Noncommutative Bayesian Statistical Inference From a Wedge of a Bifurcate Killing Horizon

Expanding the remark 5.2.7 of Segre (Segre, G. (2002). Algorithmic Information Theoretic Issues in Quantum Mechanics, PhD Thesis, Dipartimento di Fisica Nucleare e Teorica, Pavia, Italy. quant-ph/0110018.) the noncommutative bayesian statistical inference from one wedge of a bifurcate Killing horizon is analyzed looking at its interrelation with the Unruh effect.     

忆阻电路降维建模与特性分析

通过对蔡氏忆阻电路的数学建模分析,提出了忆阻电路动力学建模的降维问题.以包含两个磁控忆阻器的忆阻电路为例,进行了忆阻电路降维建模,由此建立了一个三维系统模型.基于该模型,分析了忆阻电路的平衡点和稳定性,研究了电路参数变化时忆阻电路的动力学特性.进一步,对包含两个磁控忆阻器的忆阻电路常规模型的分析结果和其降维模型的分析结果进行了比较.结果表明:忆阻电路降维模型的维数只与电容器的数量和电感器的数量有关,而与忆阻器的数量无关;当电路参数变化时忆阻电路存在分岔模式共存等非线性现象;降维建模降低了系统建模复杂度,有利于系统的动力学特性分析,但消除了忆阻器内部状态变量的初始条件对忆阻电路动力学特性的影响.     

基于流形学习的极端学习机及其在人脸识别中的应用

极端学习机以其快速高效和良好的泛化能力在模式识别领域得到了广泛应用,然而现有的ELM及其改进算法并没有充分考虑到数据维数对ELM分类性能和泛化能力的影响,当数据维数过高时包含的冗余属性及噪音点势必降低ELM的泛化能力,针对这一问题本文提出一种基于流形学习的极端学习机,该算法结合维数约减技术有效消除数据冗余属性及噪声对ELM分类性能的影响,为验证所提方法的有效性,实验使用普遍应用的图像数据,实验结果表明本文所提算法能够显著提高ELM的泛化性能。     

The uncertainty relation expressed by means of a new entropic function

In this article we use a new entropic function, derived from an f-divergence between two probability distributions, for the construction of an alternative entropic uncertainty relation. After a brief review of some existing f-divergences, a new f-divergence and the corresponding entropic function, derived from it, is introduced and its useful characteristics are presented. This entropic function is then applied to construct an alternative uncertainty relation of two non-commuting observables in quantum physics. An explicit expression for such an uncertainty relation is found for the case of two observables which are the x- and z-components of the angular momentum of the spin-1/2 system.      

基于统计推断的油滴实验数据处理

基于统计推断中对总体参数的区间估计,由对应样本的电荷测得值求得油滴带电量对单元电荷整倍数的总平均偏离量的区间估计.同时讨论了教学实验中样本容量的选取问题.给出由样本观察值对单元电荷量值的估计.     

对比变分自编码器的近红外光谱测量及其在液态样品检测中的应用

近红外光谱是热门的食品检测方法之一,对于这种高维光谱数据的分析常常需采用数据降维算法提取其中的特征,然而绝大多数算法都只能针对单个数据集进行分析。虽然已有基于对比学习的对比主成分分析成功应用于不同水果表面农残的近红外光谱检测中,但是该方法只能以线性的方式组合原有特征,特征提取效果存在局限性,并且需要调节对比参数来控制背景集影响,需要消耗更大的时间成本。cVAE(contrastive variational autoencoder)是一种基于对比学习和变分自编码器的改进算法,被用于图像去噪和RNA序列分析中,它仍然具备分析多个数据集的特点,同时因为组合了神经网络的概率生成模型而具备了提取非线性隐含特征的能力。将cVAE算法应用于近红外光谱分析,建立了准确的近红外光谱数据降维模型。在实际验证中,使用cVAE算法对购买的不同品牌和批次纯牛奶中掺假三聚氰胺进行检测。结果表明,使用VAE算法只能区分出不同品牌和批次的纯牛奶,而其中是否掺假三聚氰胺这一重要信息无法表现出来;而使用cVAE算法进行数据分析时,由于添加了背景数据集分离了无关变量,能够清晰的将有无掺假三聚氰胺的样本分类。这说明了,cV...     

