XiaoMi-AI文件搜索系统
World File Search System香农熵
电子考试的优点和挑战：基于香农熵技术的定性研究
简介：电子考试是评估学生执行的最重要的命令式工具之一。因此，本研究旨在根据伊朗和国际研究确定电子考试的优势和挑战。方法：目前的定性研究在第一阶段使用了元合成。因此，搜索了2005 - 2021年伊朗和国际数据库中电子考试，在线考试，电子考试，电子评估和在线评估等关键字。在第二阶段，使用香农熵技术，对电子考试的优点和挑战进行了加权。结果：E-EXAM的挑战分为七个子类别（技术知识，安全挑战，复杂性和挑战在设计考试，检查期间的复杂性和挑战，检查后的复杂性和挑战，缺乏基础设施，社会文化挑战时的复杂性和挑战）。电子检查的优势也分为五个子类别，包括改进教学过程，学生绩效评估的有效性，在设计考试中的优势，考试中的优势以及考试后的优势。在香农的熵结果中，挑战（考试后的复杂性和挑战和基础设施差）和优势（在实施后实施后的优势）的重量最大。结论：考虑到电子考试的重要性，尤其是随着Covid-19-19的流行病的爆发，大学系统的不可避免的运动，对学生绩效评估的不可避免的关注以及在当前情况下提高教育绩效的关注，预计决策者将期望强调此类考试的优势并解决其挑战以改善学生评估机制。
有符号 Rényi 熵的公理化及其应用...
我们修改了 R´enyi (1961) 熵公理，使其适用于负（“带符号”）测度，例如，在量子力学的相空间表示中。我们获得了有关系统的两个新信息（缺乏）测度，我们分别将其作为经典香农熵和经典 R´enyi 熵的带符号类似物。我们表明，带符号的 R´enyi 熵见证了系统的非经典性。具体而言，当且仅当带符号的 R´enyi α -熵对某个 α > 1 为负时，测度才具有至少一个负分量。相应的非经典性测试不适用于带符号的香农熵。接下来，我们表明，当 α 为偶数正整数时，带符号的 R´enyi α -熵是 Schur 凹的。（一个例子表明带符号的香农熵不是 Schur 凹的。）然后，我们为带符号测度建立了一个抽象的量子 H 定理。我们证明，在有符号测度的经典（“去相干”）演化下，参数化的有符号 R'enyi 熵家族的成员不减少，其中后者可以是 Wigner 函数或量子系统的其他相空间表示。（示例显示有符号 Shannon 熵可能是非单调的。）我们最终得出一个结论，即从有符号概率开始的相空间演化在有限的时间长度后何时变为经典。
恶意软件和限制学-ZHASSULAN-ZHUSSUPOV.pdf
●https：//www.schneier.c om/books/applied-cry ptography/●加密：元普利特有效载荷●香农熵：计算最终PE-File截面●virustotal：virustal：这对Virustal检测分数有何影响？
使用函子的von Neumann熵的表征
von Neumann熵是量子信息理论中的关键概念，它量化了量子状态的歧义。此外，香农熵是古典信息理论中的重要概念，可以被视为古典状态中的冯·诺伊曼熵。baez，Fritz和Leinster衍生的Shannon熵是一种表征从经典系统到经典系统的测量功能的数量[1]。特别是，他们表明，如果以概率度量到非负实数的概率措施的映射被视为类别理论中的函子并满足某些特性，则表示为Shannon入口的不同。在本文中，我们试图通过将其结果扩展到量子系统来得出von Neumann熵（或Segal熵）。parzygnat最近扩大了结果[2]。与参考文献之一相比，我们方法的主要差异。[2]是使用被认为较弱的条件的使用。参考。[1]和[2]，讨论仅限于衡量保留功能（或它们扩展到量子系统，统一 * - 肌形态），但是在本文中，我们考虑了表征任何量子通道的数量。尽管在本文中未提及，但许多不同的方法以表征香农熵和冯·诺伊曼熵（例如[3] - [6]）而闻名。
熵和变异性：深度学习的第二种观点
