321 Arbeiten
Diese Arbeit stellt einen maßgeschneiderten Primal-Dual-Innenpunkt-Solver für Second-Order-Cone-Programmierprobleme vor, der durch eine effiziente Homogenisierung und einen Code-Generator, der C-Code ohne externe Abhängigkeiten erzeugt, besonders für Echtzeit-Anwendungen in der Führungs- und Regelungstechnik auf eingebetteten Plattformen optimiert ist.
Dieser Beitrag stellt ein plattformbewusstes Framework vor, das drahtlose Verbindungen durch ein neuartiges, gemeinsames Antennenmuster modelliert, das Streuungen durch Hardware-Montagen berücksichtigt und die Pfadverlustschätzung im Vergleich zu herkömmlichen Modellen um bis zu 10 dB verbessert.
Dieses Papier stellt einen analytischen Rahmen und einen Empfänger für FM-OFDM als konstanten Hüllkurven-Wellenform für ISAC-Systeme vor, der durch die Nutzung des PA-Sättigungsbereichs eine verbesserte Sensierungsreichweite und Zuverlässigkeit unter strengen Bandbreiten- und Doppler-Bedingungen ermöglicht.
Diese Arbeit stellt einen lernbasierten Optimierungsrahmen vor, der durch das Ersetzen ausgewählter Iterationen durch rechenarme Approximationen und das Erlernen erweiterter Hyperparameter die Rechenkomplexität um mehr als drei Größenordnungen reduziert, während gleichzeitig ein State-of-the-Art-Leistungsniveau in Anwendungen wie Hybrid-Beamforming und robuster Hauptkomponentenanalyse erreicht wird.
Diese Arbeit zeigt, dass das Training mit hohen Ausfallraten von Modalitäten die Robustheit eines Emotions-bewussten, Multi-Enrollment-Fusionsmodells für die audio-visuelle Zielsprecherextraktion signifikant verbessert und so auch bei unvorhergesehenen Signalverlusten stabile Leistung gewährleistet.
Dieser Artikel stellt eine schnelle Methode zur Tensor-Train-Vervollständigung vor, die unter Verwendung von Standard-Linearalgebra-Operationen und deterministischen Bedingungen ausschließlich auf Beobachtungen ganzer Fasern entlang eines einzelnen Modus basiert, um fehlende Einträge in Mehrweg-Datentensoren effizient wiederherzustellen.
Dieser Artikel stellt einen manifold-basierten Optimierungsansatz vor, der durch die Einhaltung der Reziprozität und die Nutzung von Fractional Programming eine effiziente Summenratenmaximierung für reziproke Beyond-Diagonal-Reconfigurable Intelligent Surfaces (BD-RIS) ermöglicht und dabei den aktuellen State-of-the-Art-Methoden überlegen ist.
Diese Arbeit stellt einen Rollout-basierten Regelungsrahmen vor, der durch sparsity-fördernde Regularisierung einen Kompromiss zwischen Regelgüte und Aktorhäufigkeit findet, während sie Stabilität und Leistungsgarantien gegenüber periodischer Regelung theoretisch nachweist.
Diese Arbeit stellt eine verteilte Steuerungsstrategie für Multi-Agenten-Systeme vor, die ausschließlich auf Rotationssymmetrie-Bedingungen basiert und mit minimaler Konnektivität ( Kanten) eine gewünschte planare Formation sowie koordinierte Manöver ermöglicht.
Die Arbeit stellt HyWA vor, eine personalisierte Sprachaktivitätserkennungsmethode, die mithilfe eines Hypernetzes angepasste Gewichte für ausgewählte Schichten eines Standardmodells generiert und dabei sowohl die Genauigkeit als auch die Deployment-Effizienz im Vergleich zu bestehenden Sprecher-Conditioning-Verfahren verbessert.
Diese Arbeit stellt eine prädiktive Aggregationsmethode vor, die durch eine dezentrale, mehrstufige Optimierung in Echtzeit und Offline-Phasen flexible Lastprofile für die effiziente und datenschutzkonforme Steuerung von Niederspannungsnetzen generiert.
Diese Arbeit analysiert und synthetisiert diskrete Optimierungsalgorithmen, die durch die Lösung linearer Matrixungleichungen mit Zames-Falb-Filtern eine zertifizierte exponentielle Konvergenzrate auch unter schwankenden Netzwerkverzögerungen und instabilen Kanäldynamiken garantieren.
Diese Arbeit untersucht Generalisierte Nash-Gleichgewichte (GNE) aus systemtheoretischer Sicht, indem sie die Äquivalenz zwischen strikter Dissipativität und dem Turnpike-Phänomen nachweist, Bedingungen für optimale Betriebspunkte herleitet und lineare Endstrafen zur Sicherung der Konvergenz in spieltheoretischer MPC vorschlägt.
Diese Arbeit stellt einen neuartigen lokalen Energiemarkt vor, der durch die Kombination des kombinatorischen Auktionsmechanismus mit maschinellem Lernen komplexe Präferenzen von Prosumern in einem intuitiven Format erfasst und so die Preisfindung beschleunigt sowie die Transparenz erhöht.
Die vorgestellte Arbeit entwickelt einen effizienten und sicherheitsgarantierten Ansatz, der mittels struktureller Optimierung und Umformulierung als gemischt-ganzzahliges lineares Programm (MILP) aus menschlichen Präferenzen, Rangfolgen oder Demonstrationen optimale Verhaltensstrategien für autonome Systeme in sicherheitskritischen Anwendungen wie Robotik und Formel 1 ableitet.
Diese Arbeit stellt eine vollständig auf einem ESP32-S3-Mikrocontroller und einem ADS1299-Analogfrontend basierende, quantitativ charakterisierte EEG-Plattform vor, die eine Echtzeit-Decodierung von SSVEP-Signalen mit 8 Kanälen, einer Online-Genauigkeit von 99,17 % und einer Informationsübertragungsrate von 27,66 Bit/min ohne externe Rechenleistung ermöglicht.
Die Studie stellt PanSubNet vor, ein interpretierbares Deep-Learning-Framework, das aus routinemäßigen H&E-gefärbten Gewebeschnitten molekulare Subtypen des Pankreaskarzinoms (basal-ähnlich und klassisch) mit hoher Genauigkeit vorhersagt und somit eine kosteneffiziente, schnelle und klinisch anwendbare Alternative zu teuren Genexpressionsanalysen bietet.
Das Paper stellt GOUHFI 2.0 vor, ein aktualisiertes Deep-Learning-Toolbox für die robuste Segmentierung, kortikale Parzellierung und Volumetrie von Gehirn-MRT-Daten bei Ultra-Hochfeld-Stärken, das durch erweiterte Trainingsdaten und eine kontrast- sowie auflösungsunabhängige Architektur die Grenzen bestehender Software überwindet.
Das Paper stellt LexiSafe vor, ein theoretisch fundiertes Offline-Safe-Reinforcement-Learning-Framework, das durch eine lexikographische Hierarchie von Sicherheits- und Belohnungszielen sowie strukturelle Verzerrungen Sicherheitsverletzungen in cyber-physischen Systemen effektiv verhindert und gleichzeitig die Leistung verbessert.
Die Arbeit stellt ZACH-ViT vor, einen kompakten Vision Transformer ohne Positionscodierung und [CLS]-Token, der durch permutationsinvariante Verarbeitung und globale Durchschnittspooling in datenarmen medizinischen Bildgebungsszenarien regimeabhängige Vorteile zeigt, insbesondere bei Datensätzen mit schwachen räumlichen Priors.