XiaoMi-AI文件搜索系统
World File Search System轨迹
Takens 定理用于评估脑电图轨迹：脑动力学的区域变化 Arturo Tozzi（通讯作者） 非线性科学中心，系
使用 Takens 定理评估 EEG 轨迹：大脑动力学的区域变化 Arturo Tozzi（通讯作者） 美国德克萨斯州登顿市北德克萨斯大学物理系非线性科学中心 1155 Union Circle, #311427 Denton, TX 76203-5017 USA tozziarturo@libero.it Ksenija Jaušovec 马里博尔大学心理学系 ksenijamarijausovec@gmail.com 摘要 Takens 定理 (TT) 证明动态系统的行为可以在多维相空间内有效重建。这为检查时间序列数据的时间依赖性、维度复杂性和可预测性提供了一个全面的框架。我们应用 TT 来研究健康受试者 EEG 大脑动力学的生理区域差异，重点关注三个关键通道：FP1（额叶区域）、C3（感觉运动区域）和 O1（枕叶区域）。我们使用时间延迟嵌入为每个 EEG 通道提供了详细的相空间重建。重建的轨迹通过测量轨迹扩展和平均距离进行量化，从而深入了解传统线性方法难以捕捉的大脑活动的时间结构。发现三个区域的变异性和复杂性不同，显示出明显的区域差异。FP1 轨迹表现出更广泛的扩展，反映了与高级认知功能相关的额叶大脑活动的动态复杂性。参与感觉运动整合的 C3 表现出中等变异性，反映了其在协调感觉输入和运动输出方面的功能作用。负责视觉处理的 O1 显示出受限且稳定的轨迹，与重复和结构化的视觉动态一致。这些发现与不同皮质区域的功能特化相一致，表明额叶、感觉运动和枕叶区域具有自主的时间结构和非线性特性。这种区别可能对增进我们对正常大脑功能的理解和促进脑机接口的发展具有重要意义。总之，我们证明了 TT 在揭示脑电图轨迹区域变化方面的实用性，强调了非线性动力学的价值。关键词：脑电图分析；脑动力学；相空间重建；区域变化。引言人类大脑是一个复杂的非线性系统，善于通过动态交互处理大量信息（Khoshnoud 等人，2018 年；Zhao 等人，2020 年；Dai 等人，2022 年；Biloborodova 等人，2024 年）。脑电图 (EEG) 是一种非侵入性、高分辨率的脑活动研究方法。尽管如此，传统的线性分析技术往往无法表示脑电图信号复杂的非线性特征（Alturki 等人，2020 年）。为了解决这一限制，非线性动力学和混沌理论已成为理解大脑活动的有力框架，其中 Takens 定理（以下简称 TT）奠定了基础。TT 确定了动态系统的行为可以在多维相空间中使用来自观测数据的单个时间序列的时间延迟版本重建（Takens 1981）。在 EEG 分析中，TT 提供了一种强大的数学工具来研究时间演变，揭示了线性方法无法发现的特性（Rohrbacker 2009）。通过重建相空间，研究人员可以分析关键的 EEG 动态特性，例如时间依赖性、维度复杂性和可预测性（Kwessi 和 Edwards，2021）。这种方法已被证明可用于识别与各种认知和病理状况相关的神经动力学变化（Fell 等人，2000 年）。先前的研究强调了 TT 在分析脑电信号方面的有效性，尤其是在识别癫痫、阿尔茨海默病和精神分裂症等病理状况方面（Kannathal 等人，2005 年；Altındi ş 等人，2021 年；Cai 等人，2024 年；Al Fahoum 和 Zyout，2024 年）。然而，人们较少关注这种方法在正常条件下评估大脑动态区域变化的应用。不同的大脑区域表现出不同的电活动模式，反映了它们在认知、感觉和运动功能中的特殊作用。例如，额叶区域 (FP1) 与决策和工作记忆等高级认知过程有关。感觉运动皮层 (C3) 控制运动并整合感觉输入，而枕叶区域 (O1) 处理视觉信息。尽管这些区域的作用独特，但它们之间的相互作用有助于大脑的整体动态。2024)。然而，人们较少关注这种方法在正常情况下评估大脑动态区域变化的应用。不同的大脑区域表现出不同的电活动模式，反映了它们在认知、感觉和运动功能中的特殊作用。