XiaoMi-AI文件搜索系统
World File Search System特征向量
随机子空间集成学习在功能性近红外光谱脑机接口中的应用
探索了随机子空间集成学习方法在提高基于功能性近红外光谱的脑机接口 (fNIRS-BCIs) 性能方面的可行性。利用 fNIRS 发色团浓度变化的时间特征（如均值、斜率和方差）构建特征向量，以实现 fNIRS-BCIs 系统。采用 fNIRS-BCIs 中最受欢迎的特征均值和斜率。分别采用线性支持向量机和线性判别分析作为单个强学习器和多个弱学习器。使用每个通道和可用时间窗口内的所有特征来训练强学习器，并随机选择特征子集来训练多个弱学习器。确定随机子空间集成学习有利于提高 fNIRS-BCIs 的性能。
基于多域特征和随机子空间集成的脑电信号分类
摘要 摘要 摘要：摘要：针对BCI系统中预处理特征提取和分类识别问题，提出一种基于多域特征随机子空间集成学习的运动想象脑电信号分类方法。在分析运动想象（MI）信号的ERD/ERS特征的基础上，提取效果最佳的时间和频段的多域特征作为特征向量，并自适应地选择带有交叉验证的随机子空间集成尺度，利用线性判别分析（LDA）分类器集成实现脑电信号分类。测试结果表明，多域特征和随机子空间集成的准确率可达90.71%，Kappa系数为0.63，优于比赛中第一名的算法，证明了该算法的有效性和先进性。
伊拉克计算机科学和数学杂志
驾驶行为是日常生活中的重要部分，随着时间的推移，道路上的车辆数量稳步增加。技术进步的出现催生了多种检测驾驶员状态的方法。疲劳、精神紧张、睡眠不足、单调乏味或饮酒等各种因素都可能导致困倦状态。检测眼球运动（闭眼/睁眼）的方法利用一种基于行为的方法，即深度学习。该技术涉及使用描述符来分析眼部图像并提取驾驶车辆内不同个体的组织特征 [1]。从描述人工智能 (AI) 驱动汽车运行的影片中收集眼部特征，然后在准备过程中用于识别显着的相似之处 [2]。从眼部图像中提取显着特征的过程包括将图像分割成更小的部分，然后通过利用深度学习技术将它们排列成统一的特征向量 [3-6]。
电气科学学院（电子与通信工程）基础科学学院（数学）Q-Exam主题＆...
教学大纲：矢量空间，场，子空间，碱基和维度；线性方程，矩阵，等级，高斯消除系统；线性变换，矩阵，rank-nullity定理，二元性和转置的线性变换表示；决定因素，拉普拉斯膨胀，辅助因子，伴随，cramer的规则；特征值和特征向量，特征多项式，最小多项式，Cayley-Hamilton定理，三角剖分，对角线化，有理规范形式，约旦规范形式；内部产物空间，革兰氏阴性正统计，正交投影，线性功能和伴随，遗传学，自我伴随，单一和正常运算符，正常运算符的光谱定理；瑞利商，最小最大原则。双线性形式，对称和偏斜的双线性形式，实际二次形式，西尔维斯特的惯性定律，正定性。
图形小波包用于焦虑和抑郁的脑数据分类
摘要 —最近的研究一直专注于图形信号处理 (GSP)，以结合不同的神经成像模式，从而实现结构和功能性大脑数据的整合。为了描述信号如何与大脑网络相互作用，通过在结构图拉普拉斯特征值上设计光谱滤波器，将傅里叶变换和小波变换扩展到图形设置。在这里，我们基于波士顿青少年抑郁和焦虑神经成像 (BANDA) 数据集，介绍了使用扩散 MRI 和 fMRI 数据在神经成像中利用图形小波包的好处。我们考虑特征向量之间的距离来提取与结构图的光谱域相关的特征。与传统的 GSP 方法相比，我们提出的框架在分类方案中表现出更高的准确性。索引词 —焦虑、抑郁、功能性 MRI、图形信号处理、结构连接、图形小波包
量子相估计算法的一些错误分析
许多量子算法中的关键元素[21，40]。具体示例包括Shor的算法[46]，幅度估计[11]，量子大都市采样[49]，状态预先促进[44]，大规模线性方程式[25]的解决方案[25]和一些非线性问题[48]。此外，它还在量子化学中直接应用[3,5,6,9,32,43,50,52]。该算法已包含在各种软件包中[6，14，53，54]。通常使用其特征向量|为单位运算符u进行相位估计算法| ψ⟩作为输入。通过将Hadamard Gates与受控门一起应用，算法将相变的二进制位映射到计算基础上，然后可以使用倒数量子傅立叶变换来提取该列表[40]。在[40]中概述了一个有见地的复杂性分析，该分析为所需量子位的数量提供了下限，t⩾N + log 2 + 1
基于显著性的脑电情绪估计特征融合模型
摘要 — 在评估情绪的不同方式中，代表大脑电活动的脑电图 (EEG) 在过去十年中取得了令人鼓舞的成果。EEG 的情绪估计有助于某些疾病的诊断或康复。在本文中，我们提出了一个双重模型，考虑了 EEG 特征图的两种不同表示：1) 基于顺序的 EEG 频带功率表示，2) 基于图像的特征向量表示。我们还提出了一种创新方法，根据基于图像的模型的显着性分析来组合信息，以促进两个模型部分的联合学习。该模型已在四个公开可用的数据集上进行了评估：SEED-IV、SEED、DEAP 和 MPED。对于三个提出的数据集，所取得的结果优于最先进方法的结果，标准差较低，反映了更高的稳定性。为了可重复性，本文提出的代码和模型可在 https://github.com/VDelv/Emotion-EEG 获得。
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
SFS-A68：公寓空间功能分割数据集
摘要。分析建筑模型的可用面积、建筑安全性或能源分析需要空间和相关对象的功能分类数据。自动化空间功能分类有助于减少输入模型准备工作量和错误。现有的空间功能分类器使用空间特征向量或空间连通性图作为输入。深度学习 (DL) 图像分割方法在空间功能分类中的应用尚未被研究。作为解决这一差距的第一步，我们提出了一个数据集 SFS-A68，它由 68 个公寓楼空间布局的数字 3D 模型生成的输入和地面真实图像组成。该数据集适用于开发用于空间功能分割的 DL 模型。我们使用该数据集训练和评估基于迁移学习和从头开始训练的实验空间功能分割网络。测试结果证实了 DL 图像分割对空间功能分类的适用性。