XiaoMi-AI文件搜索系统
World File Search System确定性
危重病人的诊断和预后脑电图分析：一项深度学习研究
脑电图 (EEG) 的视觉解释非常耗时、可能缺乏客观性并且仅限于人类可检测到的特征。基于计算机的方法，尤其是深度学习，可以克服这些限制。然而，大多数深度学习研究都集中在特定问题或单一病理上。在这里，我们探索了深度学习在基于 EEG 的诊断和预后评估中对各种病因的急性意识障碍 (ACI) 患者的潜力。我们回顾性分析了来自一项随机对照试验 (CERTA，NCT03129438) 的 358 名成年人的 EEG。卷积神经网络用于预测临床结果（基于生存率或最佳大脑性能类别）并确定病因（四种诊断类别）。最大概率输出作为网络对其预测的信心的标志（“确定性因子”）；我们还系统地将预测与原始 EEG 数据进行了比较，并使用可视化算法 (Grad-CAM) 来突出显示判别模式。当考虑所有患者时，预测生存率的受试者工作特征曲线下面积 (AUC) 为 0.721，基于最佳 CPC 预测结果的受试者工作特征曲线下面积为 0.703；对于确定性因素 ≥ 60% 的患者，AUC 分别增加至 0.776 和 0.755；对于确定性因素 ≥ 75% 的患者，AUC 分别增加至 0.852 和 0.879。预测病因的准确率为 54.5%；对于确定性因素为 50%、60% 和 75% 的患者，准确率分别增加至 67.7%、70.3% 和 84.1%。视觉分析表明，该网络学习了人类专家通常识别的 EEG 模式，并提出了新的标准。这项工作首次展示了基于深度学习的 EEG 分析在患有各种病因的 ACI 的危重患者中的潜力。确定性因素和输入数据与预测的事后相关性有助于更好地表征该方法并为未来在临床常规中的实施铺平道路。
射电天文学的月球轨道的卫星群
iac-20，b4,3,6，x59219 Olfar的自主任务计划：Lunar轨道上的卫星群，用于射电射线天文学的Sung-Hoon Mok A *，Jian Guo A，Jian Guo A，Eberhard Gill A，Eberhard Gill A，Raj Thilak Rajan Ba Aerospace Engifetry of Aerospace Engineering（lr）（LR），LR），DELLE（LR），deflue（lr），deflue（lr）。荷兰2629 HS，s.mok@tudelft.nl; j.guo@tudelft.nl; e.k.a.gill@tudelft.nl b Faculty of Electrical Engineering, Mathematics & Computer Science (EWI), Delft University of Technology, Mekelweg 4, Delft, The Netherlands 2628 CD , r.t.rajan@tudelft.nl * Corresponding Author Abstract Orbiting Low Frequency Array for Radio Astronomy (OLFAR) is a radio astronomy mission that has been studied since 2010 by several荷兰大学和研究机构。该任务旨在通过在30 MHz频带以下的超低波长状态下收集宇宙信号来产生天空图。一颗卫星群，其中包括10多个配备了被动天线的卫星，将部署在可以最小化射频干扰的太空中，例如，在月球的远处。到目前为止，已经投入了一些研究来设计空间部分，其中包括有效载荷和平台元素。但是，尚未详细设计地面部分，尤其是任务计划系统。在本文中，根据当前的卫星设计提出了任务计划问题后，提出了OLFAR的系统任务计划方法。关键字：任务规划，射电天文学，卫星群，月球轨道，地面部门，自治1。任务控制元素（MCE）是地面部分元素之一，其主要功能是任务计划和计划。简介地面细分市场对于任务成功以及太空领域和发射部门[1]起着重要作用。它旨在在有限的资源和限制下安排几个任务；最终，为特定的计划范围生成时间表。任务计划算法（或不久的算法）通常可以分为三类：确定性精确算法，确定性近似算法和非确定性近似算法[2]。首先，确定性精确算法提供了一个精确的最佳解决方案，但需要三个方面的计算时间最长。例如，蛮力搜索需要在获得全球最佳解决方案之前列举所有可能的候选者。其次，确定性近似算法提供了一个亚最佳解决方案，其计算负担明显较小。它通常被称为启发式算法[3]。有例如贪婪算法和本地搜索算法。第三，非确定性近似算法也提供了次优的解决方案，通常称为元启发式算法或基于人群的算法。遗传算法和粒子群优化是众所周知的非确定性近似算法。但是，应注意的是，算法的定义和分类在文献中通常会有所不同。
