XiaoMi-AI文件搜索系统
World File Search System矩阵分析
识别和分析有效的重要性绩效矩阵
摘要本研究旨在识别和分析精益产品开发中有效指数的重要性 - 性能矩阵，重点是汽车行业工业4.0时代的循环经济。该研究的统计人口包括伊朗工业，矿山和贸易部，伊朗·科德罗工业集团（IKCO）和塞帕集团的经理和专家，此外还包括相关领域的学者。该研究采用了混合方法研究方法。在定性部分中，采用了判断性抽样来选择17名专家，并通过主题分析进行了深入的访谈以进行数据收集。在定量阶段，通过结构化问卷从384名参与者收集数据，然后进行主题分析。数据分析由两个步骤组成。最初，通过主题分析来描述尺寸和组件。随后，根据重要性 - 性能矩阵分析（IPMA）方法对每个组件的重要性和性能进行评估。结果表明汽车行业的主要优势，例如，使用高级技术和精益设计，位于矩阵的第一个象限中，需要保存并进一步增强。在第二季度，包括减少废物和供应链优化在内的因素被确定为需要有针对性的关注和战略重点。第三季度没有任何变量，表明汽车行业的适当集中在关键因素上。需要立即采取行动，在第四季度确定了诸如升级生产成本和制裁之类的挑战。关键字：精益制造，循环经济，行业4.0，重要性 - 性能矩阵
适用于卫星通信应用的双波段、正交极化 LP 至 CP 转换器
摘要 — 提出了一种双波段、正交极化线性到圆极化 (LP-to-CP) 转换器的系统设计。这类极化转换器可以在两个独立的非相邻频带中将线性极化波转换为右旋和左旋圆极化 (RHCP 和 LHCP) 波。报道的极化器由三个级联的双各向同性薄片导纳组成，由两个各向同性介电板隔开。通过阻抗边界条件研究电磁问题。设计中采用了周期性加载传输线的传输矩阵分析。建立了一个分析模型，并推导出每个薄片导纳频率响应的闭式表达式。该方法避免了使用多参数优化程序。提出了一种用于 K/Ka 波段卫星通信应用的双波段、正交极化 LP-to-CP 转换器的示例。偏振器在 K/Ka 波段的发射和接收通道上分别执行 LP 到 LHCP 和 LP 到 RHCP 的转换。该设计通过原型进行了验证。在垂直入射下，偏振器在 18-22.2 GHz（∼ 21%）和 28.7-30.4 GHz（∼ 6%）波段上的轴比 (AR) 低于 3 dB。在相同的两个波段内，总透射率高于 -1 dB。扫描角度在 ± 45 ◦ 以内时性能稳定。对于 45 ◦ 的入射角，在 17-22 GHz（∼ 25.6%）和 28.6-30 GHz（∼ 4.7%）波段上的 AR 低于 3 dB，总透射率高于 -1.2 dB。
深度学习 A - 开放研究在线
摘要：近几年，使用机器和深度学习算法的信号处理领域取得了显着增长，在脑电图 (EEG) 中具有广泛的实际应用。经皮电针刺激 (TEAS) 是传统针灸方法的一种成熟变体，也受到越来越多的研究关注。本文介绍了使用深度学习算法对 EEG 数据进行研究的结果，以研究在刺激前、刺激期间和刺激 20 分钟后立即对 66 名参与者的手部施加不同频率的 TEAS 对大脑的影响。小波包分解 (WPD) 和混合卷积神经网络长短期记忆 (CNN-LSTM) 模型用于检查这种外周刺激的中心效应。使用混淆矩阵分析分类结果，以 kappa 作为度量。与预期相反，EEG 与基线的最大差异发生在每秒 80 个脉冲 (pps) 的 TEAS 或“假”刺激 (160 pps，零幅度) 期间，而最小的差异发生在 2.5 或 10 pps 刺激期间 (平均 kappa 0.414)。CNN-LSTM 的 kappa 平均值和 CV 明显高于多层感知器神经网络 (MLP-NN) 模型。据我们所知，从已发表的文献中，似乎没有进行过人工智能 (AI) 研究来研究不同频率的电针型刺激 (无论是 EA 还是 TEAS) 对 EEG 的影响。因此，这项开创性的研究为文献做出了重大贡献。然而，与所有 (无监督) DL 方法一样，一个特别的挑战是由于算法的复杂性和对底层机制缺乏清晰的理解，结果不易解释。因此，还有进一步研究的空间，即使用 AI 方法探索 TEAS 频率对 EEG 的影响，最明显的起点是混合 CNN-LSTM 模型。这将使我们能够更好地提取信息以了解外周刺激的中枢效应。
贝叶斯长冈林开往 ...
