XiaoMi-AI文件搜索系统
World File Search System码本
色散和码本设计问题的量子加速
摘要 在本文中，我们提出了最大和与最大最小色散问题的新公式，这些公式可通过 Grover 自适应搜索 (GAS) 量子算法实现解决方案，从而实现二次加速。色散问题是被归类为 NP 难的组合优化问题，经常出现在涉及最佳码本设计的编码理论和无线通信应用中。反过来，GAS 是一种量子穷举搜索算法，可用于实现成熟的最大似然最优解。然而，在传统的简单公式中，通常依赖于二进制向量空间，导致搜索空间大小甚至对于 GAS 来说都是令人望而却步的。为了规避这一挑战，我们改为在 Dicke 态上搜索最佳色散问题，即具有相等汉明权重的二进制向量的相等叠加，这显著减少了搜索空间，从而通过消除惩罚项简化了量子电路。此外，我们提出了一种用距离系数的秩替换距离系数的方法，有助于减少量子比特的数量。我们的分析表明，与使用阿达玛变换的传统 GAS 相比，所提出的技术可以降低查询复杂度，从而增强基于量子解决色散问题的可行性。
2022 NSDUH 最终分析文件代码本 (RDC)
• 行为健康统计和质量中心。 (2023)。2022 年全国药物使用和健康调查 (NSDUH)：方法摘要和定义。 https://www.samhsa.gov/data/report/2022-methodological-summary-and-definitions • 行为健康统计和质量中心。 (2023)。美国主要物质使用和心理健康指标：2022 年全国药物使用和健康调查结果（HHS 出版物编号 PEP23-07-01-006）。 https://www.samhsa.gov/data/report/2022-nsduh-annual-national-report • 行为健康统计和质量中心。 (2023)。2022 年全国药物使用和健康调查结果：详细表格。 https://www.samhsa.gov/data/report/2022-nsduh-detailed-tables • 行为健康统计与质量中心。（即将出版）。2022 年全国药物使用和健康调查：方法资源手册。https://www.samhsa.gov/data/report/nsduh-2022-methodological-resource-book-mrb
ICPR-2024 口头会议
R2-214 Lee, Keuntek; Park, JaeHyun; Cho, Nam Ik 使用重叠码本增强多曝光高动态范围成像以改进表征学习 R2-303 Yu, Huiyuan; He, Jia; Cheng, Maggie 通过逐次回归实现快速正交匹配追踪
CPT 助理指南：冠状病毒 (SARS-CoV-2)；2023 年 3 月 | AMA
CPT ® 助理特别版信息旨在提供准确、最新的编码信息。我们将继续尽一切合理努力确保所提供材料的准确性。但是，本出版物不能取代 CPT ® 代码本；它仅作为指南。©2023 美国医学会。保留所有权利。未经出版商事先书面许可，不得以任何形式复制本出版物的任何部分。CPT ® 是美国医学会的注册商标。
CPT 助理指南：冠状病毒 (SARS-CoV-2)
CPT ® 助理特别版信息旨在提供准确、最新的编码信息。我们将继续尽一切合理努力确保所提供材料的准确性。但是，本出版物不能取代 CPT ® 代码本；它仅作为指南。©2022 美国医学会。保留所有权利。未经出版商事先书面许可，不得以任何形式复制本出版物的任何部分。CPT ® 是美国医学会的注册商标。
通过大脑启发的几何透镜重新思考最大流问题和波束形成设计
摘要 — 可以通过双管齐下的方法提高无线网络（如车载网络）的数据速率，即 1）通过并行独立路由提高网络流速率；2）通过波束成形码本自适应提高用户的链路速率。移动中继（如移动路边单元）由于其定位灵活，可用于实现这些目标。首先在网络层面，我们将正则化拉普拉斯矩阵建模为黎曼流形上的点，该矩阵是表示中继相关网络图的对称正定 (SPD) 矩阵。受大脑网络中不同任务的几何分类的启发，黎曼度量（如对数欧几里德度量 (LEM)）用于选择可实现最大 LEM 的中继位置。仿真结果表明，与其他传统度量（如代数连通性）相比，所提出的基于 LEM 的中继定位算法可实现并行路由并实现最大网络流速率。其次，在链路层，我们提出了一种无监督几何机器学习 (G-ML) 方法来学习每个中继相关环境的独特信道特性。鉴于空间相关衰落信道具有 SPD 协方差矩阵，它们可以在黎曼流形上表示。因此，基于 LEM 的黎曼度量用于环境信道的无监督学习，并据此构建匹配的波束成形码本。仿真结果表明，所提出的 G-ML 模型在短暂的训练期后提高了链路速率。
