XiaoMi-AI文件搜索系统
World File Search System高斯
基于高斯映射蝙蝠算法的VGG和极限学习机诊断脑微出血
摘要 脑微出血（CMB）是一个严重的公共健康问题。它与痴呆症有关，可以通过脑磁共振图像（MRI）检测到。CMB 在 MRI 上通常表现为微小的圆点，它们可以出现在大脑的任何地方。因此，人工检查既繁琐又耗时，而且结果通常难以重现。本文提出了一种基于深度学习和优化算法的新型 CMB 自动诊断方法，该方法以脑 MRI 作为输入，将诊断结果输出为 CMB 和非 CMB。首先，使用滑动窗口处理从脑 MRI 生成数据集。然后，使用预训练的 VGG 从数据集中获取图像特征。最后，使用高斯映射蝙蝠算法（GBA）训练 ELM 进行识别。结果表明，所提出的方法 VGG-ELM-GBA 比几种最先进的方法具有更好的泛化性能。
![arXiv:2404.07115v3 [quant-ph] 2024 年 10 月 15 日](/simg/g:\will\search\icon\source\1\19db740cce0245b08c148ebef75956b87001d07d.webp)
arXiv:2404.07115v3 [quant-ph] 2024 年 10 月 15 日
我们提出了用于经典模拟高斯幺正和应用于非高斯初始状态的测量的有效算法。这些构造基于将非高斯状态分解为高斯状态的线性组合。我们使用协方差矩阵形式的扩展来有效地跟踪高斯状态叠加中的相对相位。我们得到了一个精确的模拟算法，其成本与表示初始状态所需的高斯状态数成二次方关系，以及一个近似模拟算法，其成本与与叠加相关的系数的 l 1 范数成线性关系。我们定义了量化此模拟成本的非高斯性度量，我们将其称为高斯秩和高斯范围。从量子资源理论的角度，我们研究此类非高斯性测度的性质，并计算与连续变量量子计算相关的状态的最佳分解。
第二章：复杂的大脑：
1855 年，鲁道夫·瓦格纳发现数学天才卡尔·弗里德里希·高斯的大脑很大但并不巨大，而他收藏的最大大脑属于智力残疾者，于是他把注意力转向了其他特征。在费尽心机夺取高斯的大脑后，瓦格纳需要找到一些积极的东西来形容它，一些可以清楚地表明高斯最高智力的至高形态的东西。他在描述大脑时注意到，“大脑的裂隙之多和回旋之复杂程度令人称奇”。这一观察结果被用来比较高斯和其他数学家。数学家约翰·彼得·古斯塔夫·勒热纳·狄利克雷是高斯在哥廷根的杰出同事，也是解析数论之父，于 1859 年去世。他的大脑“在发育上接近高斯的大脑。额叶非常大，回旋之复杂。”其他人则没有达到高斯的水平：1871 年去世的英国数学家奥古斯都·德·摩根的“头特别大”，而且被发现有“大量的额叶回旋，但绝不像高斯的那么复杂。”[23]
使用结构化波包控制到达时间
研究了具有相同动量密度的高斯和非高斯波包的散射动力学。计算了从方形屏障散射的波包的平均到达时间延迟、停留时间和相位时间延迟，结果表明非高斯波包的平均到达时间延迟与高斯波包不同。这些差异是由非高斯波包的动量波函数相位中的非线性项引起的，这改变了波包的自相互作用时间。可以通过调整动量波函数相位来控制平均到达时间延迟，与波包能量和动量密度无关。
purcell增强的单光子发射从量子点耦合到截断的高斯微腔
purcell增强量子点（QD）单光子发射和设备亮度的增加，已经证明了各种类型的微腔。在这里，我们提出了第一个实现截断的高斯形状的微腔与QD的截断。实施基于湿化学蚀刻和外延半导体过度生长。实验研究了腔模式及其空间纤维，并与模拟很好地吻合。可以通过制造设计可重复控制具有6000张Q-因子的基本模式波长，而29 L EV的小极化分裂可以重复控制，从而使腔体适应了特定的QD。最后，通过温度调节对腔内QD的过渡进行调节和关闭共振。在共振上减少了一个以上的因子减少的衰减时间清楚地表明purcell的增强，而G（2）（0）¼0.057的二阶相关测量结果证明了QDS单光子特性得以保留。
在大规模队列研究中使用高斯预测过程有效估计 SNP 遗传力