在通信过程中估计信号时，自然需要利用对未知参数的先验知识进行贝叶斯参数估计 [1]。量子通信是一种很有前途的近期通信技术，它可以比传统协议更安全、更有效地传输信息。关于如何在给定的噪声量子信道上忠实地传输经典和/或量子信息，已经有很多研究，例如 [2]–[4]。量子贝叶斯估计是有效解码量子态中编码的经典信息的关键因素。量子贝叶斯估计在量子传感和量子计量领域也得到了极大关注 [5]–[8]。量子贝叶斯估计大约半个世纪前由 Personick [9]，[10] 发起。由于量子估计理论的最新进展，量子贝叶斯估计问题重新引起了人们的关注。针对贝叶斯风险，提出了几种量子贝叶斯界，例如 [9]–[17]。然而，它们中的大多数都没有捕捉到真正的量子性质，因为已知的下界几乎都是基于经典贝叶斯界的直接翻译。特别是，先前提出的下界是通过对算子空间上的内积的某个选择应用柯西-施瓦茨型不等式推导出来的。Holevo 在一般统计决策问题的背景下发起了对量子估计的非平凡下界的研究 [18]。他还基于量子 Fisher 信息矩阵分析了贝叶斯风险的下界 [19]–[21]。特别是，他对高斯移位进行了彻底的分析
婚纱摄影顾客偏好案例
摘要 印尼婚庆业目前是一个非常大的产业。每年，印尼有超过 200 万人结婚。每个婚礼派对的平均邀请人数约为 500 人。而所需的资金约为 3 亿印尼盾，几乎是印尼人平均年意愿的五倍。从以上研究数据可以得出结论，婚庆行业（包括摄影、婚礼组织者等）的市场是一个巨大且有前途的产业。市场很大，尤其是在印尼。这项研究的目的是了解顾客在选择婚纱摄影时如何偏好这些市场。本研究的方法使用 AHP 分析和 TOWS 矩阵分析，从受访者那里获得相关策略业务，以及从公司能力的内部和外部因素中获得相关策略。虽然有用于选择婚纱摄影标准的 AHP 应用程序，但请使用 Expert Choice 软件。我们报告了我们的发现和见解，以及敏感性分析的结果。为了实施 AHP 方法，本研究需要确定将包括哪些标准和替代方案。从以前的研究来看，消费者对婚礼摄影的看法以及他们认为婚礼摄影中某些方面非常必要。从这项研究得出的结论是，人们倾向于对供应商提供的价格和套餐敏感，这是他们选择婚礼摄影的最重要因素。在评估了婚礼摄影中哪些方面重要的 AHP 结果后，结果被用作 Natura Project 的业务战略，以确定未来的步骤并成为对公司本身的评估。关键词：层次分析过程、消费者偏好、业务战略、专家选择、
隐藏的马尔可夫链和田地，在Riemannian歧管中进行观测
[1] R. J. Elliot，L。Aggoun和J.B. Moore。 隐藏的马尔可夫模型：估计和控制。 Springer Science+商业媒体，1995年。 [2] O. Capp´e，E。Moulines和T. Ryd´en。 在隐藏的马尔可夫模型中推断。 Springer Science+商业媒体，2005年。 [3] L. R. Rabiner。 关于隐藏的马尔可夫模型和语音识别中选定应用的教程。 （在语音识别中的读数中）。 Morgan Kaufmann Publishers，Inc，1990。 [4] R. Durbin，S。Eddy，A。Krogh和G. Mitchison。 生物序列分析。 剑桥大学出版社，1998年。 [5] S. Z，li。 图像分析中的马尔可夫随机字段建模。 Springer Publishing Company，2009年。 [6] A. Zare，M。Jovanovic和T. Georgiou。 湍流的颜色。 流体力学杂志，812：630–680，2017。 [7] B. Jeuris和R. Vandebril。 带有toeplitz结构块的块toeplitz矩阵的khler平均值。 SIAM关于矩阵分析和应用的杂志，37：1151–1175，2016。 [8] A. Barachant，S。Bonnet，M。Congedo和C. Jutten。 通过Riemannian几何形状进行多类脑部计算机界面分类。 IEEE生物培训工程交易，59：920–928，2012。 [9] O. Tuzel，F。Porikli和P. Meer。 通过分类的人行人进行探测。 IEEE关于模式分析和机器智能的交易，30：1713–1727，2008。 [10] S. Said，H。Hajri，L。Bombrun和B. C. Ve-Muri。 熵，2016年18月18日。B. Moore。隐藏的马尔可夫模型：估计和控制。Springer Science+商业媒体，1995年。[2] O. Capp´e，E。Moulines和T. Ryd´en。在隐藏的马尔可夫模型中推断。