例如，额叶区域（FP1）与决策和工作记忆等高级认知过程有关。感觉运动皮层（C3）控制运动并整合感觉输入，而枕叶区域（O1）处理视觉信息。尽管它们的作用独特，但这些区域之间的相互作用有助于大脑的整体动态。2024)。然而，人们较少关注这种方法在正常情况下评估大脑动态区域变化的应用。不同的大脑区域表现出不同的电活动模式，反映了它们在认知、感觉和运动功能中的特殊作用。例如，额叶区域（FP1）与决策和工作记忆等高级认知过程有关。感觉运动皮层（C3）控制运动并整合感觉输入，而枕叶区域（O1）处理视觉信息。尽管它们的作用独特，但这些区域之间的相互作用有助于大脑的整体动态。
基于复阻抗轨迹的负载调制平衡放大器设计方法
摘要 本文介绍了一种负载调制平衡放大器 (LMBA) 的设计方法，重点是减轻 AMPM 失真。通过引入二次谐波控制作为设计自由度，可以选择复杂的负载轨迹来补偿设备中的 AMPM 非线性，而不会显著影响效率。数学推导伴随着基于闭式方程的设计程序，以仅基于负载牵引数据来制造 LMBA。通过对三种不同设计进行测量比较来验证该理论，这些设计在伪 RF 输入 Doherty 类 LMBA 配置中以 2.4 GHz 运行，具有 J 类、-B 类和 -J* 类主 PA。J 类原型的性能优于其他设计，在峰值输出功率和 6 dB 回退时分别具有 54% 和 49% 的漏极效率，并且在此功率范围内只有 4 度的 AM-PM。当使用 10 MHz、8.6 dB PAPR LTE 信号驱动时，无需数字预失真，即可实现 40.5% 的平均效率和优于 − 40.5 dBc 的 ACLR。
怀孕需要与激素和母体附着相关的人脑结构中的U形轨迹
记录的版本：此预印本的一个版本于2025年1月16日在自然通讯上发布。请参阅https://doi.org/10.1038/s41467-025-55830-0。
轨迹流与临床时间序列建模应用的轨迹流匹配
对随机和不规则抽样的时间序列进行建模是在广泛的应用中发现的一个具有挑战性的问题，尤其是在医学中。神经随机微分方程（神经SDE）是针对此问题的有吸引力的建模技术，它可以将SDE的漂移和扩散项与神经网络相关。但是，当前用于训练神经SDE的算法需要通过SDE动力学进行反向传播，从而极大地限制了它们的可扩展性和稳定性。为了解决这个问题，我们提出了轨迹流匹配（TFM），该轨迹以无模拟方式训练神经SDE，通过动力学绕过反向传播。TFM利用从生成建模到模型时间序列的流量匹配技术。在这项工作中，我们首先为TFM学习时间序列数据建立必要条件。接下来，我们提出了一个改善训练稳定性的重新聚集技巧。最后，我们将TFM适应了临床时间序列设置，从绝对性能和不确定性预测方面，在四个临床时间序列数据集上的性能提高了，这是在这种情况下的关键参数。
带有过程时间模型的单细胞基因组数据的轨迹推断
单细胞转录组学实验提供了跨细胞态杂基细胞群体的基因表达快照。这些快照已被用于推断轨迹和动态信息，即使没有基因表达相似性订购细胞的密集，时间序列数据。然而，尽管单细胞快照有时提供了对动态过程的有价值的见解，但当前的订购细胞的方法受到缺乏内在物理含义的“假频率”的描述性概念的限制。而不是伪赛，我们通过原则建模方法提出了“过程时间”的推断，以制定轨迹和推断对应于经受生物物理过程的细胞对应的潜在变量。我们对这种方法的实施称为Chronocell，提供了建立在细胞状态过渡的轨迹的生物物理表述。计时模型是可识别的，使参数推断有意义。更重要的是，当细胞状态位于连续体上并聚类时，当细胞聚集到离散状态时，计时核可以在轨迹推理之间插值。通过使用从类似群集到连续的各种数据集，我们表明计时赛使我们能够评估数据集的适用性，并在过程时间内揭示了与生物过程时间一致的过程。我们还将降解速率的参数估计值与来自代谢标记数据集的参数估计值进行了比较，从而展示了计时性的生物物理实用性。然而，基于模拟的性能表征，我们发现过程时间推断可能具有挑战性，突出了数据集质量的重要性和仔细的模型评估。
您的AI代理会得到您吗？一个可从基于论点的对话轨迹近似人类模型的可靠框架