随着高通量遗传数据的出现，人们尝试使用线性混合模型 (LMM) 从远亲群体的全基因组 SNP 数据中估计遗传力。然而，在大型群体研究中拟合这样的 LMM 极具挑战性，因为它涉及高维线性代数运算。在本文中，我们提出了一种名为 PredLMM 的新方法，该方法近似于上述 LMM，其灵感来自遗传聚合和高斯预测过程的概念。PredLMM 的计算复杂度明显优于大多数现有的基于 LMM 的方法，因此为估计大规模群体研究中的遗传力提供了一种快速的替代方法。从理论上讲，我们表明，在遗传聚合模型下，我们近似的极限形式是著名的大高斯过程似然的预测过程近似，该近似具有完善的准确性标准。我们通过广泛的模拟研究说明了我们的方法，并用它来估计英国生物银行队列中多种数量性状的遗传性。
基于高斯混合模型和K值选择算法的机器人臂的新型轨迹学习方法
在机器人臂轨迹模仿学习领域，高斯混合模型被广泛用于捕获复杂轨迹特征的能力。但是，利用这些模型的一个主要挑战在于初始化过程，尤其是在确定高斯核的数量或K值时。K-Value的选择显着影响模型的性能，而传统方法（例如基于经验知识的随机选择或选择）通常会导致次优结果。为了应对这一挑战，本文提出了一种用于机器人臂的新型轨迹学习方法，该方法将高斯混合模型与K值选择算法相结合。所提出的方法利用肘法的原理以及指数函数，校正项和权重调整的特性，以确定最佳的K值。接下来，使用最佳的K值应用K-均值聚类来初始化高斯混合模型的参数，然后通过预期最大化算法进行完善和训练。然后将所得的模型参数eTers用于高斯混合物回归中，以生成机器人的臂轨迹。通过使用二维理论非线性动态系统和使用实际机器人臂数据的物理实验的模拟实验来验证所提出方法的有效性。这些结果表明，所提出的方法显着提高了机器人臂轨迹产生的准确性和效率，从而为改善机器人操纵任务提供了有希望的解决方案。实验结果表明，COM占据传统的高斯混合模型方法，所提出的方法将轨迹精度提高了15％以上，如降低平均绝对误差和根平方误差所示。
![arxiv：2502.05658v1 [Quant-ph] 2025年2月8日](/simg/g:\will\search\icon\source\a\a2f3dc7502d0c958422e39e7f3956f8ce97f029c.webp)
arxiv：2502.05658v1 [Quant-ph] 2025年2月8日
我们表征了具有地点间高斯耦合，现场非高斯相互作用以及局部耗散的多体骨气和费米子多体模型的动态状态，其中包括粒子损失，粒子损失，增益和倾向。我们首先确定，对于费米子系统，如果偏向噪声大于非高斯相互作用，而与高斯耦合强度无关，则系统状态是始终始终是高斯州的凸组组合。fur-hoverore，对于玻感系统，我们表明，如果粒子损失和粒子增益速率大于高斯间耦合，则该系统始终保持可分离状态。以这种特征为基础，我们确定以高于阈值的噪声速率，存在一种经典算法，可以有效地从系统状态中采样费米子和玻色子模式。最后，我们表明，与费米子体系不同，即使耗散远高于现场的非高斯性，骨系统也可以演变为不凸上高斯的状态。类似地，与骨骼系统不同，即使噪声速率比地点间耦合大得多，费米子系统也可以产生纠缠。
《现代物理学和机器学习》讲义
第四章 量子光学基础 51 4.1. 简介 51 4.2. 电磁场的量化 51 4.2.1. 经典电磁学回顾 51 4.2.2. 电磁场的量化 53 4.2.3. 量化场的对易关系 55 4.3. 玻色子高斯态 56 4.3.1. 简介：单模 56 4.3.2. 多模 58 特征函数 58 玻色子高斯态 59 高斯幺正运算 61 例子：高斯纯态 62 4.3.3. 应用于弱相互作用 BEC 63 4.4. 费米子高斯态 65 4.4.1. 简介：单模 65 4.4.2.多模式 66 高斯幺正运算 68 例子：费米子高斯纯态 70 费米子相干态和特征函数 71 4.4.3. 对 BCS 超导体的应用 75 4.5. 变分原理 77 4.5.1. 简介 77 4.5.2. 复值变分流形 78