XiaoMi-AI文件搜索系统
World File Search System高斯分布
连续被动态制备的实验...
在高斯调制的相干态量子密钥分发 (QKD) 协议中，发送方首先生成高斯分布的随机数，然后通过执行幅度和相位调制将其主动编码在弱激光脉冲上。最近，通过探索热源的固有场涨落，提出了一种等效的被动 QKD 方案 [B. Qi、PG Evans 和 WP Grice，Phys. Rev. A 97，012317 (2018)]。这种被动 QKD 方案特别适合芯片级实现，因为不需要主动调制。在本文中，我们使用以连续波模式运行的现成的放大自发辐射源对被动编码 QKD 方案进行了实验研究。我们的结果表明，通过应用光衰减可以有效抑制被动态准备方案引入的过量噪声，并且可以在城域距离内生成安全密钥。一个
通过机器学习接近频道估计的MMSE界限
摘要 - 在无线通信系统中，该信号模型与高斯分布的通道和噪声线性线性，线性最小均方根误差（LMMSE）通道估计（CE）在均方误差（MSE）方面实现了最佳性能。但是，LMMSE CE取决于接收器可能无法使用的参数（例如，准确了解功率延迟profe（PDP））或过于复杂而无法实施实现（例如，LMMSE滤波器大小）。参数的次优选择可能会严重降低LMMSE CE性能。以这种观察的激励，我们研究了机器学习，作为重新填充和改善CE的工具。我们表明，我们提出的低复杂性学习辅助LMMSE CE可以克服次优参数的影响并接近理想的LMMSE性能。
一种用于 HRES 大小和配置的蚁群算法...
摘要 — 提出了一种蚁群算法 (ACO)，使用连续搜索空间方法对混合可再生能源系统规模和配置进行优化。在所提出的算法中，搜索空间中的信息素分布由高斯分布确定，并根据信息素沉积值通过轮盘赌原理进行概率路径选择。ACO 算法在软件工具 MOHRES 中实现，并进行了三个案例研究，以优化由全配置风能-光伏-电池-柴油-FC 电解器系统衍生的独立混合可再生能源系统的规模和配置。为了评估所提出的 ACO 的性能，将最优解与 MOHRES 中实现的遗传算法 (GA) 优化算法获得的解决方案进行了比较。
提高恶意 AI 图像编辑的成本
我们将从真实图像分布 q ( · ) 中 (近似) 采样的任务视为一系列去噪问题。更准确地说，给定一个样本 x 0 ∼ q ( · ) ，扩散过程逐步添加噪声以生成样本 x 1 , ..., x T 进行 T 步，其中 x t +1 = a t x t + b t ε t ，并且 ε t 从高斯分布 2 中采样。请注意，因此，当 T →∞ 时，样本 x T 开始遵循标准正态分布 N (0 , I )。现在，如果我们逆转此过程，并且能够在给定 x t +1 的情况下对 x t 进行采样，即对 x t +1 进行去噪，我们最终可以从 q ( · ) 生成新样本。这只需从 x T ∼N (0 , I ) 开始（这对应于 T 足够大），然后对这些样本进行 T 步迭代去噪，即可生成新图像 ˜ x ∼ q ( · )。
超越 PSD 限制的随机振动测试
使用快速傅里叶变换模拟进行随机振动测试的传统方法已经过时，因为这种方法仅限于考虑功率谱密度。后者意味着 FFT 方法基于高斯随机信号模型。但是，MIL-STD- 810F 标准规定“必须小心检查现场测量的非高斯行为概率密度”。现在要求测试工程师“确保在遇到非高斯分布时测试和分析硬件和软件是合适的”。人们普遍认为时间波形复制可以解决非高斯问题。然而，TWR 方法不是模拟，因为复制测试仅代表一个测量的道路样本，而不是像模拟测试那样代表一种道路类型。这里讨论了复制和模拟之间的这种差异。考虑了两种基于峰度和偏度特征的非高斯模拟方法（多项式函数变换和特殊相位选择），并给出了模拟各种现场数据的实例。
空间脑部 MRI 滤波方法分析......
