XiaoMi-AI文件搜索系统
World File Search System离散
相对于连续尺度空间的近似属性，用于高斯导数算子的混合离散
本文基于与归一化采样的高斯核或综合高斯内核的卷积，对高斯衍生物的两种混合离散方法的性质进行了分析。研究这些离散方法的动机是，在相同规模水平上需要多个阶的多个空间衍生物时，与基于更直接的衍生近似值相比，它们基于基于更直接的衍生近似值而具有更高的效率相比，它们基于具有较高的衍生性速率，以示例性衍生性衍生性不能衍生性不能进行。我们根据定量绩效指标来表征这些混合离散方法的特性，同意它们所暗示的空间平滑量，以及它们从量表 - 流动特征探测器的相对一致性以及从自动量表选择中获得的量表的相对一致性，从尺度上的量表与尺度相关的量度相差很大，该尺度的范围与尺度的相差相差，该尺度的尺度是有效的。理论以及不同类型的离散方法之间。在设计和解释以非常精细的水平运行的规模空间算法的实验结果时，提出的结果旨在作为指导。
实时基于EEG的情绪识别，使用离散小波在完整和减少的通道信号上转换
具有消费级EEG设备的基于EEG的实时情感识别（EEG-ER）涉及使用减少的渠道进行情绪进行分类。这些设备通常只提供四个或五个通道，与大多数当前最新研究中通常使用的大量通道（32或更多）不同。在这项工作中，我们建议使用离散小波变换（DWT）提取时频域特征，并且我们使用几秒钟的时间窗口来执行eeg-er-ers分类。该技术可以实时使用，而不是在整个会话后数据后使用。我们还将在先前研究中开发的基线去除预处理应用于我们提出的DWT熵和能量特征，从而显着提高了分类精度。我们考虑两个不同的分类架构，一个3D卷积神经网络（3D CNN）和一个支持向量机（SVM）。我们在主题独立和依赖于主题的设置上评估了这两个模型，以对个人情绪状态的价和唤醒维度进行分类。我们对DEAP数据集提供的完整32通道数据以及同一数据集的5通道提取物进行了测试。SVM模型在所有提出的场景中表现最佳，对于整个32渠道主体依赖性案例的价准确度为95.32％，唤醒的精度为95.68％，击败了先前的实时EEG-EEG-EEG-EEG-EEG依赖性依赖性基准。也获得了与受试者的情况下的价准确度为80.70％，唤醒的精度为81.41％。将输入数据降低到5个通道仅在所有情况下平均将精度降低3.54％，从而使该模型适合与更易于访问的低端EEG设备一起使用。
田纳根：纯变压器编码器为从头分子的生成提供了有效的离散gan
使用离散数据（例如简化的分子输入线 - 输入系统（Smiles）字符串）的从头生成的深层生成模型吸引了药物设计中的广泛关注。然而，训练不稳定经常困扰生成的广告网络（GAN），导致可能崩溃和低偏移性等概率。这项研究提出了一个纯粹的变压器编码器GAN（宽度）来解决这些问题。宽度的发电机和鉴别剂是变压器启动器的变体，并与加固学习（RL）结合使用，以生成具有所需化学特性的分子。此外，变体微笑的数据增强是为了学习微笑字符串的范围和语法的宽度培训。在方面，我们引入了一个增强的田纳州的变体，称为十（w）gan，其中包含了微型批处理歧视，并提高了生成分子的能力。对QM9和锌数据集的实验结果和消融研究表明，所提出的模型以计算有效的方式产生了具有所需化学性质的高效和新颖的分子。
使用机器学习和图形离散傅里叶变换检测脑电图数据中的阿尔茨海默病
阿尔茨海默病 (AD) 是全球范围内日益严重的重大公共卫生挑战。早期准确诊断对于有效干预和治疗至关重要。近年来，人们对利用脑电图 (EEG) 来提高 AD 检测率的兴趣日益浓厚。本文重点介绍图信号处理 (GSP) 技术的应用，使用图离散傅里叶变换 (GDFT) 分析 EEG 记录以检测 AD，方法是采用多种机器学习 (ML) 和深度学习 (DL) 模型。我们基于公开的 EEG 数据评估我们的模型，该数据包含 88 名患者，分为三组：AD、额颞叶痴呆 (FTD) 和健康对照 (HC)。痴呆与 HC 的二元分类最高准确率达到 85%（SVM），而 AD、FTD 和 HC 的多类分类最高准确率达到 44%（朴素贝叶斯）。我们提供了用于检测 AD 的新型 GSP 方法，并形成了进一步实验的框架，以在多种数据模式的其他神经退行性疾病背景下研究 GSP，例如重度抑郁症、癫痫和帕金森病中的神经影像数据。
偏好获取速度与新癌症药物生存益处的确定性：一个离散选择实验
