XiaoMi-AI文件搜索系统
World File Search System线性插值
基于稀疏视图计算机断层扫描
摘要提出了一种新的稀疏 - 视图计算机断层扫描重建方法，该方法利用了变压器网络的恢复能力，特别是基于Swin Transformer的图像重建网络SWINIR。我们的方法包括三个关键块：通过线性插值来提高采样，使用两者中深度学习的初始重建以及残留的细化。测试了两个架构：一个长期的架构，该结构在残留细化块的两个域中使用神经网络，而在正式结构域中仅使用网络的网络进行了简短。用swinir和u-net测试了每种方法，从而产生了四种变体，所有这些方法在PSNR和SSIM方面都优于FBP和SIRT（例如FBP和SIRT）。使用Swinir的短体系结构取得了最佳结果，其训练和计算时间小于基于Swinir的长架构，但比两个基于U-NET的变体都大。
d0sc04896h1.pdf
由于 SMD 溶剂模型（参见下文）只能处理单一溶剂，因此对溶剂混合物进行了处理以确定“影响溶剂”。显然，溶剂性质不是组成溶剂性质之间的简单线性插值。确定用哪种单一溶剂替代溶剂混合物有些武断，但我们使用两个原则来指导我们的推理：(1) 优先溶剂化和 (2) 活性。2 优先溶剂化意味着离子将优先被与其相互作用最强的溶剂溶剂化。因此，与极性较小的溶剂相比，极性较大的溶剂在溶剂化离子反应物方面的影响应该比基于其摩尔分数预期的要大。少数溶剂的活度系数会更高，这意味着它们将发挥比原始数字所示的更高的“有效”摩尔分数。通过结合这两个原则，我们得出了二元溶剂混合物的以下经验法则：如果极性溶剂的摩尔分数至少为 0.2，则它将用作工作流程中的单一溶剂，否则将使用极性较小的溶剂。
击球后棕榈握把测量装置...
医疗界使用各种设备来衡量握力。但是，尚无定义明确的方法来量化后击患者应用的握力分布。通过定量评估，在整个康复过程中跟踪患者在神经反馈训练中的进展很重要。正在开发一种棕榈握把测量装置，配备了力传感电阻器（FSR）（RP-S40-ST型号）以捕获握力。该设备通过评估握力提供了有价值的康复进度的见解。使用MAP函数将FSR的模拟值从输入范围到输出范围线性插值； 'MAP（AVG_FORCE，0，1023，0，15）'从0到1023的输入范围扩展“ FSRReading”。输入范围转换为条形图0至15比例的得分，以指示测量的力量。Pearson R所显示的精度分别显示出与0.97651和0.98083的类似值和条形图之间的相关趋势。矩阵的矩阵，这表明调整后的R 2对于大对象的最高为0.955，而最低调整后的R 2为0.63672。
带有重新构造的预处理MediaPipe关键点和孤立的手语识别的锚点
抽象孤立的手语识别（ISLR）的目的是将标志分类为相应的光泽，但由于快速运动和小动手变化，它仍然具有挑战性。基于姿势的方法，由于其对环境的鲁棒性而引起了人们的注意，这对于这种挑战性的运动和变化至关重要，这是由于难以从嘈杂的关键点捕获小的关节运动。在这项工作中，我们强调了预处理关键以减轻此类错误风险的重要性。我们使用锚点采用归一化来准确跟踪骨骼接头的相对运动，重点是手动运动。此外，我们实施双线性插值来重建关键点，特别是为了检索未检测到的手的缺失信息。这项工作中提出的预处理方法表明，通过在WLASL数据集上的数据增强，准确性提高了6.05％，并且在基于姿势的方法中最高的数据增加了准确性83.26％。所提出的方法显示出在手部形状重要性的迹象的情况下，尤其是当某些框架没有被发现的手时。
可扩展的无衍生物非线性最小二乘优化的子空间方法
摘要我们基于随机子空间内的迭代最小化，为基于大规模模型的无衍生衍生型选择引入了一个通用框架。我们为我们的方法提供了概率的最差复杂性分析，特别是我们在实现给定最佳性之前证明了迭代次数的高概率界限。该框架专门针对非线性最小二乘问题，该框架具有基于高斯– Newton方法的基于模型的框架。此方法通过构造本地线性插值模型来近似Jacobian，从而实现可扩展性，并在每个迭代中计算具有用户确定的维度的每个迭代的新步骤。然后，我们描述了该框架的实际实现，我们称之为dfbgn。我们概述了选择插值点和搜索子空间的有效技术，得出的实现了，该实现的每卷线性代数成本（在问题维度为线性），同时还可以通过评估来衡量，同时还可以实现快速客观的降低。广泛的数值结果表明，DFBGN提高了可伸缩性，在大规模的非线性最小二乘问题上产生了强劲的性能。
双线性和最近邻的比较分析
像素转换在图像处理中至关重要，很大程度上取决于插值方法来确保平滑度和清晰度。这项工作重点关注两种广泛使用的图像插值技术：最近邻插值和双线性插值，这两种技术都是使用集成软件代码实现的。我们的方法使每种插值技术都可以独立应用，从而可以直接比较它们的性能。为了对每种插值方法进行全面评估，我们使用了一组基本质量评估指标：峰值信噪比 (PSNR)、结构相似性指数 (SSIM)、灰度分析和均方误差 (MSE)。选择这些指标是为了对图像清晰度、结构准确性和整体视觉质量进行平衡评估。本研究的结果对每种插值技术的优势和局限性进行了详细分析。这些发现旨在帮助研究人员和从业者根据他们在图像处理领域的特定要求选择最合适的插值方法。通过提供比较框架，这项工作通过增强评估和优化数字成像应用中的图像质量的方法来为该领域做出贡献。
用于考古学的机载 LiDAR 点云处理。管道和 QGIS 工具箱
摘要：地形机载 LiDAR 数据的使用已成为考古勘探的重要组成部分。然而，作为迈向理论意识、影响力和可重复研究的一步，需要一种更严格和透明的数据处理方法。为此，我们着手创建一个处理流程，用于考古学专用的点云处理和针对通用数据优化的产品的派生。所提出的流程改进了地面和建筑物点云分类。所提出的流程的主要创新领域是栅格网格插值。我们通过引入一种混合插值技术改进了最先进的技术，该技术将反距离加权与带有线性插值的三角不规则网络相结合。其中包括用于增强可视化的最先进的解决方案，还生成了必要的元数据和辅助数据。此外，我们还引入了一个 QGIS 插件，将流程实现为一步到位的过程。它将手动工作量减少了 75% 到 90%，并且除了对 QGIS 环境的一般熟悉之外不需要任何特殊技能。该流程和工具旨在为考古专用机载 LiDAR 数据处理的白盒化做出贡献。在讨论中，探讨了数据处理在知识生产过程中的作用。
太阳能技术性能评估...