非线性滤波器用于滤除 MR 数据中的伪影和噪声。信号保存和降噪之间的平衡使 MR 数据恢复成为一项复杂的任务。应用非线性滤波器（例如中值和非局部均值滤波器 (NLM) 滤波器）将右偏 Rician 分布转换为非偏高斯分布。NLM 滤波器比双边和中值滤波器提供更好的结果。由于应用非线性滤波器后分布不偏斜，因此应用了标准线性滤波器（例如高斯滤波器和维纳滤波器）并得出结果。NLM 和高斯滤波器的线性组合给出了令人满意的结果。对 40 张临床图像进行了实验，发现 NLM 滤波器具有最佳效果。用于比较的图像质量指标是峰值信噪比 (PSNR)、均方根误差 (RMSE)、结构相似性指数 (SSIM) 和熵。实验是在 MATLAB 2020a 上进行的。
使用混合分布的 MCET 实现精确并行分割模型 (PPSM)
摘要目的——图像分割是图像处理应用中最重要的任务之一。它是许多面向应用的宝贵工具，例如医疗保健系统、模式识别、交通管制、监视系统等。然而，准确的分割是一项关键任务，因为找到适合不同类型图像处理应用的正确模型是一个长期存在的问题。本文开发了一种新颖的分割模型，旨在成为使用任何类型图像处理应用的统一模型。所提出的精确并行分割模型 (PPSM) 结合了三种基准分布阈值技术来估计最佳阈值，从而实现分割区域的最佳提取：高斯分布、对数正态分布和伽马分布。此外，提出了一种并行增强算法来提高所开发的分割算法的性能并最大限度地降低其计算成本。为了评估所提出的 PPSM 的有效性，使用了不同的图像分割基准数据集，例如 Planet Hunters 2 (PH2)、国际皮肤成像合作组织 (ISIC)、微软剑桥研究院 (MSRC)、伯克利分割基准数据集 (BSDS) 和 COntext 中的通用对象 (COCO)。获得的结果表明，与其他分割模型相比，使用不同类型和领域的基准数据集，所提出的模型能够显著缩短处理时间，实现高精度。设计/方法/方法——所提出的 PPSM 结合了三种基准分布阈值技术来估计最佳阈值，从而实现分割区域的最佳提取：高斯分布、对数正态分布和伽马分布。结果——根据所获得的结果，可以观察到，所提出的基于 PPSM——最小交叉熵阈值 (PPSM - MCET) 的分割模型是一种具有高性能的稳健、准确、高度一致的方法。原创性/价值——使用 MCET 构建了一种利用高斯、伽马和对数正态分布组合的新型混合分割模型。此外，为了以最小的计算成本提供准确、高性能的阈值，所提出的 PPSM 使用并行处理方法来最大限度地减少 MCET 计算中的计算工作量。所提出的模型可用作许多面向应用的宝贵工具，例如医疗保健系统、模式识别、交通管制、监控系统等。关键词最小交叉熵阈值、混合分布、精确分割、并行计算论文类型研究论文
定向能量沉积
定向能量沉积 Geovana Eloizi Ribeiro Vincent Edward Wong Diaz Willian Roberto Valicelli Sanitá Alessandro Rodrigues 圣保罗大学圣卡洛斯工程学院机械工程系 电子邮件： vwong.ufs@gmail.com 、geovana_rib@usp.br 、willian.r.sanita@usp.br 、roger@sc.usp.br、Reginaldo Coelho Teixeira 圣保罗大学圣卡洛斯工程学院生产工程系 rtcoelho@sc.usp.br 摘要：金属增材制造已经成为一种技术，能够以“近净成形”形式生产复杂金属零件、进行修复和使用梯度材料创建零件，从而能够制造高附加值和低产量的零件。激光和粉末定向能量沉积 (LP-DED) 是增材制造工艺的一种，通过集中的热能使金属粉末熔化。这些应用对航空航天、汽车和医疗等不同领域都具有吸引力。在医疗领域，其应用主要集中在制造植入物、假肢、仪器和医疗器械。