -1 x = 1}，如图1。椭圆形是分布相等密度的表面。椭圆形的主轴对应于C的特征向量，平方轴的长度与特征值相对应。特征成分由C = B（d）2 B t表示（请参阅Sect。0.1）。如果d =σi，其中σ∈R> 0，我表示身份矩阵，c =σ2i，椭球是各向同性的（图1，左）。如果b = i，则C = D 2是对角线矩阵，椭圆形是平行于轴平行的（中间）。在由B的列给出的坐标系中，分布n（0，c）总是不相关的。
人机混合智能调查与教程
人工智能技术的发展已经使人类的感知能力和感知能力得到极大的提升，已经渗透到我们日常生活和工业制造的各个方面，为提供智能服务做出了巨大贡献[2]。许多研究关注人工智能技术带来的突破。例如，Rashidi和Cook[3]指出人工智能算法可以使生活环境更加智能，生活质量更高。Parapugna等[4]阐述了人工智能在智能交通系统中的重要意义，如智能车路系统、高速公路事件检测、城市轨道交通走廊控制和短期交通流量预测。Yu等[5]概述了人工智能技术在医疗健康领域带来的最新进展，如自动诊断、临床实践和基础生物医学研究。然而，随着人工智能技术的快速发展和在日常生活中的应用，一些科学家开始担心人工智能发展带来的挑战，特别是人工智能与人类智能的未来关系。从技术方面来看，由于工程上的局限性和人工智能技术不透明性，人工智能的发展面临着巨大的挑战。
使用循环神经网络对人类事件相关电位进行建模的指导教程
摘要：在认知神经科学研究中，事件相关电位 (ERP) 的计算模型可以提供一种为观察到的波形开发解释性假设的方法。然而，接受过认知神经科学培训的研究人员在实施这些模型时可能会面临技术挑战。本文提供了有关开发 ERP 波形的循环神经网络 (RNN) 模型的教程，以促进计算模型在 ERP 研究中更广泛地使用。为了举例说明 RNN 模型的使用，检查了在通道 Pz 处测量的目标和非目标视觉事件引起的 P3 成分。实验事件的输入表示和相应的 ERP 标签用于在监督学习范式中优化 RNN。将一个输入表示与多个 ERP 波形标签链接起来，然后优化 RNN 以最小化均方误差损失，会导致 RNN 输出近似于总平均 ERP 波形。然后可以将 RNN 的行为评估为 ERP 生成背后的计算原理的模型。除了拟合这样的模型之外，本教程还将演示如何根据 RNN 的隐藏单元的时间响应对其进行分类，并使用主成分分析对其进行表征。统计假设检验也可以应用于这些数据。本文重点介绍建模方法以及随后使用公开数据和共享代码以操作指南的形式对模型输出进行分析。虽然对 P3 响应生成的具体解释的关注相对较少，但结果引发了一些有趣的讨论点。
典型相关分析和偏最小二乘法识别大脑行为关联：教程和比较研究
摘要典型相关分析 (CCA) 和偏最小二乘 (PLS) 是用于捕捉两种数据模态（例如大脑和行为）之间关联的强大多元方法。然而，当样本量类似于或小于数据中的变量数量时，标准 CCA 和 PLS 模型可能会过度拟合，即发现无法很好地推广到新数据的虚假关联。已经提出了 CCA 和 PLS 的降维和正则化扩展来解决此问题，但大多数使用这些方法的研究都有一些局限性。这项工作对最常见的 CCA/PLS 模型及其正则化变体进行了理论和实践介绍。我们研究了当样本量类似于或小于变量数量时标准 CCA 和 PLS 的局限性。我们讨论了降维和正则化技术如何解决这个问题，并解释了它们的主要优点和缺点。我们重点介绍了 CCA/PLS 分析框架的关键方面，包括优化模型的超参数和测试已识别的关联是否具有统计意义。我们将所描述的 CCA/PLS 模型应用于来自人类连接组计划和阿尔茨海默病神经成像计划的模拟数据和真实数据（n 均为 .500）。我们使用这些数据的低维和高维版本（即样本大小与变量之间的比率分别在 w 1 – 10 和 w 0.1 – 0.01 范围内）来展示数据维数对模型的影响。最后，我们总结了本教程的关键课程。
