XiaoMi-AI文件搜索系统
World File Search System黎曼流
具有间断性的 BCI 的黎曼通道选择......
摘要— 目标：会话间非平稳性是当前脑机接口 (BCI) 面临的主要挑战，会影响系统性能。在本文中，我们研究了使用通道选择来减少黎曼 BCI 分类器的会话间非平稳性。我们使用协方差矩阵的黎曼几何框架，因为它具有鲁棒性和良好的性能。当前的黎曼通道选择方法不考虑会话间非平稳性，通常在单个会话中进行测试。在这里，我们提出了一种新的通道选择方法，该方法专门考虑非平稳性影响，并在多会话 BCI 数据集上进行评估。方法：我们使用顺序浮动后向选择搜索策略删除最不重要的通道。我们的贡献包括：1) 在黎曼框架中通过不同标准量化多类问题中非平稳性对大脑活动的影响；2) 一种预测 BCI 性能是否可以通过通道选择提高的方法。结果：我们在三个基于多会话和多类心理任务 (MT) 的 BCI 数据集上评估了所提出的方法。与使用所有通道相比，它们可以显著提高受会话间非平稳性影响的数据集的性能，并且在所有数据集上都明显优于最先进的黎曼通道选择方法，尤其是在选择小通道集大小时。结论：通过通道选择降低非平稳性可以显著提高黎曼 BCI 分类准确性。意义：我们提出的通道选择方法有助于使黎曼 BCI 分类器对会话间非平稳性更具鲁棒性。索引词——脑机接口、EEG、黎曼流形、通道选择、非平稳性。
通过大脑启发的几何透镜重新思考最大流问题和波束形成设计
摘要 — 可以通过双管齐下的方法提高无线网络（如车载网络）的数据速率，即 1）通过并行独立路由提高网络流速率；2）通过波束成形码本自适应提高用户的链路速率。移动中继（如移动路边单元）由于其定位灵活，可用于实现这些目标。首先在网络层面，我们将正则化拉普拉斯矩阵建模为黎曼流形上的点，该矩阵是表示中继相关网络图的对称正定 (SPD) 矩阵。受大脑网络中不同任务的几何分类的启发，黎曼度量（如对数欧几里德度量 (LEM)）用于选择可实现最大 LEM 的中继位置。仿真结果表明，与其他传统度量（如代数连通性）相比，所提出的基于 LEM 的中继定位算法可实现并行路由并实现最大网络流速率。其次，在链路层，我们提出了一种无监督几何机器学习 (G-ML) 方法来学习每个中继相关环境的独特信道特性。鉴于空间相关衰落信道具有 SPD 协方差矩阵，它们可以在黎曼流形上表示。因此，基于 LEM 的黎曼度量用于环境信道的无监督学习，并据此构建匹配的波束成形码本。仿真结果表明，所提出的 G-ML 模型在短暂的训练期后提高了链路速率。
滑流
首先，我必须感谢受邀为“滑流”做出贡献。作为一名非飞行员，我很荣幸有机会与我们海军舰队航空兵的（前任和现任）成员进行交流。距离“澳大利亚皇家海军”（RAN）这个新国家被授予英联邦海军部队已有近 100 年。在过去的这些年里，无论是在和平时期还是在战争时期，RAN 都多次应邀前往我们的国家。每次我们都做好准备，为我们有充分理由自豪地享受的持续自由和民主做出重大贡献。2014 年，在我们参加第一次冲突一百周年之际，我相信 RAN 将处于能力的分水岭时刻。五年后，海军将投入使用两级战舰，为澳大利亚国防军提供显著增强甚至全新的能力。从 2014 年开始，我相信澳大利亚皇家海军将在几十年来首次实现真正平衡的兵力结构和先进的作战能力——可以说是自我们成立以来首次。海军将在 2014 年迎来三艘霍巴特级 7,000 吨级宙斯盾防空驱逐舰中的第一艘。此外，27,000 吨级两栖舰（直升机登陆舰 - LHD）HMAS CANBERRA 将于同年交付。每个级别的战舰都将为澳大利亚国防军提供一套能力，这将大大增强我们在联合任务组环境中有效作战的能力。在霍巴特级中，我们将能够大大拓宽我们在区域空战中的视野，并引入令人印象深刻的指挥和控制 (C2) 能力以及先进的水面、水下和打击系统。堪培拉级将标志着澳大利亚持续两栖或远征作战能力的出现。引入海上联合 C2 能力、用于船岸“连接器”的可淹没对接以及用于多飞机作战的令人印象深刻的航空设施将带来挑战和显著优势。凭借升级后的 COLLINS 级潜艇、新型多船员 ARMIDALE 级巡逻艇、HUON 级扫雷艇和扫雷潜水队、补给舰、大大增强的 ANZAC 级护卫舰、不断发展的海洋科学部队，当然还有我们的舰队航空兵，澳大利亚皇家海军将同时拥有超越以往任何时候的广度和深度。澳大利亚将拥有新一代海军 (NGN)。五年内有很多事情要做，我期待您的支持和贡献，以充分实现我们的 NGN。我们有很多值得兴奋的事情。问候 S. R. GILMORE 海军少将，RAN
刘易斯和黎曼——以任务为中心的用户界面设计
