XiaoMi-AI文件搜索系统
World File Search System高斯分布
基于广义修正大气光谱的湍流对高斯光束传输影响的分析与仿真
多年来，大气湍流一直是物理学和工程学领域的研究热点。当激光束在大气中传播时，它会受到散射、吸收和湍流等不同光学现象的影响。大气湍流效应是由折射率的变化引起的。不同大小的涡流会影响光波在大气中的传播。折射率的这些变化会导致传播的激光束产生不同的变化，如光束漂移、光束扩散和图像抖动。所有这些影响都会严重降低光束质量 (M 平方) 并降低系统在某些应用中的性能效率，包括自由空间光通信、激光雷达-激光雷达应用和定向能武器系统 [1- 5]。传统上，湍流由 Kolmogorov 模型类型定义。Kolmogorov 谱的幂律值为 11/3，用于描述高斯分布 [6]。许多光谱具有特定的内尺度和外尺度，如 Tatarskii 光谱、von Karman 光谱、Kolmogorov 光谱和广义修正光谱 [7]。本研究采用广义修正大气光谱模型。我们通过数值和分析方法执行高斯激光光束在不同传播距离下的传播行为。此外，我们还研究了一些参数对光束传播的影响。讨论了所有模拟结果，并将其与文献中的结果进行了比较。
使用Lafesi磁电材料的热能收割机
在连续变化（CV）量子物理学中，高斯国家长期以来一直是研究的富有成果的话题[1-10]。它们自然而然地作为热状态形式的许多非相互作用颗粒的系统的基础状态[11]，或描述了由激光发出的光的相干状态[3]。通过非线性过程，可以将噪声降低到超过射击噪声限制（以互补可观察到的噪声增加的价格），并产生挤压状态[12-17]。出于Metrol-Ogy的目的，这种挤压状态通常足以获得性能的显着提升[18-21]。在理论上，高斯州相对容易处理[8，9]。高斯智能功能描述了连续变量可观察物的量子统计（例如，量子光学中的四倍）。所有有趣的量子特征都可以从相协方矩阵中推导，该协方差矩阵表征了相位空间上的高斯分布。因此，每当模式的数量仍然有限时，符号矩阵分析的技术就足以研究高斯量子状态。这已经对高斯州的纠缠特性产生了广泛的了解[22-27]，最近它也导致了高斯州的量子转向（参见[28]）的发展[29-32]，我们将其称为Einstein-Podolsky-Podolsky-podolsky-podolsky prosen（Epr）。即使它们具有许多优势，高斯州对
已发表版本的引用（APA）：Mohagheghi, E., Alramlawi, M., Gabash, A., Blaabjerg, F., & Li, P. (2020)。实时有功无功最优功率
摘要：本文开发了一种多相多时间尺度实时动态有功无功最优潮流 (RT-DAR-OPF) 框架，以最优方式处理带有电池存储系统 (BSS) 的配电网 (DN) 中风力发电的自发变化。这里最具挑战性的问题是必须实时解决大规模“动态”（即具有微分/差分方程而不是仅代数方程）混合整数非线性规划 (MINLP) 问题。此外，考虑具有灵活运行策略的 BSS 的有功无功功率能力以及最小化 BSS 的使用寿命成本进一步增加了问题的复杂性。为了解决这个问题，在第一阶段，我们同时优化了大量混合整数决策变量，以计算 BSS 的日常最佳运行。在第二阶段，基于短期预测范围内的风电功率预测值，生成风电功率场景来描述具有非高斯分布的不确定风电功率。然后，在每个预测范围之前，解决并协调与场景相对应的 MINLP AR-OPF 问题。在第三阶段，基于测量的风电功率实际值，选择其中一个解决方案，对其进行修改，并在很短的时间间隔内实现到网络。使用中压 DN 证明了所提出的 RT-DAR-OPF 的适用性。
Occgen：自动驾驶的生成多模式3D占用预测