Springer Science+商业媒体，2005年。[3] L. R. Rabiner。关于隐藏的马尔可夫模型和语音识别中选定应用的教程。（在语音识别中的读数中）。Morgan Kaufmann Publishers，Inc，1990。[4] R. Durbin，S。Eddy，A。Krogh和G. Mitchison。生物序列分析。剑桥大学出版社，1998年。[5] S. Z，li。图像分析中的马尔可夫随机字段建模。Springer Publishing Company，2009年。[6] A. Zare，M。Jovanovic和T. Georgiou。湍流的颜色。流体力学杂志，812：630–680，2017。[7] B. Jeuris和R. Vandebril。带有toeplitz结构块的块toeplitz矩阵的khler平均值。SIAM关于矩阵分析和应用的杂志，37：1151–1175，2016。[8] A. Barachant，S。Bonnet，M。Congedo和C. Jutten。通过Riemannian几何形状进行多类脑部计算机界面分类。IEEE生物培训工程交易，59：920–928，2012。[9] O. Tuzel，F。Porikli和P. Meer。通过分类的人行人进行探测。IEEE关于模式分析和机器智能的交易，30：1713–1727，2008。[10] S. Said，H。Hajri，L。Bombrun和B. C. Ve-Muri。熵，2016年18月18日。Riemannian对称空间上的高斯分布：结构化协方差矩阵的统计学习。信息理论交易，64：752–772，2018。[11] E. Chevallier，T。Hose，F。Barbaresco和J. Angulo。对Siegel空间的内核密度估计，并应用于雷达处理。[12] A. Banerjee，I。Dhillon，J。Ghosh和S. Sra。使用Von Mises-Fisher分布在单位过度上进行促进。机器学习研究杂志，6：1345–1382，2005。
线性代数和量子概率
本书最初是滑铁卢大学三年级本科纯数学课程 PMATH 343“量子信息数学”的课程笔记。我将把它放到网上，供任何觉得有用的人使用。有一个较长的介绍介绍了本书的内容，但是简短的版本是：这是一本本科教科书，涵盖高级线性代数（以及一些基本的矩阵分析）和量子概率（量子力学的基础数学框架），适合想要学习量子信息和量子计算的读者。本书是从“纯数学”的角度编写的：使用定理和证明来研究概念，我们尝试以独立于基础的方式进行线性代数。希望从这个描述中可以清楚地看出，这不是一本关于量子力学的书。量子概率是量子力学的数学框架，但本书是关于这个框架的数学方面，而不是关于如何实际使用该框架。此外，除了一些非常基本的内容外，本书并没有涉及太多有关信息或计算的内容。如果你主要对量子计算感兴趣，则无需从本书开始；有许多优秀的本科教科书，你只需学习线性代数入门课程即可入门。事实上，大多数从事该领域工作的人只是使用基于基础的线性代数方法。因此，从其他地方开始是完全合理的，如果你发现自己问数学问题，例如“为什么克罗内克积是这样定义的？”，请回到本书。另一方面，从一开始就知道自己想学习量子计算及其背后的所有数学知识的读者（这似乎描述了大多数在滑铁卢大学参加该课程的学生）可以从这里开始：读完本书后，你将熟练掌握量子计算中使用的数学语言，并准备好阅读其他书籍或参加其他课程。本书讨论的大多数线性代数概念在量子信息之外也得到广泛应用。对于主要对其他应用感兴趣的读者来说，量子概率是一种很好的入门方式。
用于高级 fMRI 分析的用户友好型学习材料
先进的脑成像分析方法，包括多元模式分析 (MVPA)、功能连接和功能对齐，在过去十年中已成为认知神经科学的有力工具。这些工具以自定义代码和单独的程序包实现，通常需要不同的软件和语言能力。虽然专家研究人员可以使用，但新手用户面临着陡峭的学习曲线。这些困难源于使用新的编程语言（例如 Python）、学习如何将机器学习方法应用于高维 fMRI 数据以及极少的文档和培训材料。此外，大多数标准 fMRI 分析包（例如 AFNI、FSL、SPM）侧重于预处理和单变量分析，在如何与高级工具集成方面存在空白。为了满足这些需求，我们开发了 BrainIAK (brainiak.org)，这是一个开源 Python 软件包，它将几种尖端的、计算效率高的技术与其他 Python 包（例如 Nilearn、Scikit-learn）无缝集成，用于文件处理、可视化和机器学习。