本论文的目的是评估 2020 年 6 月至 11 月瑞典市场上八个小型 PV（光伏）系统的技术性能。此外，本论文的目的还在于过滤测量数据，因为现场测量中通常会出现错误数据。已经采用了几种过滤方法来消除错误数据，例如线性插值、异常值和异常发电，以确保用于评估的数据的质量。测量的参数包括逆变器的输出功率、阵列辐照度平面、环境温度和模块温度。虽然模块技术对模块温度有一定影响，但在本研究中，安装方法对系统的模块温度影响更大。研究发现，与建筑一体化光伏（BIPV）系统相比，建筑应用光伏（BAPV）系统的模块温度较低。然而，安装方法对系统性能的明显影响尚不明显。系统 3 和 6 分别是 BAPV 和 BIPV 系统，它们是在单位能量产出 (kWh/kWp) 和性能比 (PR) 方面表现最佳的系统。在此期间，系统 3 的平均 PR 为 89%，系统 6 的平均 PR 为 91%。6 月份的单位能量产出最高，两个系统的单位能量产出约为 135 kWh/kWp。结果还显示，采用单晶硅技术的系统比采用单晶硅技术的系统表现更好
连续量子门的有效控制脉冲...
摘要 - 我们提出了一种通用方法，可以在校准少量参考脉冲后快速生成任何连续参数化的量子门集的高效果控制脉冲。我们发现，用于不同量子操作的优化对照脉冲之间插值不会立即产生高限度的中间操作。为了解决此问题，我们提出了一种方法来优化控制脉冲以提供良好的插值。我们选择了感兴趣的门家族中的几个参考操作，并优化实施这些操作的脉冲，然后迭代地重视脉冲以指导其形状，以使其形状相似，以与密切相关的操作相似。一旦对此参考脉冲进行了校准，我们可以使用直接的线性插值方法立即获得连续操作空间中任意门的高层脉冲。我们在两分门的三参数cartan分解上演示了此过程，以获得具有始终高填充性的任何任意两级栅极（直至单量子操作）的对照脉冲。与以前的神经网络方法相比，该方法是7.7倍，在计算上有效，以校准所有单量门门集的脉冲空间。我们的技术概括为任何数量的门参数，可以轻松地与先进的脉冲优化算法一起使用，从而可以更好地从模拟转换为实验。
![arxiv：2401.01629v1 [cs.lg] 2024年1月3日](/simg/1\1904bc517d8e8e8c1dd7feb32aa47246b6aebc73.webp)
arxiv：2401.01629v1 [cs.lg] 2024年1月3日
用于描述分布，而概率质量函数（PMF）用于离散数据。当综合数据时，可以通过从现有数据的分布中进行采样来生成新的数据点。插值和外推。插值和诱惑涉及在现有数据点之间或之外生成新的数据点。这对于时间序列，地理数据等特别有用。一种常见的插值方法是线性插值，其中新点的值取决于两个已知点之间的线性关系。蒙特卡洛模拟。蒙特卡洛模拟启用随机抽样，以模拟真实系统中的不确定性。在数据综合中，该方法用于通过随机从已知的分布中进行随机采样来生成新样本。它在财务，工程和物理建模中找到了常见的应用。基于模型的采样。此方法涉及利用现有数据的统计模型来预测新的数据点。例如，可以将线性回归模型拟合到存在数据，并且可以通过随机采样模型参数来生成新的数据点。这种方法对于表现线性关系的数据特别有效。内核密度估计。 内核密度估计插入每个数据点周围放置核（通常是高斯内核）并计算每个点的贡献以估计概率密度函数。 这对于捕获数据分布的复杂性和多模式很有用。内核密度估计。内核密度估计插入每个数据点周围放置核（通常是高斯内核）并计算每个点的贡献以估计概率密度函数。这对于捕获数据分布的复杂性和多模式很有用。生成新样本时，可以根据估计的概率密度函数进行随机采样。