XiaoMi-AI文件搜索系统
World File Search System椭圆体
椭圆体的 Minkowski 和与协方差矩阵的均值
摘要。两个椭球集的闵可夫斯基和与差一般不是椭球形的。然而，在许多应用中，需要计算在某种意义上近似闵可夫斯基运算的椭球集。在本研究中，考虑了一种基于所谓椭球微积分的方法，该方法提供了参数化的外部和内部椭球族，可以紧密近似于闵可夫斯基椭球的和与差。近似沿方向 l 是紧密的，因为椭球在 l 上的支撑函数等于和与差在 l 上的支撑函数。然后可以根据相应椭球的体积或迹的最小（或最大）测量值来选择基于外部（或内部）支撑函数的近似。建立了利用欧几里得几何或黎曼几何对两个正定矩阵的闵可夫斯基和与差的基于体积的近似及其均值之间的联系，这也与它们的 Bures-Wasserstein 均值有关。
在单元量子比特通道上
获得了局部酉变换下酉量子比特信道的标准形式。具体而言，证明了酉量子信道的 Choi 矩阵的特征值形成标准形式的一组完整的不变量。由此立即可知，每个酉量子比特信道都是四个酉信道的平均值。更一般地，只要 2(p 1 , . . . , pm ) 由信道 Choi 矩阵的特征值向量优化，酉量子比特信道就可以表示为具有凸系数 p 1 , . . . , pm 的酉信道的凸组合。标准形式的酉量子比特信道会将 Bloch 球面变换到椭圆体上。我们研究了将 Bloch 球面发送到相应椭圆体的自然线性映射的详细结构。
雌雄主导和从属慈鲷鱼的执行功能和大脑形态
图 2 大脑形态。（a）为计算大脑区域体积而准备的椭圆体大脑图像：T，端脑；OT：视顶盖；Cb：小脑；Hy，下丘脑；Bs，脑干；W，宽度；H，高度；L，长度。（b）对数转换和标准化身体尺寸 (SL) 的对数转换大脑测量值的回归线和 95% 置信区间 (N = 43)。（c）从统计模型中提取的估计值和 95% 置信区间，作为社会地位和性别的函数，并根据身体尺寸 (SL) 进行校正。*p < .05。
光纤传感 - AMA 科学
FiSens 是一家年轻的公司，由弗劳恩霍夫海因里希-赫兹研究所的一个团队于 2018 年创立。十多年来，该团队一直专注于开发逐点 (PbP) 飞秒激光工艺，用于在光纤内刻印 FBG 和其他光栅结构。利用这种专有工艺，FiSens 还在光纤芯内创建了精确周期性的椭圆体纳米结构。通过这种专利设备 [8]，FiSens 可以将普通光谱仪通常需要的所有光学成像组件（狭缝、透镜或镜子、衍射光栅、透镜）直接编码到光纤芯中（图 5）。由此产生的光谱仪只需要第二个组件：一个探测器（例如 CMOS），放置在光纤旁边的侧焦平面上，以捕获所有高强度的耦合和衍射光。
基于数字孪生的起重机混合现实界面
在此应用环境中，工作首先确定硬件和软件设置，然后实现和评估原型 - 一个由可视化、交互、通信和注册模块组成的 MR 应用程序。这些模块使应用程序能够充当起重机数字孪生平台（通过起重机 GraphQL 服务器）和用户（通过 HoloLens 界面）之间双向信息交换的桥梁。在一个方向上，起重机数据被处理并显示在用户视图前的虚拟仪表板中以供监控；在另一个方向上，用户可以通过固定或可移动目标控制方法与全息图交互来导航起重机，通过空间跟踪和注册确保了极大的灵活性和移动性。然后对原型进行定量评估，以评估两种控制方法的准确性，测试数据通过误差椭圆体很好地可视化，这表明固定目标控制方法优于可移动方法，方差更低。在工作结束时，提出并阐述了进一步开发 MR 应用程序的六个具体研究主题。
水深测量、地形和海岸线的整合以及...
