在本文中，我们使用拓扑数据分析技术来构造合适的神经网络分类器，用于根据其参考指定系统来构建整个发电厂的传感器信号的任务。我们使用持久性图的表示来推导必要的预处理步骤并可视化大量数据。我们使用一维卷积层的深度架构，与堆叠的长短期存储器相结合，作为适合于处理持久性特征的剩余网络。我们组合了三个单独的子网，获得了输入时间序列本身和零级持续同源的表示。我们为大多数使用的超参数提供了数学推导。为了验证，使用来自相同结构类型的四个发电厂的传感器数据进行数值实验。
translated by 谷歌翻译
2022-12-01
Learning how to navigate among humans in an occluded and spatially constrained indoor environment, is a key ability required to embodied agent to be integrated into our society. In this paper, we propose an end-to-end architecture that exploits Socially-Aware Tasks (referred as to Risk and Social Compass) to inject into a reinforcement learning navigation policy the ability to infer common-sense social behaviors. To this end, our tasks exploit the notion of immediate and future dangers of collision. Furthermore, we propose an evaluation protocol specifically designed for the Social Navigation Task in simulated environments. This is done to capture fine-grained features and characteristics of the policy by analyzing the minimal unit of human-robot spatial interaction, called Encounter. We validate our approach on Gibson4+ and Habitat-Matterport3D datasets.
translated by 谷歌翻译
5G及以后的移动网络将以前所未有的规模支持异质用例，从而要求自动控制和优化针对单个用户需求的网络功能。当前的蜂窝体系结构不可能对无线电访问网络（RAN）进行这种细粒度控制。为了填补这一空白，开放式运行范式及其规范引入了一个带有抽象的开放体系结构，该架构可以启用闭环控制并提供数据驱动和智能优化RAN在用户级别上。这是通过在网络边缘部署在近实时RAN智能控制器（接近RT RIC）上的自定义RAN控制应用程序（即XAPP）获得的。尽管有这些前提，但截至今天，研究界缺乏用于构建数据驱动XAPP的沙箱，并创建大型数据集以有效的AI培训。在本文中，我们通过引入NS-O-RAN来解决此问题，NS-O-RAN是一个软件框架，该框架将现实世界中的生产级近距离RIC与NS-3上的基于3GPP的模拟环境集成在一起，从而实现了XAPPS和XAPPS的开发自动化的大规模数据收集和深入强化学习驱动的控制策略的测试，以在用户级别的优化中进行优化。此外，我们提出了第一个特定于用户的O-RAN交通转向（TS）智能移交框架。它使用随机的合奏混合物，结合了最先进的卷积神经网络体系结构，以最佳地为网络中的每个用户分配服务基站。我们的TS XAPP接受了NS-O-RAN收集的超过4000万个数据点的培训，该数据点在近距离RIC上运行，并控制其基站。我们在大规模部署中评估了性能，这表明基于XAPP的交换可以使吞吐量和频谱效率平均比传统的移交启发式方法提高50％，而动机性开销较少。
translated by 谷歌翻译
为偏置场校正和磁共振归一化问题提出了空间正则化的高斯混合模型LAPGM。提出的空间正常化程序为从业者提供了平衡偏置磁场去除和保存图像对比度之间的微调控制，以提供多序列的磁共振图像。LAPGM的拟合高斯参数用作控制值，可用于在不同的患者扫描中标准化图像强度。将LAPGM与单个和多序列设置中的众所周知的词汇算法N4ITK进行了比较。作为一种归一化程序，将LAPGM与已知技术（例如：最大归一化，Z得分归一化和水掩模的利益区域归一化）进行比较。最后，由作者提供了cuda加速python软件包$ \ texttt {lapgm} $。
translated by 谷歌翻译