摘要。现有的3D语义占用预测方法典型地将任务视为一个单发的3D体素分割问题，在输入和占用图之间的单步映射上进行了限制，这限制了它们完善和完成本地区域的能力。在本文中，我们引入了Occgen，这是3D语义占用预测的简单而强大的生成感知模型。Occgen采用了“噪声到占用”生成范式，通过预测和消除随机高斯分布来逐渐推断和完善占用图。OCCGEN由两个主要组成部分组成：一个能够处理多模式输入的条件编码器，以及一种采用多模式特征作为条件的逐步改进解码器。对这种生成管道的关键见解是，扩散的deoising过程自然能够对密集的3D杯映射的粗到细化进行建模，从而产生更详细的预测。对几个占用基准的广泛实验证明了与最新方法相比，该方法的有效实验。例如，OCCGEN在Muli-Modal，仅LIDAR-仅和仅相机设置下的Nuscenes-cupancy数据集中相对将MIOU提高9.5％，6.3％和13.3％。此外，作为一种生成感知模型，Occgen表现出鉴别模型无法实现的理想特性，例如在其多步预测并提供不确定性估计的情况下。
对抗性自我训练改善了渐进域适应性的鲁棒性和概括
逐渐的域适应性（GDA），其中为学习者提供了辅助中间域，在许多情况下已经在理论上和经验上研究了。尽管在关键安全方案中起着至关重要的作用，但GDA模型的对抗性鲁棒性仍然没有探索。在本文中，我们采用了有效的渐进自我训练方法，并用副本自我训练（AST）替换香草自我训练。AST首先预测未标记的数据上的标签，然后对手在伪标记的分布上训练模型。有趣的是，我们发现逐渐的AST不仅提高了对抗性的准确性，而且可以提高目标域的清洁准确性。我们揭示这是因为当伪标签包含一部分不正确标签时，对抗性训练（AT）的性能要比标准训练更好。因此，我们首先介绍多类分类设置中逐渐AST的概括误差界限。然后，我们使用子集总和问题的最佳值在真实分布和伪标记分布上的对抗误差上桥接标准误差。结果表明，在具有不正确的伪标签的数据上，可能会获得比标准培训更紧密的结合。我们进一步提出了有条件的高斯分布的一个例子，以提供更多的见解，说明为什么逐渐的AST可以提高GDA的清洁精度。
使用Probstars对神经网络进行定量验证
最深层的神经网络（DNN）验证研究重点是定性验证，该验证回答了DNN是否具有安全性/鲁棒性属性。本文提出了一种将定性验证转换为神经网络定量验证的方法。由此产生的定量验证方法不仅可以回答是或否问题，而且可以计算违反财产的可能性。为此，我们介绍了概率恒星（或简短概率）的概念，即众所周知的恒星集的新变体，其中谓词变量属于高斯分布，并提出了一种方法来计算高维空间中概率恒星的可能性。与处理约束输入集的现有作品不同，我们的工作将输入集视为截断的多元正常（高斯）分布，即除了输入变量的约束外，输入集还具有满足约束的可能性。输入分布表示为概率恒星集，并通过网络传播，以构建包含多个ProbStars的可触及到的可触发设置，该集合用于验证网络的安全性或鲁棒性属性。在违反财产的情况下，违规概率可以通过精确的验证算法来精确计算，也可以通过过度验证验证算法来计算。所提出的方法是在名为Starv的工具中实现的，并使用著名的ACASXU网络和火箭着陆基准进行评估。
实现不完整的多视图学习
摘要 - 在多视图环境中，由于观察过程的限制，它将产生缺失的观察结果。最新的表示学习方法难以通过简单地填充缺少的视图数据或通过推断现有观点中的一致表示来固定来探索完整信息。为了解决这个问题，我们提出了一个深层生成模型，以学习完整的生成潜在表示，即完整的多视图变化自动编码器（CMVAE），该模型由由高斯分布的混合物表示的完整潜伏变量产生多个视图的生成。因此，缺失的视图可以完全以潜在变量为特征，并通过估计其后验分布来解决。因此，引入了一种新颖的变分下限，以将视图不变信息整合到后推理中，以增强学习潜在的表示的凝固性。挖掘了视图之间的固有相关性，以寻求跨视图的通用性，而导致视图丢失的信息则通过视图权重达到坚固性来融合。基准实验结果在聚类，分类和跨视图图像生成任务中证明了CMVAE的优势，而时间的复杂性和参数灵敏度分析则说明了效率和鲁棒性。此外，应用于生物启发性数据的应用例证其实际意义。