设计与成就 Kathleen Mullan Harris
有关 Add Health 研究设计、数据类型、数据文档、代码本和访问权限的信息可在我们的网站 (www.cpc.unc.edu/addhealth) 上找到，该网站每月平均点击量超过 56,000 次（Harris 等人，2009 年）。我们还管理着一个 Add Health 研究人员的交互式列表服务器，他们分享重要的数据发现、编码方案和测量策略，并以交互方式讨论和解决数据和分析问题。在 NIH 举办的两年一度的 Add Health 用户大会由 NICHD 共同赞助，出席人数通常超过 150 人，Add Health 研究人员平均发表 60 篇论文，Add Health 工作人员举办教学方法会议。最近 2012 年用户大会的论文摘要发布在 www.cpc.unc.edu/projects/addhealth/events。Add Health 传播核心促进了 Add Health 数据的访问和使用。
过渡到高级加密标准 (AES)
NIST 为联邦政府制定了非机密用途的密码标准，被公认为美国敏感非机密加密领域的权威机构。1977 年，NIST 认可 DES（56 位）作为保护联邦 LMR 通信的加密算法。到 20 世纪 90 年代末，DES 算法已被多次破解，但破解效率更高，耗时更短。这些成功“破解”算法的事件在各种互联网媒体网站上被广泛报道，如今，有各种工具和技术可用于破解 DES 算法。2005 年，NIST 撤销了对 DES 的批准，并发布了 FIPS 197，将 AES 确立为保护敏感非机密信息的联邦标准，所有联邦部门和机构都必须遵守该标准。 DES 衍生产品（例如三重 DES 和简化 DES）以及各种操作模式（包括 DES 密码块链接 (CBC)、DES 密码反馈 (CFB)、DES 输出反馈 (OFB)、DES 电子码本 (ECB) 和 DES 计数器 (CTR)）也被认为很容易通过类似的暴力攻击而遭到破解。
基于脑电音频信号处理的闭眼和睁眼情况下的深度学习模式识别技术
摘要：最近，使用脑电图 (EEG) 进行音频信号处理中的模式识别引起了广泛关注。眼部情况（睁眼或闭眼）的变化反映在 EEG 数据的不同模式中，这些数据是从一系列情况和动作中收集的。因此，从这些信号中提取其他信息的准确性在很大程度上取决于在采集 EEG 信号期间对眼部情况的预测。在本文中，我们使用深度学习矢量量化 (DLVQ) 和前馈人工神经网络 (F-FANN) 技术来识别眼部情况。由于 DLVQ 能够学习代码约束的码本，因此在分类问题上优于传统 VQ。在使用 k 均值 VQ 方法初始化后，DLVQ 在 EEG 音频信息检索任务上测试时表现出非常出色的性能，而 F-FANN 将眼部状态的 EEG 音频信号分类为睁眼或闭眼。与 F-FANN 相比，DLVQ 模型具有更高的分类准确度、更高的 F 分数、精确度和召回率，以及更出色的分类能力。
基于 ODMA 的多天线接收器无源随机接入方案
下一代无线通信系统需要高可靠性、高连接密度和低延迟。这使得大规模机器类型通信 (mMTC) [1] 成为 5G 及 5G 后 (B5G) 系统的一个关键特性。在 mMTC 中，大量设备（例如，每平方公里数百万台设备）具有低传输功率和短有效载荷，它们会不时地与基站 (BS) 进行通信，无需任何协调，也就是说，在任何给定时间，只有一小部分设备处于活动状态。传统的基于授权的多址接入方法，其中 BS 为每个用户分配固定资源（时间、频率、代码等），由于调度大量用户的过度延迟和信令开销，在物联网 (IoT) 等 mMTC 应用中变得不可行。为了解决这个问题，[2] 中引入了一种新的免授权随机接入范例，称为无源随机接入 (URA)。在 URA 中，设备共享相同的码本；因此，用户身份被删除，这允许任意数量的用户。接收器旨在恢复已传输消息的列表，而不管用户身份如何，并且每个用户的错误概率 (PUPE) 被采用作为主要错误度量。