方法，通过用于调查研究的在线平台Cint招募了美国国家代表性的老年人样本，以参加在线离散选择实验。为了符合条件，受访者必须自我报告一些癌症的经验 - 他们，他们自己，亲密的朋友或家人，以前或目前被诊断出患有癌症。在实验中，受访者选择了两种癌症药物，考虑了五个属性：功能状态，预期寿命，新药的生存益处的确定性，该药物对替代端点的影响以及美国食品和药物管理（FDA）批准时间的延迟。第一个主要结果是生存益处确定性的相对重要性和等待受访者的时间。第二个主要结果是愿意等待更大的生存益处，包括按癌症经验，年龄，教育状况，种族或种族和收入和收入进行亚组分析。次要结果是对确定性和等待时间的敏感性的变化，具体取决于药物对替代端点的影响，受访者的功能状况和预期寿命。研究计划已在ClinicalTrials.gov，NCT05936632中注册。
使用离散元素方法和同步加速器微型层析成像图像对砂粒断裂进行三维评估
摘要：最近的研究表明，砂颗粒的断裂在确定不同载荷条件下颗粒材料的塑料体积变化方面起着重要作用。用于更好地了解颗粒断裂对颗粒材料行为的影响的主要工具之一是离散元素建模（DEM）。本文采用键合模型（BBM）来模拟沙子的断裂行为。使用线性平行的接触模型将每个砂粒子建模为在其接触处键合的刚性块的聚集体，该模型可以同时传递力矩和力。dem模拟的颗粒与使用高分辨率3D同步加速器微型计算机断层扫描（SMT）获得的实际三维（3D）形状的实际三维（3D）形状匹配。由单个合成二氧化硅立方体无限的一维（1D）压缩的结果用于校准模型参数。研究了由三个砂颗粒组成的样品，研究了颗粒裂缝，这些砂颗粒在受约束的1D压缩下加载。从DEM模型中测量的断裂能与实验测量的良好匹配。使用BBM研究了接触载荷条件和粒子相互作用的效果，使用BBM可以紧密捕获真实砂颗粒的3D形状。doi：10.1061/（ASCE）GT.1943-5606.0002281。这项工作可根据创意共享归因4.0国际许可的条款提供，https：//creativecommons.org/licenses/4.0/。
随机变量的期望值与标准差
我们感兴趣的问题不仅是关于随机变量的分布或其概率，而且我们可能想要确定随机变量的“平均值”或期望值，以及它与其期望值或标准差的偏差程度。我们将只研究离散随机变量的期望值和标准差，这些离散随机变量是其可能值集合形成可数不同值列表的随机变量。例如，博兹曼医院接下来的三胎女孩数量就是一个离散随机变量，因为它只能取值 0、1、2 或 3。离散随机变量可以取无限数量的可能值，只要我们能够将它们列在有序列表中。例如，掷硬币直到第一次出现正面的次数是一个离散随机变量，可能值为 1、2、3、4、...可以在某个间隔内取任意值的随机变量（例如时间、长度、利率、高度）称为连续随机变量。我们将使用以下符号来指定离散随机变量可能结果的概率：
大脑中的信息是以连续的形式呈现的还是...
摘要 — 大脑中信息表示是连续的还是离散的是一个尚未解决的基本问题。从历史上看，大多数分析都假设连续表示，而不考虑离散的替代方案。我们的工作探索了这两种表示的合理性，从通信系统工程的角度回答了这个问题。利用香农的通信理论，我们假设大脑中的信息以离散形式表示。我们使用两种方法来解决这个假设。首先，我们确定大脑的基本通信要求。其次，我们估计连续信息表示的符号错误概率和信道容量。我们的工作得出结论，信息不能使用连续表示在大脑中可靠地传达和表示——它必须采用离散形式。这是与传统和当前观点的主要区别。我们将这个离散结果应用于 4 个主要的神经编码假设，并说明了离散 ISI 神经编码在分析电生理实验数据中的应用。我们进一步假设并说明了韦伯定律和离散神经编码之间合理的直接联系。最后，我们概述了关于离散神经编码的一些关键研究问题。
使用离散小波变换和智能技术进行脑电信号分析以诊断神经系统疾病“2279
摘要：脑电图 (EEG) 信号分析至关重要，因为它是诊断神经系统脑部疾病的有效方法。在这项工作中，我们开发了一个系统来同时诊断一到两种神经系统疾病（二类模式和三类模式）。为此，我们研究了不同的 EEG 特征提取和分类技术，以帮助准确诊断神经系统脑部疾病：癫痫和自闭症谱系障碍 (ASD)。我们针对癫痫和 ASD 分析了两种不同的 EEG 信号模式，即单通道和多通道。独立成分分析 (ICA) 技术用于从 EEG 数据集中去除伪影。然后，使用椭圆带通滤波器对 EEG 数据集进行分割和滤波，以消除噪声和干扰。接下来，使用离散小波变换 (DWT) 从滤波信号中提取脑电信号特征，将滤波信号分解为子带 delta、theta、alpha、beta 和 gamma。随后，使用五种统计方法从脑电图子带中提取特征：对数带功率 (LBP)、标准差、方差、峰度和香农熵 (SE)。此外，将这些特征输入到四个不同的分类器中，即线性判别分析 (LDA)、支持向量机 (SVM)、k 最近邻 (KNN) 和人工神经网络 (ANN)，以对对应于其类别的特征进行分类。DWT 与 SE 和 LBP 的组合在所有分类器中产生最高的准确率。对于三类单通道和多通道模式，使用 SVM 的整体分类准确率分别接近 99.9% 和 ANN 的 97%。