不确定性策略及其在策略逻辑中的细化
非确定性策略是指在给定博弈历史的情况下，分配一组可能采取的行动（或协议或计划）的策略，这些行动都应该是获胜的。一个重要的问题是改进此类策略。例如，给定一个仅允许安全执行的非确定性策略，对其进行改进，最终达到期望的状态。我们表明，涉及策略改进的战略问题可以在战略逻辑 (SL) 框架中得到优雅的解决，这是一种非常富有表现力的推理战略能力的逻辑。具体来说，我们引入了具有非确定性策略的 SL 扩展和一个表达策略改进的运算符。我们表明，与标准 SL 相比，模型检查此逻辑可以在不增加计算成本的情况下完成，并且可用于解决各种问题，例如最大允许策略或最大允许纳什均衡的合成。
![arxiv：2401.08740v2 [cs.cv] 23 Sep 2024](/simg/3\33fbb7365131166a8cfcb2174da1735b80de7c91.webp)
arxiv：2401.08740v2 [cs.cv] 23 Sep 2024
摘要。我们提出了可扩展的插值变压器（SIT），这是建立在扩散变压器（DIT）骨架上的生成模型家族。与标准扩散模型更灵活地连接两个分歧的室内框架使得对各种设计选择的模块化进行了模块化研究，从而影响了基于动态传输的生成模型：在离散或连续的时间内学习，目标函数，interpolant，interpolant，interpolant连接分布和确定性或确定性或确定性或结构性的样本。通过使用完全相同的模型结构，参数数量和gflops，仔细地引入上述成分，SIT在条件成像网256×256和512×512基准上均匀地超过DIT。通过调查各种扩散系数，可以与学习分开调整，SIT分别达到50k的得分为2.06和2.62。代码可在此处找到：https：//github.com/willisma/sit
环境管理办公室美国...
该提议适合附录A或B至10 CFR第1021部分，第D子第D子第D中列出的行动中。适合10 CFR第1021部分中列出的措施，D部分，D，附录B，附录B，一项建议必须是一个不适合：（1）对适用的法规，法规或确定性或确定性，或允许的行为，或允许的行为，或允许的行为，或允许或允许的行为，或确定性，或允许或允许的行为，或确定性，或允许或允许的行为，或者，或确定性，或允许或允许的行为，或者，或者限制或允许或允许的行为，或者允许或允许; （2）要求将废物存储，处置，恢复或治疗设施（包括焚化炉）进行选址和施工或重大扩展，但该提案可能包括分类排除的废物存储，处置，恢复或治疗措施或设施； （3）干扰危险物质，污染物，污染物或cercla排除的石油和天然气产品，这些石油和天然气产品在环境中已经存在，因此会有不受控制的或无法控制的释放； （4）有可能对环境敏感的资源产生重大影响，包括但不限于10 CFR第1021部分（第4）段中列出的资源，D部分（附录B部分）； （5）涉及基因工程的生物，合成生物学，政府指定的有害杂草或入侵物种，除非提出的活动以设计和操作的方式包含或限制，以防止未经授权释放到环境中并按照适用的要求进行，例如在10 cf（5）中列出的1021 cfr Part 1021 cfr part subpart 1021，subpart b。
通过...
本文使用的深层确定性策略梯度算法（DDPG）是一种策略学习方法，可输出连续动作。它来自确定性策略梯度（DPG）算法。它借鉴了Actor-Critic策略梯度的单步更新的优势，并结合了Deep Q Network（DQN）的体验重播和目标网络技术，以改善Actor-Critic方法的收敛性。DDPG算法由策略网络和目标网络组成。ddpg使用确定性策略来选择动作，因此输出不是行为的概率，而是特定行为。是策略网络的参数，t a是动作，而t是状态。目标网络将在一定时间段内固定网络中的参数，从而消除由当前网络和目标网络之间相同参数引起的模型振荡。DDPG算法具有强大的深神经网络拟合和概括能力，以及处理连续动作空间的优势，并通过在当前状态下学习最佳动作策略来连续训练和调整神经网络参数。