水深、地形和海岸线的整合对许多沿海应用有益。这种地理空间整合始于将所有数据集转换为通用垂直基准面后，将水深和地形数据混合到数字高程模型 (DEM)。垂直基准面转换工具 VDatum 已经开发出来，允许在 27 种不同的正高、3-D/椭圆体和潮汐基准面之间进行转换。VDatum 中潮汐基准面的地理分布是使用经过校准的水动力潮汐模型生成的。初步示范项目在坦帕湾地区开展，其中将 NOAA（美国国家海洋和大气管理局）的水深数据与 USGS（美国地质调查局）的地形数据进行混合。其中一个目标是解决 NOAA 的航海图和 USGS 的地图产品之间的不一致问题，尤其是在海岸线方面。演示了一种从覆盖潮间带的高分辨率激光雷达高程数据（将这些数据转换为 MHW 基准面，其中零轮廓为 MHW 海岸线）确定一致定义的平均高水位 (MHW) 海岸线的方法。VDatum 还将在以下方面发挥关键作用：(1) 实施无缝高分辨率国家水深测量数据库，该数据库将支持 ENC（电子航海图）的制作和沿海区管理人员基于 GIS 的活动；(2
用于发现神经数据中非欧几里得潜在结构的流形 GPLVM
神经科学中的一个常见问题是阐明行为上重要的变量（例如头部方向、空间位置、即将发生的动作或心理空间变换）的集体神经表征。通常，这些潜在变量是实验者无法直接访问的内部构造。在这里，我们提出了一种新的概率潜在变量模型，以无监督的方式同时识别潜在状态和每个神经元对其表征的贡献方式。与以前假设欧几里得潜在空间的模型相比，我们接受这样一个事实，即潜在状态通常属于对称流形，例如球面、环面或各种维度的旋转群。因此，我们提出了流形高斯过程潜在变量模型 (mGPLVM)，其中神经响应来自 (i) 存在于特定流形上的共享潜在变量，以及 (ii) 一组非参数调整曲线，确定每个神经元如何对表征做出贡献。可以使用具有不同拓扑结构的模型的交叉验证比较来区分候选流形，而变分推理可以量化不确定性。我们在几个合成数据集以及果蝇椭圆体的钙记录和小鼠前背丘脑核的细胞外记录上证明了该方法的有效性。众所周知，这些电路都编码头部方向，而 mGPLVM 正确地恢复了代表单个角度变量的神经群体所期望的环形拓扑。
高能粒子雷达回波的观测...
简介：超高能（UHE；≳ 10 16 eV）天体物理中微子具有巨大的发现潜力。它们将探测超高能宇宙射线的加速器，超高能宇宙射线的探测能量最高可达 ∼ 10 20 eV。与在宇宙微波背景上向下散射并在磁场中偏转的宇宙射线不同，探测到的中微子将指向其来源。超高能中微子-核子相互作用探测对撞机能量尺度以上的质心能量，从而可以进行灵敏的新物理测试。为了充分利用超高能中微子的科学潜力，我们最终需要一个具有足够曝光度的天文台，即使在悲观的通量情景下也能收集高统计数据。当超高能中微子在物质中相互作用时，它们会产生相对论性粒子级联，以及由于相对论性粒子能量损失而产生的非相对论性电子和原子核尾迹。冰中的时间积分级联轮廓是一个长度约 10 米、半径约 0.1 米的椭圆体。几乎所有的主要相互作用能量都用于介质的电离。来自单个级联电子和正电子的非相干光学切伦科夫辐射可以在 TeV–PeV 探测器（如 IceCube [1]）和类似实验 [2–4] 中探测到。然而，由于中微子谱急剧下降，拟议的后继者 IceCube-Gen2 [5] 的光学探测率太小，不足以成为合适的超高能天文台。已经提出并实施了几种更有效的技术来探测来自超高能中微子的级联。首先，级联中净电荷不对称产生的相干射频辐射（阿斯卡里安效应 [6]）已在实验室中观测到 [7]，并且是过去 [8]、现在 [9–11] 和拟议 [12, 13] 实验的焦点。由于冰中无线电的透明性 [16–20]，无线电方法（详见参考文献 [14, 15]）可以比光学探测器更稀疏地测量大体积 [16–20]，从而使得大型探测器的建造更具成本效益。其次，τ 中微子与地球相互作用，可以产生 τ 轻子（携带大部分原始 ν τ 能量），该轻子离开地球并在空气中衰变，产生 cas-