为了传播这些强大的工具，我们开发了用户友好的教程（Jupyter 格式；https://brainiak.org/tutorials/），以便更广泛地学习 BrainIAK 和 Python 中的高级 fMRI 分析。这些材料涵盖的技术包括：MVPA（模式分类和表征相似性分析）；并行探照灯分析；背景连接；全相关矩阵分析；受试者间相关性；受试者间功能连接；共享响应建模；使用隐马尔可夫模型进行事件分割；以及实时 fMRI。对于长时间运行的作业或大内存需求，我们提供有关高性能计算集群的详细指导。这些笔记本已在多个站点成功测试，包括作为耶鲁大学和普林斯顿大学课程的问题集以及各种研讨会和黑客马拉松。这些材料是免费共享的，希望它们成为开源软件和教育材料池的一部分，用于大规模、可重复的 fMRI 分析和加速发现。
研究AI驱动技术对Instagrammers在数字化时代购买决策的影响 - 一项对时尚和服装行业的研究
在过去的几十年中，技术进步取得了成倍的加速，尤其是在在线社交网络的领域中。人工智能（AI） - 动力数字技术应用程序继续出现，以增强和改善社交媒体平台（尤其是Instagram）上新颖的沟通方式。的确，这导致了行为和社交客户之旅的变化，客户需要接受数字体验的采用。AI应用程序主要旨在研究购物者浏览趋势，以吸引新客户并扩展业务。即使是时装界也已经在这个快节奏且竞争激烈的行业中介绍了Instagram的业务收益。以这种快速而引人注目的方式吸引购物者对时尚产品的关注，购买决定可能会有所不同。AI似乎非常有前途，并且有可能成为Instagram用户，广告客户和影响者的游戏规则改变者。这项研究应用了恩格 - 科拉特 - 布拉克韦尔（EKB）理论来研究基于AI的数字技术体验对Instagrammers时尚服装购买决策的影响 - 感知到的EWOM，感知到的情感价值，可感知的质量，感知到的风险和感知的价格。基于从Instagram用户收集的数据，使用结构方程建模（SEM）评估了这项研究的框架。半结构化的深入访谈也是研究的一部分，以使对Instagram用户的概况和行为有更深入的了解。我们从两种方法中的发现都证实，感知的情感价值，感知到的质量和感知的EWOM揭示了对Instagrammers对时尚服装的购买决策的统计学意义和积极影响。同时，重要性性能矩阵分析（IPMA）将感知的情感价值确定为Instagrammer的最重要因素，但最高的性能是感知的质量。这项研究对马来西亚在线零售商和购物者有重要影响，以适应快速变化的数字化转型。可以肯定的是，这项研究为时装行业的社交媒体贸易研究做出了值得注意的贡献。
开发和评估自然语言处理系统，用于策划胸膜超声心动图（TTE）数据库
摘要：背景：尽管电子健康记录（EHR）提供了对疾病模式和患者治疗优化的有用见解，但它们对非结构化数据的依赖表现出了很难的文化。超声心动图报告为心血管患者提供广泛的病理信息，由于其叙事结构，提取和分析特别具有挑战性。尽管自然语言处理（NLP）已成功地用于各种医学领域，但它并未在超声心动图分析中使用。目的：开发一种基于NLP的方法，通过准确转换（例如LVOT VTI，AV VTI和TR VMAX）和离散（例如，反应性严重性）在半结构的叙事形式中逐渐结构或允许未来的研究，从而将基于超声心动图报告中提取和分类数据进行分类。方法：135,062跨性超声心动图（TTE）报告源自146967基线超声心动图报告，分为三个同类：培训和验证（n = 1075），测试数据集（n = 98）和应用程序集（n = 133,889）。NLP系统是开发的，并使用医学专家知识迭代地进行了修订。该系统用于从133,889个报告的提取中策划一个中等实力数据库。由两名临床医生盲目注释并提取了98个报告的固定验证集，以与NLP提取进行比较。一致性，歧视，准确性和校准结果度量提取。该系统表现出与临床医生提取的高度一致性和一致性。结果：包括LVOT VTI，AV VTI和TR VMAX在内的连续结果使用级别的相关得分（ICC = 1.00，p <0.05）表现出完美的评估者可靠性，并表明了NLP系统和临床医生之间的理想对齐。在诸如LVOT直径，横向MAPSE，峰值E速度，横向E速度，PV VMAX，Valsalva的Sinuses，valsalva的sinuse，valsalva和升高主动脉直径等结果中观察到了良好水平（ICC = 0.75–0.9，p <0.05）的评价者间可靠性。此外，在混淆矩阵分析中，离散结果度量的准确率为91.38％，表明有效性能。结论：基于NLP的技术在从超声心动图报告中提取和分类数据时产生了良好的结果。本研究通过提供有用的工具将半结构化文本转换为可用于数据管理的结构化回声报告，从而有助于使用半结构化数据。医疗保健设置中的其他验证和实施可以提高数据可用性，并支持研究和临床决策。