线性量子系统：教程 - 香港
本教程的目的是对线性量子控制系统进行简要介绍。首先介绍线性量子控制系统的数学模型，然后介绍一些基本的控制理论概念，例如稳定性、可控性和可观测性，这些概念与量子信息科学中的几个重要概念密切相关，例如无退相干子系统、量子非破坏变量和反作用规避测量。之后，介绍量子高斯态，特别是介绍信息论不确定性关系，它通常比众所周知的海森堡不确定性关系为混合高斯态提供更好的界限。介绍了量子线性系统的量子卡尔曼滤波器，它是经典（即非量子力学）线性系统的卡尔曼滤波器的量子类比。记录了量子线性系统的量子卡尔曼正则分解，并通过最近的实验说明了它的应用。由于单光子和多光子状态是量子信息技术中的有用资源，因此介绍了量子线性系统对这些类型输入的响应。最后，简单介绍了量子线性系统的相干反馈控制，并用近期实验证明了量子线性系统与网络理论的有效性。
本教程的材料发布在网站上：https：//www.neuroinference.com/course/rl4speech。随附的调查：“强化学习和
本教程的材料发布在网站上：https：//www.neuroinference.com/course/rl4speech。随附的调查：“言语和语言处理的强化学习和土匪：教程，评论和前景”（https://arxiv.org/abs/2210.13623）
使用 Matlab/Simulink 和飞行模拟器进行飞行控制联合仿真的教程和评论
摘要：在真实的三维虚拟环境中进行飞行测试越来越多地被认为是一种安全且经济高效的评估飞机模型及其控制系统的方法。本文首先回顾并比较了迄今为止最流行的个人计算机飞行模拟器，这些模拟器已成功与 MathWorks 软件对接。这种联合仿真方法可以将 Matlab 工具箱的功能优势（包括导航、控制和传感器建模）与专用飞行仿真软件的高级仿真和场景渲染功能相结合。然后可以使用此方法验证飞机模型、控制算法、飞行处理特性，或根据飞行数据执行模型识别。然而，缺乏足够详细的分步飞行联合仿真教程，而且很少有人尝试同时评估多种飞行联合仿真方法。因此，我们使用 Simulink 和三种不同的飞行模拟器（Xplane、FlightGear 和 Alphalink 的虚拟飞行测试环境 (VFTE)）演示了我们自己的分步联合仿真实现。所有这三种联合仿真都采用实时用户数据报协议 (UDP) 进行数据通信，每种方法都有各自的优势，具体取决于飞机类型。对于 Cessna-172 通用航空飞机，Simulink 与 Xplane 的联合仿真演示了成功的虚拟飞行测试，可以精确地同时跟踪高度和速度参考变化，同时在任意风况下保持侧倾稳定性，这对单螺旋桨 Cessna 来说是一个挑战。对于中等续航能力的 Rascal-110 无人机 (UAV)，Simulink 使用 MAVlink 协议与 FlightGear 和 QGroundControl 连接，从而能够在地图上精确跟踪无人机的横向路径，并且此设置用于评估基于 Matlab 的六自由度无人机模型的有效性。对于较小的 ZOHD Nano Talon 微型飞行器 (MAV)，Simulink 与专为此 MAV 设计的 VFTE 连接，并与 QGroundControl 连接，以使用软件在环 (SIL) 仿真测试先进的基于 H-infinity 观察器的自动驾驶仪，从而在有风条件下实现稳健的低空飞行。然后，最终使用控制器局域网 (CAN) 数据总线和带有模拟传感器模型的 Pixhawk-4 迷你自动驾驶仪将其扩展到 Nano Talon MAV 上的硬件在环 (HIL) 实现。