前言 xiii 0.1 本书内容是什么？ . . . . . . . . . . . . . . . xiii 0.1.1 谁应该读本书？ . . . . . . . . . . . xiii 0.1.2 什么是用户界面？ . . . . . . . . . . . . . xiii 0.1.3 本书涵盖哪些类型的用户界面？ xiv 0.1.4 为什么要关注设计？ . . . . . . . . . . . . . . . . xiv 0.2 如何使用本书 . . . . . . . . . . . . . . . . . . xv 0.2.1 超级主题和实例 . . . . . . . . . . . . . . . . . . . . . . xvi 0.2.2 练习 . . . . . . . . . . . . . . . . . . . . . . xvi 0.3 关于共享软件：如何获取本书并付款 . . . . xvii 0.3.1 为什么要共享软件？ . . . . . . . . . . . . . . . . . . xviii 0.3.2 对教师和学生的特别说明 . . . . . . . . . xviii 0.3.3 从何处获取最新副本 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .................................................................................................................................................xx
用于脑电图解码的深度黎曼网络
摘要：目前，脑电图 (EEG) 解码任务中的最佳性能通常通过深度学习 (DL) 或基于黎曼几何的解码器 (RBD) 实现。最近，人们对深度黎曼网络 (DRN) 的兴趣日益浓厚，它可能结合了前两类方法的优势。然而，仍然有一系列主题需要额外的洞察力，为 DRN 在 EEG 中的更广泛应用铺平道路。这些包括架构设计问题，例如网络大小和端到端能力。这些因素如何影响模型性能尚未探索。此外，尚不清楚这些网络中的数据是如何转换的，以及这是否与传统的 EEG 解码相关。我们的研究旨在通过分析具有广泛超参数的 EEG DRN，为这些主题领域奠定基础。在五个公共 EEG 数据集上测试了网络，并与最先进的 ConvNets 进行了比较。在这里，我们提出了端到端 EEG SPDNet（EE(G)-SPDNet），并且我们表明这种宽的端到端 DRN 可以胜过 ConvNets，并且在这样做时使用生理上合理的频率区域。我们还表明，端到端方法比针对 EEG 的经典 alpha、beta 和 gamma 频带的传统带通滤波器学习更复杂的滤波器，并且性能可以从特定于通道的滤波方法中受益。此外，架构分析揭示了进一步改进的地方，因为整个网络可能未充分利用黎曼特定信息。因此，我们的研究展示了如何设计和训练 DRN 以从原始 EEG 推断与任务相关的信息，而无需手工制作的滤波器组，并强调了端到端 DRN（如 EE(G)-SPDNet）用于高性能 EEG 解码的潜力。
神经营销的黎曼脑电图分析框架
为了进一步验证，我们使用了额外的公开数据集。共有 31 名健康个体（13 名男性，年龄 19-41 岁）参与了这项研究。研究人员以随机顺序向参与者播放了六种选定食品的三段相同视频广告（即动态内容）。每个视频广告的长度在 25 到 46 秒之间。视频播放完成后，使用二元选择试验得出产品排名。在这里，分类任务归结为对参与者在排名方面的第一个和最后一个选择的辨别，这很容易与决策过程联系起来，从而与购买（或不购买）产品的意图联系起来。最后，记录脑电图活动，并进行抽样
由于定向流导致椭圆流的左右分裂
最近，有研究表明，在非中心相对论重离子碰撞中，椭圆流 v 2 在有限快速度下会分裂，这是由于全局涡度所致。在本研究中，我们发现有限快速度下椭圆流的这种左右（即在撞击参数轴的两侧）分裂是由于非零定向流 v 1 所致，其分裂幅度 ≈ 8 v 1 (1 − 3 v 2 ) / (3 π )。我们还使用多相传输模型（该模型自动包含涡度场和流动波动）来确认 v 2 分裂。此外，我们发现，对于相对于一阶或二阶事件平面测量的原始 v 2 和 v 1（即在应用事件平面解析之前），v 2 分裂的分析预期都成立。由于 v 2 分裂主要是由 v 1 驱动的，因此它在零横向动量（ p T ）时消失，而且它的大小和符号可能对 p T 、中心性、碰撞能量和强子种类具有非平凡的依赖性。