XiaoMi-AI文件搜索系统
World File Search System特征向量
基于一维卷积神经网络和长短期记忆估计视觉意图的智能眼控电动轮椅
摘要：当使用凝视运动操作电动轮椅时，检查环境和观察物体等眼球运动也会被错误地识别为输入操作。这种现象被称为“点石成金问题”，对视觉意图进行分类非常重要。在本文中，我们开发了一种实时估计用户视觉意图的深度学习模型，以及一种结合意图估计和凝视停留时间方法的电动轮椅控制系统。所提出的模型由 1DCNN-LSTM 组成，它从 10 个变量的特征向量估计视觉意图，例如眼球运动、头部运动和到注视点的距离。对四种视觉意图进行分类的评估实验表明，与其他模型相比，所提出的模型具有最高的准确性。此外，实施所提出模型的电动轮椅的驾驶实验结果表明，与传统方法相比，用户操作轮椅的努力减少了，轮椅的可操作性得到了提高。从这些结果中，我们得出结论，通过从眼球和头部运动数据中学习时间序列模式可以更准确地估计视觉意图。
补充材料：量子线中的拓扑超导性，由螺旋镁介导
与费米尼类似物相比，当对角二二骨汉密顿人的对角线形式[3]时，会出现其他复杂性，这是由于必须小心保留玻色子通勤关系的事实而引起的。这特别意味着不能通过标准的统一转换对对角线进行对角线，而是通过满足t -1 p =ττz t†pτz的统一矩阵，而τz则是Nambu空间中的第三个Pauli矩阵。在参考文献中详细描述了对角度化此类汉密尔顿人的一般程序。[3]。简而言之，该过程如下：（1）在h sp = k†p k p的形式上写入Hamiltonian H SP，其中k p是遗传学上的上对角线矩阵。从数值上讲，可以通过cholesky的分解来实现此步骤。（2）通过某种标准数值方法对角线化Hermitian矩阵kPτz k†p。（3）在矢量e p =（ϵ lp，ϵ l -1，p，。。。，ϵ1 p，−ϵ1 p， - ϵ2 p，。。。， - ϵ lp），并将相应的2 L特征向量w ip存储为矩阵w p的列。（4）构造对角线矩阵D P = P
背景减法的有效的基于子蛋白像素的方法
摘要 - 如何在背景估计中实现竞争精度和更少的计算时间仍然是一项棘手的任务。在本文中，基于子苏皮纸模型提出了一种有效的视频序列背景减法方法。在我们的算法中，使用简单的线性迭代聚类方法构造了第一个帧的超级像素。将框架从颜色格式转换为灰色级别后，将初始超像素分为k较小的单元，即子串联像素，通过k均值聚类算法。然后，通过将每个亚固体像素表示为多维特征向量来初始化背景模型。对于随后的帧，子安排像素表示和加权度量检测到移动对象。为了处理幽灵伪像，根据每个集群中心表示的像素数量，设计了一个背景模型更新策略。由于每个超像素是通过子蛋白像素表示形式固定的，因此所提出的方法更有效，并实现了背景扣除的竞争性。实验结果证明了该方法的有效性。
B. Tech。土木工程计划
线性代数基础知识：向量空间和子空间，基础和维度，血统转换，四个基本子空间。矩阵理论：规范和空间，特征值和特征向量，特殊矩阵及其特性，最小平方和最小规范的解决方案。矩阵分解算法-SVD：属性和应用，低等级近似值，革兰氏施密特过程，极性分解。尺寸还原算法和JCF：主成分分析，血统判别分析，最小多项式和约旦的规范形式。微积分：微积分的基本概念：部分导数，梯度，定向衍生物Jacobian，Hessian，凸集，凸功能及其属性。优化：无约束和受约束的优化，受约束和不受约束优化的数值优化技术：牛顿的方法，最陡的下降方法，惩罚函数方法。概率：概率的基本概念：条件概率，贝叶斯定理独立性，总概率，期望和方差定理，几乎没有离散和连续分布，联合分布和协方差。支持向量机：SVM简介，错误最大程度地减少LPP，双重性和软边距分类器的概念。参考书：
食管癌中药物治疗和耐药性的机制
最近的研究表明，大脑功能连通性障碍是在阿尔茨海默氏病（AD）以及轻度认知障碍（MCI）的情况下发生的早期事件。我们将大脑作为基于图的网络建模，以研究这些障碍。在本文中，我们使用基于图理论的功能磁共振（FMR）图像的特征提出了一种新的诊断方法，以使用不同的分类技术来区分AD，MCI和健康对照（HC）受试者。这些技术包括线性支持向量机（LSVM）和正规化的极限学习机（RERM）。我们使用成对的Pearson基于相关的功能连接来构建大脑网络。我们使用阿尔茨海默氏病神经影像计划（ADNI）数据集比较了大脑网络的分类性能。node2Vec图嵌入方法用于将图形特征转换为特征向量。实验结果表明，与其他分类技术相比，具有LASSO特征选择方法的SVM具有更好的分类精度。
基于局部均值分解和 Fisher 规则的多尺度模糊熵用于人体运动分析中的脑电特征提取
脑电信号（EEG）是由大量神经元产生的非线性、非平稳、随机的微弱信号，在人工智能、生物医学工程等领域具有重要的研究价值和实际意义，而脑电特征提取是直接影响处理结果的重要步骤，目前常用的脑电特征提取方法有频域或时域分析、时频结合等方法。由于脑电信号的非线性，上述方法都存在一定的局限性。因此，该文提出一种基于局部均值分解和Fisher规则的多尺度模糊熵用于人体运动分析中的脑电特征提取。首先将脑电信号自适应地分解为一系列乘积函数（PF）分量，然后选取有效的PF分量并计算多尺度模糊熵，利用多尺度模糊熵进行特征提取。利用Fisher规则对模糊熵在不同尺度上的特征分类能力进行排序，选取排序最高的多尺度模糊熵构成最优特征向量，实现特征降维。实验结果表明，该方法能有效提取脑电信号特征，验证了新方法的有效性和可行性。
基于最大值的EEG电动机构成BCI系统...