基于广义判别分析的光谱分类

提出了基于广义判别分析(generalized discriminant analysis, GDA)方法对恒星(Star)、星系(Galaxy)和类星体(Quasars)的光谱进行分类。广义判别分析将核技巧与Fisher判别分析结合起来,通过非线性映射将样本集映射到高维特征空间F,在F空间中进行线性判别分析。实验对比了LDA, GDA, PCA, KPCA算法对于恒星、星系和类星体的光谱分类性能。结果表明基于GDA的算法对于这3种类型光谱的分类正确率最高,LDA次之;尽管KPCA也是一种基于核的方法,但是选择主成分个数较少时效果较差,甚至低于LDA;基于PCA的分类效果最差。     

对比主成分分析的近红外光谱测量及其在水果农药残留识别中的应用

近红外光谱（NIR）分析具有测试方便、不破坏样本、响应快速等优势,但是,由于在谱带分布和结构分析中存在着许多复杂因素,使得在提取特征光谱信息时存在许多困难。现阶段,虽然已经有多种光谱数据降维方式被广泛使用,但是这些传统的数据降维方式都有一个局限性,就是数据的降维仅仅针对于一个数据集,当数据集中有多个关键因素形成干扰时,数据降维和分类的结果往往不是很理想,得不到想要分析的信息。这一问题造成了在分析近红外光谱时建立的数据降维模型极差,无法正确的对样品进行预测分类。对比主成分分析（contrastive principle component analysis, cPCA）是一种基于主成分分析（PCA）的改进算法,起源于对比学习,并应用于基因组信息解析。cPCA算法的优势就是能够将一个数据集中的降维推广到两个相关联数据集之间的降维,从而能够得到数据集中的关键信息。将cPCA算法应用于近红外光谱处理中,建立了准确的近红外光谱数据降维模型。在实验验证中,使用cPCA算法对不同类型水果（苹果和梨）表面农药残留进行分析。结果表明,在对不同类型的水果进行农药残留分析时,使用PCA算法进行数据降维只能区分出不同的水果类型,而水果表面是否喷洒农药这一关键的特征信息并不能分析出来;而使用cPCA算法进行数据降维分析时,由于对背景光谱的约束作用,能够清晰的将有无喷洒农药的样本分类。这说明了,cPCA在近红外光谱数据降维中有着明显的优势,解决了近红外光谱数据降维模型中数据集受限和特征信息的提取问题,进而建立准确的近红外光谱数据降维模型。     

分形信号算法的CASI高光谱数据岩性特征提取

高光谱数据具有图谱合一和数据量大的特点,数据降维是主要的研究方向。波段选择和特征提取是目前高光谱降维的主要方法,就高光谱数据图像岩性特征提取的方法进行了试验和探讨。基于高光谱影像的自相似特征, 探索了分形信号算法在CASI高光谱数据岩性特征提取上的应用研究。以CASI高光谱影像数据为研究对象, 将基于地毯的方法进行修正后用于计算高光谱影像中每一像元的分形信号值。试验结果表明, 与其他分类算法相比分形信号算法增强高光谱图像的影像特征从另一个侧面更细致的描述了不同光谱的可区分性。分形信号影像在一定程度上可以更好地突出基岩裸露地区岩性特征, 从而可以实现影像地表岩性特征提取的目的。原始光谱曲线自身形态特征、初始尺度的选择以及迭代步长等对分形信号和分形特征尺度均有影响。目前,光谱曲线的分形信号特征研究还不多,对其物理意义和定量分析尚需要深入研究。     

Inference in quantum physics

In quantum physics all experimental information is discrete and stochastic. But the values of physical quantities are considered to depict definite properties of the physical world. Thus physical quantities should be identified with mathematical variables which are derived from the experimental data, but which exhibit as little randomness as possible. We look for such variables in two examples by investigating how it is possible to arrive at a value of a physical quantity from intrinsically stochastic data. With the aid of standard probability calculus and elementary information theory, we are necessarily led to the quantum theoretical phases and state vectors as the first candidates for physical quantities.     

高光谱参数和逐步判别的苎麻品种识别

为了探讨基于高光谱的苎麻品种识别和分类的方法,在大田栽培条件下,采集了4个不同基因型苎麻品种共927个叶片高光谱数据。根据苎麻叶片高光谱反射曲线,选择了2组特征参数： 基于高光谱波形峰谷反射率和位置参数(V1组)、基于偏度和峰度参数(V2组)。运用逐步判别的方法,通过设置不同F值筛选不同个数的变量,分别建立基于2组特征参数的多个Fisher线性判别函数,并从计算量、正确率和稳定性三方面对所建立的判别函数进行分析比较。结论： (1)所有组合的判别函数总体平均正确率为91.1%,标准差总体均值为1.2%;(2)综合权衡,在所有组合中,V2组且14≥变量个数n≥8判别效果最好--计算量中等,正确率和稳定性均高于平均值,其中,13个变量的Fisher判定函数平均正确率最高有94.2%,标准差最低为0%;(3)若优先考虑正确率,V1组且22≥变量个数≥15正确率最高,平均正确率最大有95.5%,但计算量比较大,稳定性中等,标准差最低为0.9%。研究表明,利用高光谱参数结合逐步判别方法识别苎麻品种是可行的。