预示着在不同时间尺度上作用的软件化，可编程网络控制和使用作用的全包装控制器的使用，作为下一代蜂窝网络发展的关键驱动力。这些技术已经培养了新设计的智能数据驱动的解决方案，用于管理大量各种蜂窝功能，基本上不可能在传统上闭合的蜂窝体系结构中实施。尽管行业对人工智能（AI）和机器学习（ML）解决方案具有明显的兴趣，该解决方案是对无线电访问网络（RAN）的闭环控制，并且该领域的几项研究工作远非主流，但仍然是一个复杂的操作，而且经常被忽略。在本文中，我们讨论了如何为开放式RAN的智能闭环控制设计AI/ML解决方案，从而根据具有高性能记录的示例解决方案提供指南和见解。然后，我们展示如何通过OpenRan Gym在O-RAN近实时RAN智能控制器（RIC）上实例化这些解决方案，Openran Gym是第一个用于数据驱动的O-RAN实验的公共可用工具箱。我们展示了一个由OpenRan Gym开发的XAPP的用例，并在蜂窝网络上进行了测试，其中有7个基站和42位用户部署在Colosseum Wireless网络模拟器上。我们的演示表明，位于Openran的XAPP开发环境的高度灵活性，该环境与部署方案和交通需求无关。
translated by 谷歌翻译
神经符号（NESY）集成将符号推理与神经网络（NNS）结合在一起，用于需要感知和推理的任务。大多数NESY系统都依赖于逻辑知识的持续放松，并且在模型管道中没有做出离散决策。此外，这些方法假定给出了符号规则。在本文中，我们提出了深入的符号学习（DSL），这是一个学习NESY函数的NESY系统，即，（集合）感知函数的组成，将连续数据映射到离散符号，以及一组符号功能符号。 DSL同时学习感知和符号功能，同时仅接受其组成（NESY功能）训练。 DSL的关键新颖性是它可以创建内部（可解释的）符号表示形式，并将其映射到可区分的NN学习管道中的感知输入。自动选择创建的符号以生成最能解释数据的符号函数。我们提供实验分析，以证实DSL在同时学习感知和符号功能中的功效。
translated by 谷歌翻译
单词是基本的语言单位，通过含义将思想和事物联系起来。但是，单词在文本序列中并未独立出现。句法规则的存在导致相邻单词之间的相关性。此外，单词不是均匀分布的，而是遵循幂定律，因为带有纯语义内容的术语似乎比指定语法关系的术语要少得多。使用序数模式方法，我们对11种主要语言的词汇统计连接进行了分析。我们发现，语言用来表达单词关系的各种举止产生了独特的模式分布。值得注意的是，我们发现这些关系可以用马尔可夫2的模型建模，并且该结果对所有研究的语言都有普遍有效。此外，模式分布的波动可以使我们能够确定文本及其作者的历史时期。综上所述，这些结果强调了时间序列分析和信息理论方法的相关性，以理解自然语言的统计相关性。
translated by 谷歌翻译
在机器学习中调用多种假设需要了解歧管的几何形状和维度，理论决定了需要多少样本。但是，在应用程序数据中，采样可能不均匀，歧管属性是未知的，并且（可能）非纯化；这意味着社区必须适应本地结构。我们介绍了一种用于推断相似性内核提供数据的自适应邻域的算法。从本地保守的邻域（Gabriel）图开始，我们根据加权对应物进行迭代率稀疏。在每个步骤中，线性程序在全球范围内产生最小的社区，并且体积统计数据揭示了邻居离群值可能违反了歧管几何形状。我们将自适应邻域应用于非线性维度降低，地球计算和维度估计。与标准算法的比较，例如使用K-Nearest邻居，证明了它们的实用性。
translated by 谷歌翻译
目的：为Kern等人提出的正弦线圈灵敏度模型提供封闭形式的解决方案。这种封闭形式允许对地面DEBIAS数据集的各种模拟偏置字段进行精确计算。方法：使用傅立叶分布理论和标准积分技术来计算线段磁场的傅立叶变换。结果：a $ l^1 _ {\ rm loc}（\ mathbb {r}^3）$函数在任意线段的几何形状中以完整的通用性得出。还讨论了采样标准和与原始正弦模型的等效性。最后，作者提供了CUDA加速实现$ \ texttt {biasgen} $。结论：由于派生的结果受到线圈定位和几何形状的影响，从业者将可以访问更多样化的模拟数据集生态系统，这些数据集可用于比较前瞻性偏见方法。
translated by 谷歌翻译
开放式无线电访问网络（RAN）体系结构将在下一代蜂窝网络中启用互操作性，开放性和可编程数据驱动控制。但是，开发和测试有效的解决方案，这些解决方案跨越了异质的细胞部署和量表，并在如此多样化的环境中优化网络性能是一项复杂的任务，这是一项复杂的任务，仍然在很大程度上没有探索。在本文中，我们介绍了OpenRan Gym，这是一个统一，开放和O-Ran符合的实验工具箱，用于数据收集，设计，原型设计和测试下一代Open RAN Systems的端到端数据驱动的控制解决方案。 OpenRan Gym扩展并结合了一个独特的解决方案，几个软件框架用于数据收集统计和控制控制，以及轻巧的O-Ran近实时RAN智能控制器（RIC）量身定制，可在实验性无线平台上运行。我们首先概述了OpenRan Gym的各种建筑组件，并描述了如何按大规模收集数据和设计，训练和测试人工智能和机器学习O-Ran-Commiate应用程序（XAPP）。然后，我们详细描述了如何在SoftWarized Rans上测试开发的XAPP，并提供了一个使用OpenRan Gym开发的两个XAPP的示例，这些XAPP用于控制一个具有7个基站的网络，并在奥马斗马会测试中部署了42个用户。最后，我们展示了如何通过罗马竞技场上的Openran Gym开发的解决方案，可以将其导出到现实世界中的异质无线平台，例如Arena Testbed以及PAWR计划的粉末和宇宙平台。 OpenRan Gym及其软件组件是开源的，并且对研究社区公开可用。
translated by 谷歌翻译