在假肢和植入物的制造中，Ti6Al4V 钛合金因其高机械强度、高耐腐蚀性、低密度以及良好的生物相容性而脱颖而出。文献挑战之一反映了 LP-DED 工艺赋予打印部件的粗糙度，这会影响假肢和植入物的骨整合，与其恢复时间和成功率有关。本文评估了使用两种粉末从 LP-DED 工艺获得的 Ti6Al4V 部件的粗糙度。第一种是通过气体雾化生产的，第二种是通过先进的等离子雾化生产的。随后，在纯 Ti 基体上用 LP-DED 制造了八个样品。激光功率是另一个输入变量，范围从 300 W 到 345，增量为 15W。用去离子水和丙酮用超声波振动清洁样品。然后，我们使用共聚焦显微镜评估样品的粗糙度。所用粉末的粉末形貌表明，气雾化产生的粉末呈现非高斯分布，有薄片、孔隙和卫星。与气雾化粉末相比，先进等离子雾化产生的粉末呈现高斯分布，孔隙数量更少，卫星和薄片的存在也更少。关键词：定向能量沉积；粗糙度；Ti6Al4V，增材制造。1. 介绍
使用
我们研究统计亚组公平性审核分类的问题。Kearns等。 [20]表明，审核组合子组的公平性与不可知论的学习一样困难。 基本上所有关于纠正歧视子组的统计量度的工作都假定了该问题的甲骨文，尽管没有有效的算法已知。 如果我们假设数据分布是高斯，甚至仅仅是对数 - concave，则最近的工作线发现了半个空格的有效的不可知论学习算法。 不幸的是，Kearns等人的减少。 是根据弱的，distribution free-freem学习而提出的，因此没有建立对诸如对数 - concave分布之类的家庭的联系。 在这项工作中，我们在审核高斯分布方面给出积极和负面的结果：在积极方面，我们提出了一种替代方法来利用这些进步的不可知论学习，从而获得了第一个多项式时间近似方案（PTA），以审核非审计的非整合统计学概念，我们显示出均超过统计学的特征：高斯。 在负面，我们在加密假设下，没有多项式时间算法可以保证一般半空间亚组的任何非平凡的审计，即使在高斯特征分布下也可以保证。Kearns等。[20]表明，审核组合子组的公平性与不可知论的学习一样困难。基本上所有关于纠正歧视子组的统计量度的工作都假定了该问题的甲骨文，尽管没有有效的算法已知。如果我们假设数据分布是高斯，甚至仅仅是对数 - concave，则最近的工作线发现了半个空格的有效的不可知论学习算法。不幸的是，Kearns等人的减少。是根据弱的，distribution free-freem学习而提出的，因此没有建立对诸如对数 - concave分布之类的家庭的联系。在这项工作中，我们在审核高斯分布方面给出积极和负面的结果：在积极方面，我们提出了一种替代方法来利用这些进步的不可知论学习，从而获得了第一个多项式时间近似方案（PTA），以审核非审计的非整合统计学概念，我们显示出均超过统计学的特征：高斯。在负面，我们在加密假设下，没有多项式时间算法可以保证一般半空间亚组的任何非平凡的审计，即使在高斯特征分布下也可以保证。
研究基体相和DED S45C Hastelloy X倾斜角对粉末层压过程中层压板附近传热特性的影响
由于严格的环境法规，使用增材制造工艺修复和再制造机械零件引起了广泛关注。定向能量沉积 (DED) 被广泛用于改造机械零件。在本研究中，进行了有限元分析 (FEA)，以研究基材相和倾斜角对通过 DED 沉积的哈氏合金 X 区域附近传热特性的影响。设计了考虑焊珠尺寸和图案间距的 FE 模型。采用平面高斯分布的体积热源模型作为 DED 的热通量模型。基材和沉积粉末分别为 S45C 结构钢和哈氏合金 X。在进行 FEA 时考虑了温度相关的热性能。研究了基材相和倾斜角对沉积区域附近温度分布和热影响区 (HAZ) 深度的影响。此外，还研究了沉积路径对 HAZ 深度的影响。分析结果用于确定合适的基底相位和倾斜角度以及适当的沉积路径。