通过极力序列的定量相关性不平等
抽象的文献中高维功能的许多相关性不平等，例如哈里斯 - 克莱特曼不平等，fortuin – kasteleyn-ginibre不平等和著名的高斯相关性不平等，罗伊（Royen）的著名高斯相关性不平等，是确定的两种功能，都表明某种功能具有某种类型类型的具有非代名词的功能。预先的工作使用了马尔可夫半群论证来获得其中一些相关性不平等的定量扩展。在这项工作中，我们通过使用复杂分析的工具证明了一种新的极端界限来增强这种方法，以获得一系列新的和近乎最佳的定量相关性不平等。这些新结果包括：Royen著名的高斯不平等现象的定量版本（Royen，2014年）。（Royen，2014年）Royen确认了一个猜想，以40年的态度开放，指出在任何中心的高斯分布下，任何两个对称凸组都必须无关。我们根据两个凸组集合的矢量的矢量给出了相关性的下限，从概念上类似于塔拉格兰德的定量相关性，该定量相关性绑定了{0，1} n（combinatorica 16（combinatorica 16（2）：243-258，1996）的单调布尔函数的定量相关性。我们表明，我们的Royen定理的定量版本属于最佳的对数因素。在任何有限的产品概率空间上，单调功能的著名FKG不等式的定量版本。这是talagrand的定量相关性的广泛的一般性化，以{0，1} n
通过组稀疏聚类对混合数据进行稀疏 k 均值分类
虽然通过正则化程序进行特征选择的问题在监督学习环境中引起了极大关注，并在过去二十年中产生了大量文献，但直到很晚且相对较新的时候，它才有效地出现在无监督框架中。第一种方法是基于模型的，这些方法自然适合包括套索（L 1）和相关惩罚，并且可以引用 [1] 来了解 L 1 惩罚的 EM 程序（混合由方差相等的高斯分布组成）或 [2] 来详细回顾基于模型的高维数据聚类。在更通用的框架中，没有对底层分布做出任何假设，在 [3] 中引入了具有 L 1 惩罚的稀疏 k 均值算法，后来扩展到每个聚类内的特征选择，并通过一致性结果得到加强，[4] [5] [6]。我们还要提到，最近在 [7] 中引入了稀疏 k 均值算法对重叠变量组的推广。话虽如此，上面引用的所有方法本质上都是为数值数据设计的，而真实数据通常由数值和分类特征组成。上面的一些作者触及了分类特征的问题，提到了使用虚拟变量进行转换使其数字化的可能性。但是，这个处理步骤并不是那么直接，因为零一向量上的欧几里得距离并不特别适合与数值变量上的欧几里得距离混合。其他作者
同一旋转和量子混乱
摘要：我们表明，量子混乱的最重要度量，例如框架电势，争夺，Loschmidt Echo回声和超级阶段相关器（OTOC），可以通过异形旋转的统一框架来描述，即K-flold Unitary Channel的Haar平均值。我们表明，这样的措施可以始终以同感旋转的期望值的形式施放。在文献中，有时会通过频谱和其他时间通过汉密尔顿人产生动力学的特征向量来研究量子混乱。我们表明，借助这项技术，我们可以在可联合的哈密顿量和量子混沌汉密尔顿人之间平稳地插入。与特征向量稳定剂状态的哈密顿人的同一旋转不具有混乱的特征，这与那些从HAAR措施中获取特征向量的汉密尔顿人不同。作为一个例子，与通用资源相比，Clifford Resources腐烂到更高的值获得的OTOC。通过掺杂哈密顿人的非克利福德资源，我们在一类可集成模型和量子混乱之间的OTOC行为中显示了一个交叉。此外，利用随机矩阵理论，我们表明，量子混乱的这些度量清楚地将探针的有限时间行为与量子混乱区分为与高斯单位合奏（GUE）相对应的量子混乱，并将其与Poisson分布和高斯分布和高斯对数（Gaussian diagonal）（GDE）（GDE）（GDE）（gde）所给出的集成光谱。