XiaoMi-AI文件搜索系统
World File Search System游走
H:/Latex/Sonobouy ACEKF_UDRC_conference_paper_2012/Sonobouy ACEKF_UDRC_conf_2012.dvi
摘要 — 我们考虑了水下声源的 DIFAR 声纳浮标方位估计问题。基于标准反正切的方法利用不同通道的观测噪声之间的正交性来形成方位估计，并忽略了实际源信号的相关结构。在本文中，我们提出了一种新的状态空间技术，与标准反正切估计器相比，该技术利用源信号中的相关结构来实现增强的性能，特别是在低信噪比 (SNR) 条件下。使用一些实际信号类别的模拟支持了该分析。索引术语 — 方位估计、DIFAR 声纳浮标、增强型复卡尔曼滤波器、随机游走建模、复圆度、宽线性估计
![arXiv:2204.04024v1 [cond-mat.stat-mech] 2022 年 4 月 8 日](/simg/g:\will\search\icon\source\3\3465770f76cbaee30ab99249168e851a5db89e1a.webp)
arXiv:2204.04024v1 [cond-mat.stat-mech] 2022 年 4 月 8 日
我们提供了低自相关二进制序列问题能量景观结构的最新视图，该问题属于 NP 难类的典型代表。为了研究感兴趣的景观特征，我们使用局部最优网络方法，通过穷举提取问题规模最大为 24 的最优图。使用几个指标来描述网络：最优的数量和类型、最优盆地结构、度和强度分布、通向全局最优的最短路径以及基于随机游走的最优中心性。总之，这些指标为低自相关二进制序列问题的难度提供了定量且连贯的解释，并提供了可用于优化启发式方法的信息，用于解决此问题以及具有类似配置空间结构的许多其他问题。
罗宾斯空军基地的鳄鱼
鳄鱼倾向于在水边的植被中游荡，而且它们非常善于伪装，所以如果你知道湖中有鳄鱼，一定要格外小心。如果你看到鳄鱼，保持的安全距离至少是 60 英尺。始终监视儿童，并用皮带牵着你的狗远离鳄鱼周围的水。 虽然鳄鱼看起来很慢，但这些动物非常强大，可以在短距离内移动得非常快。永远不要让鳄鱼在陆地或水中感到受到威胁。 喂食后，鳄鱼会习惯人类并将他们与食物联系起来。大多数鳄鱼袭击都是这种习惯的结果。喂食鳄鱼会改变它们的行为。通常情况下，如果周围有人，它们会倾向于游走，但喂食过的鳄鱼有时会游向寻找食物的人类。 请不要喂食鳄鱼！！
d2 维重尾随机环境中的非定向聚合物
d P ( S ) := 1 ZN,ce − c |RN |。该模型已得到充分研究（从开创性的工作 [ 21 ] 开始），现在已得到充分理解：在高 PN,c 概率下，RN 接近于具有明确半径 ρ d,c N 1 / ( d +2) 的无洞 ad 维球（参见 [ 11 , 4 , 20 ]）。当 ω 非平凡时，模型 ( 1.1 ) 描述了自吸引（若 h > 0 ）或自排斥（若 h < 0 ）聚合物与随机环境相互作用。在每个位点，聚合物链与无序状态相互作用恰好一次，这可能模拟一种屏蔽相互作用，即一个单体在特定位点“吸收”所有相互作用。我们选择坚持这种设置，以便继续 [ 5 , 25 ] 中发起的研究，该研究将该模型视为受其范围惩罚的随机游走的无序版本。
人类决策的量子动力学
提出了一种决策的量子动态模型，并将其与先前建立的马尔可夫模型进行了比较。量子模型和马尔可夫模型都被表述为随机游走决策过程，但这两种方法的概率原理不同。量子动力学描述了复值概率幅度随时间的演变，而马尔可夫模型描述了实值概率随时间的演变。量子动力学会产生干扰效应，而马尔可夫模型则不会产生这种效应。当两条可能路径的并集概率小于每条单独路径的概率时，就会发生干扰效应。推导出量子模型的选择概率和选择响应时间分布，并将预测与马尔可夫模型进行了对比。r 2006 Elsevier Inc. 保留所有权利。
当 Transformer 遇见有向图
Transformer 最初是作为文本的序列到序列模型提出的，但如今已成为图像、音频、视频和无向图等多种模态的重要工具。然而，尽管 Transformer 可应用于源代码和逻辑电路等无处不在的领域，但用于有向图的 Transformer 却是一个令人惊讶的未被充分探索的课题。在这项工作中，我们提出了两种用于有向图的方向感知和结构感知的位置编码：（1）磁拉普拉斯算子的特征向量——组合拉普拉斯算子的方向感知泛化；（2）方向随机游走编码。从经验上讲，我们表明额外的方向性信息在各种下游任务中都很有用，包括排序网络的正确性测试和源代码理解。结合以数据流为中心的图构造，我们的模型在 Open Graph Benchmark Code2 上的表现比之前的最佳模型高出 14.7%。3
万能药.pdf
描述根据基因组改变为每位患者确定最合适的药物疗法是个性化肿瘤学面临的主要挑战。'PANACEA' 是利用网络方法的个性化抗癌药物优先级排序方法的集合。这些方法利用来自 'driveR' 的个性化“驱动力”分数对药物进行排名，并将其映射到蛋白质-蛋白质相互作用网络上。'基于距离'的方法根据这些分数以及药物与基因之间的距离对每种药物进行评分，以对给定药物进行排名。'RWR' 方法通过带重启框架的随机游走传播这些分数来对药物进行排名。这些方法在 Ulgen E、Ozisik O、Sezerman OU 中有详细描述。2023. PANACEA：基于网络的个性化肿瘤学药物治疗优先级排序方法。生物信息学 < doi:10.1093/bioinformatics/btad022 >。
WRAP-评估策略-空间分配-疫苗风险...
当为大量人群接种疫苗以应对入侵的病原体时，通常需要优先考虑某些个体。其中一种方法是根据个体的位置选择要接种疫苗的个体。这种优先排序的方法包括针对最有可能输入病原体的地区的策略，以及针对旅行网络中中心性较高的地区的策略。我们使用一个简单的传染病流行模型将风险定位策略与两种不同的中心性定位策略进行比较，这两种策略分别基于中介中心性和随机游走渗透中心性。我们发现，这些策略在减少总感染人数方面的相对有效性因病原体的基本繁殖数、旅行率、旅行网络结构和疫苗可用性而异。我们得出结论，当病原体具有很高的传播能力，或者疫苗可用性有限时，应考虑使用中心性定位策略来替代更常用的风险定位策略。