可解释的AI越来越多地采用论证方法来促进AI代理和人类用户之间的互动解释。虽然现有方法通常依赖于预定的人类用户模型，但在交互过程中动态学习和更新这些模型仍然存在一个关键的差距。在本文中，我们提出了一个框架，使AI代理可以通过基于论证的对话来调整对人类用户的理解。我们的方法称为角色，借鉴了前景理论，并将概率加权函数与贝叶斯信念更新机制相结合，该机制优化了基于交换论点的可能性人类模型的概率分布。通过与人类用户的经验评估在应用的论证环境中，我们证明了人物有效地捕捉人类信念不断发展的信念，促进个性化的侵入性，并胜过最先进的方法。
启用6G的无人机的自适应轨迹优化，整合边境监视的多访问边缘计算
联系主要主管：Husnain.sherazi@newcastle.ac.uk第二主管：rehmat.ullah@newcastle.ac.uk研究项目背景边境安全是一个关键的全球关注，需要创新的技术解决方案，以确保有效的监测和威胁缓解。具有高级传感器和通信功能的无人机已成为边境监视中的宝贵资产，提供实时监控和快速响应功能。6G通信技术的出现，其特征是超低潜伏期，高带宽和稳健的连接性，再加上多访问边缘计算（MEC）基础架构，为增强基于无人机监视系统的功能提供了变革的机会。该项目提出了6G启用的无人机和MEC基础架构的集成，以实现自适应轨迹优化，以确保智能，高效和可靠的边界监视。AIM/目标该项目旨在通过将6G通信技术与支持MEC的无人机整合到尖端监视系统，重点介绍自适应轨迹优化，以提高情境意识，响应性，资源效率和资源效率。关键目标：
朝向可概括的轨迹...
现有的车辆轨迹预测模型与普遍性，预测不确定和处理复杂相互作用的斗争。通常是由于针对特定数据集定制的复杂体系结构和效率低下的多模式处理的限制所致。我们使用Reg Ister查询（PerReg+）提出每个CEVER，这是一个新型的轨迹预测框架，引入了：（1）通过自我抗议（SD）和蒙版重建（MR），捕获全球上下文和细粒度细节的双重水平表示学习。此外，我们重建段级轨迹和泳道段的方法和查询下降的车道段，有效地利用上下文信息并改善了概括； （2）使用基于寄存器的查询和预处理增强了多模式，从而消除了对聚类和抑制的需求； （3）在微调过程中进行自适应及时调整，冻结主要体系结构并优化少量提示以进行有效的适应性。perreg+设置了Nuscenes [1]，Argoverse 2 [2]和Waymo Open Motion数据集（WOMD）[3]的新最新性能。引人注目的是，我们验证的模型在较小的数据集中将误差降低了6.8％，多数据集训练增强了概括。在跨域测试中，PERREG+与非预言变体相比，B-FDE降低了11.8％。
转移学习增强回归生成对抗网络，用于最佳EVTOL起飞轨迹预测
摘要 - 深层神经网络具有无人机位置和方向估计的显着视觉感知功能，但它们对不同天气条件的韧性仍需要改善。这些模型通常会在适应新环境时遭受灾难性遗忘，而失去了以前获得的知识。终身学习方法旨在平衡学习灵活性和记忆稳定性。在本文中，我们提出了一种基于图像的方法，以在不同的天气条件下使用2D图像（包括阳光，日落和雾气场景）估算无人机的相对高度。我们的实验表明，当模型在不同的天气数据集上依次训练模型时，尤其是当新图像与初始训练数据集的数据集有很大差异时。但是，测试弹性重量合并（EWC）和直接误差驱动学习（EDL）分别表明，每种方法都有助于维持各种天气条件的稳定性和表现。我们的结果表明，这些方法在各种环境条件下的可行性和有效性。索引术语 - UAV高度估计，持续学习，增量学习，终身学习，弹性权重结合，直接误差驱动的学习。
基于意图的正式轨迹描述语言
摘要 — 本文介绍了一种改进的意图相关形式语言层次结构，用于描述飞机轨迹。这些语言允许在不同级别上完整或部分地指定飞机轨迹，本文所述功能的扩展使其适用于定义更复杂的任务，例如无人驾驶汽车或军用飞机的任务。本文对每种语言的词汇、语法和图形表示细节进行了完整的描述，并通过一组具有不同粒度的飞行规范的清晰示例展示了它们的适用性。所描述的语言层次结构已被证明是一种适合描述具有不同详细程度和不同应用的飞机轨迹的框架。它的多功能性和灵活性通过一组识别特征操作示例的场景得到证明。索引词 — 空中交通管理；形式语言；飞机意图；飞行意图；轨迹计算