摘要：背景：分析在多序列比对中等效位置上发现的氨基酸类型分布已应用于人类遗传学、蛋白质工程、药物设计、蛋白质结构预测和许多其他领域。这些分析往往围绕在进化等效位置上发现的二十种氨基酸类型的分布测量：多序列比对中的列。常用的测量方法是变异性、平均疏水性或香农熵。其中一种称为熵-变异性分析的技术，顾名思义，将一列中观察到的残基类型的分布简化为两个数字：香农熵和由观察到的残基类型数量定义的变异性。结果：我们应用了一种深度学习、无监督特征提取方法来分析所有人类蛋白质的多序列比对。对 27,835 个人类蛋白质多序列比对训练了自动编码器神经架构，以获得最能描述七百万种变异模式的两个特征。这两个无监督学习的特征与熵和变异性非常相似，表明这些是在降低多序列比对中列中隐藏信息的维数时保留最多信息的投影。
根据恒定电压充电持续时间
摘要：必须精确地确定锂离子电池的健康状况（SOH），以确保包括电动汽车中的储能系统的安全功能。尽管如此，通过分析日常情况下的全电荷 - 放电模式来预测锂离子电池的SOH可能是一项艰巨的任务。通过分析放松阶段特征来进行此操作，需要更长的闲置等待期。为了面对这些挑战，本研究根据恒定电压充电阶段观察到的特征提供了一种SOH预测方法，并深入研究了有关恒定电压充电期间所包含的有关电池健康的丰富信息。创新，这项研究表明，使用恒定电压（CV）充电时间作为SOH估计模型的健康特征的统计数据。特定的新特征，包括恒定电压充电的持续时间，CV充电序列时间的香农熵以及持续时间增量序列的香农熵，是从CV充电相数据中提取的。然后，通过弹性净回归模型执行电池的健康估计。实验得出的结果验证了该方法的效率，因为它的平均平均绝对误差（MAE）仅为0.64％，最大根平方误差（RMSE）为0.81％，平均确定系数（R 2）为0.98。上述陈述可以证明所建议的技术对SOH的估计具有很高的精度和可行性。
信息的物理理论vs。交流的数学理论
伊朗德黑兰Tandis医院泌尿外科系的泌尿外科介绍了与量子力学的基础知识兼容的一般物理信息信息的一般概念，并将香农熵作为特例。这种物理信息的概念导致了二进制数据矩阵模型（BDM），该模型预测了量子力学，一般相对论和黑洞热力学的基本结果。研究了模型与全息，信息保护和Landauer原则的兼容性。由于BDM得出了“位信息原理”后，得出了普朗克，de Broglie，Bekenstein和质量能量等价的基本方程。k eywords信息的物理理论，二进制数据矩阵模型，香农信息理论，位信息原理1。构造信息意味着一系列不可衡量的概念或可测量数量的数据。物理学中可测量信息的通常概念调用了香农熵和信息的主题。克劳德·香农（Claude Shannon）在他的开创性论文[1]中发展了信号传递的数学理论[2]。他否认了交流和相关信息理论的语义方面。根据他的理论，该信息是指减少不确定性并等于传达信息的熵的机会。他从第二种热力学定律[2]，[3]中得出了熵的想法，并得出结论，信息的信息可以通过其可预测性来衡量，其可预测性越小，其携带的信息越多[2]，[3]。很明显，香农对信息的定义不是唯一的，仅适合其工程要求[2]，[3]。在这个信息概念中，数据的来源，渠道和接收器是通信工程的关键组成部分。香农熵（信息）仅与给定系统的统计属性有关，与系统状态的含义和语义内容无关[5]。正如他在开创性文章中强调的那样，沟通和相关信息内容的含义与工程问题无关[1]。随后，围绕着身体和生物学信息的香农概念出现了一些批评[3]。信息独立于其含义的概念是Mackay和其他人宣布的主要批评的主题[3]，[4]。随后尝试为形式的信息理论增加语义维度，尤其是对香农理论[5] - [7]。香农的理论与单个信息无关，而是源消息的平均值[8]。尽管物理信息基本上与物理可测量的数量有关，但当前的物理信息概念仍然是香农引入的相同定义，并且似乎不足以用于物理系统。在Bruckner和Zeilinger的最新作品中提醒了这[9]。他们的主张主要原因是量子力学中的测量问题。换句话说，没有确定的真实
相对论klein-gordon粒子中的熵系统
通过参数Nikiforov-Uvarov方法在Klein-Gordon方程下获得了Kratzer电位加上Hellmann电位的解决方案。完全计算了相对论能及其相应的归一化波函数。在相对论的klein-gordon方程（无自旋粒子）下，研究了Kratzer-Hellmann潜在模型的理论量。分别对每个熵的a和b的影响（确定电势强度的电位的参数）进行了充分检查。在三个熵下，系统在两个配方表达式之间的相交点确定了针对A电势的参数之一。最后，流行的香农熵不确定性关系称为Bialynick-birula，Mycielski不平等是通过产生数值结果来推断的。