通讯 * Samaa S. Abdulwahab电气工程系，伊拉克巴格达大学。电子邮件：316393@student.uotechnology.edu.iq摘要人类大脑与环境通信的能力通过使用基于脑部计算机界面（BCI）的机制已成为现实。脑电图（EEG）已成为一种非侵入性的大脑连接方式。传统上，这些设备用于临床环境中来检测各种脑部疾病。但是，随着技术的进步，Emotiv和Neurosky等公司正在开发低成本，易于便携的基于EEG的消费级设备，这些设备可用于游戏，教育等各种应用领域。本文讨论了已应用脑电图的部分，以及它如何证明对患有严重运动障碍，康复的人以及与外界进行交流的一种形式有益。本文研究了SVM，K-NN和决策树算法对EEG信号进行分类的使用。为了最小化数据的复杂性，最大重叠离散小波变换（MODWT）用于提取EEG特征。使用滑动窗口技术计算每个窗口样本中的平均值。向量机（SVM），K-Nearest邻居，并优化决策树加载特征向量。关键字：EEG，BCI，运动图像，MODWT，SVM，K-NN，决策树，Emotiv Epoc+
参数将量子振荡器驱动到异常
物理理论中使用的数学对象并不总是很好。爱因斯坦的时空理论允许时空的奇异性和范霍夫奇异性在凝聚的物理学中出现，而强度，相位和极化奇异性则遍布波浪物理学。在受矩阵控制的耗散系统中，奇异点出现在参数空间的特殊点上，因此某些特征值和特征向量同时合并。但是，在开放量子系统方法中描述的量子系统中产生的特殊点的性质的研究少得多。在这里，我们考虑了参数驱动的量子振荡器，并遭受损失。这个挤压系统在描述其第一矩和第二矩的动力学方程中表现出一个特殊的点，这是两个具有独特物理后果的阶段之间的边境。尤其是我们讨论种群，相关性，挤压二次和光谱如何取决于高于或低于特殊点的光谱。我们还评论临界点上存在耗散相变的存在，这与liouvillian间隙的闭合有关。我们的结果邀请了在两光子驱动器下对量子谐振器的实验探测，并且可能更广泛地重新评估了耗散量子系统内的特殊和关键点。
基于SSVEP的BCIS
摘要 - 稳定的视觉诱发电位（SSVEP）基于脑部计算机界面（BCIS），由于其快速通信速率和高信噪比，近年来已经大量研究了基本的研究。传输学习通常用于通过来自源域的辅助数据来提高基于SSVEP的BCI的性能。这项研究提出了一种通过转移模板和转移的空间过滤器来增强SSVEP识别性能的间接转移学习方法。在我们的方法中，通过多个协方差最大化训练空间过滤器，以提取与SSVEP相关的信息。培训试验，单个模板和人工构造的参考之间的关系涉及培训过程。将空间过滤器应用于上述模板以形成两个新的传输模板，并通过最小平方的回归获得了传输的空间滤波器。可以根据源主题和目标受试者之间的距离来计算不同源主题的贡献得分。最后，为SSVEP检测构建了四维特征向量。为了证明所提出的方法的有效性，采用了公开可用的数据集和一个自收集的数据集进行绩效评估。广泛的实验结果验证了提出的改善SSVEP检测方法的可行性。
信息论和变分推断的平方和松弛
我们考虑香农相对熵的扩展，称为 f -散度。三个经典的相关计算问题通常与这些散度有关：(a) 根据矩进行估计，(b) 计算正则化积分，和 (c) 概率模型中的变分推断。这些问题通过凸对偶相互关联，并且对于所有这些问题，在整个数据科学中都有许多应用，我们的目标是计算上可处理的近似算法，这些算法可以保留原始问题的属性，例如潜在凸性或单调性。为了实现这一点，我们推导出一系列凸松弛，用于从与给定特征向量相关的非中心协方差矩阵计算这些散度：从通常不易处理的最佳下限开始，我们考虑基于“平方和”的额外松弛，现在它可以作为半定程序在多项式时间内计算。我们还基于来自量子信息理论的谱信息散度提供了计算效率更高的松弛。对于上述所有任务，除了提出新的松弛之外，我们还推导出易于处理的凸优化算法，并给出了多元三角多项式和布尔超立方体上的函数的说明。