基于Wiener和Poisson噪声的随机Markov跳跃系统的最优控制：两种强化学习方法 学术背景 在现代控制理论中，最优控制是一个非常重要的研究领域，其目标是在各种约束条件下为动态系统设计一个最优控制策略，以最小化给定的成本函数。对于随机系统，传统的最优控制方法通常需要系统的完整模型信息，这在实际应用中存在很大的局限性。近年来，强化学习（Reinforcement Learning, RL）作为一种无需系统模型的方法，逐渐成为解决最优控制问题的重要工具。RL通过直接从数据中学习，能够获得最优值函数和最优策略，并且通过策略迭代（Policy Iteration）方法可以不断改进性能。 随机Markov跳跃系统（Stochastic Markovian Jump Systems, SMJS）...

基于图论的主动学习疾病监测优化策略 学术背景 随着全球化的加速，传染病的传播速度与范围显著增加，如何有效监测和控制传染病的传播成为公共卫生领域的重要课题。传统的疾病监测方法通常依赖于大规模的检测和隔离措施，然而，资源有限的情况下，如何优化检测资源的分配以最大化信息获取，成为了政策制定者面临的挑战。尤其是在资源匮乏的地区，检测资源的分配不均可能导致疫情的持续蔓延。因此，开发一种能够在有限资源下最大化监测效果的策略显得尤为重要。 本文的研究旨在通过图结构（graph-based）和主动学习（active learning）的方法，优化疾病监测中的检测资源分配。具体来说，研究者将疾病传播建模为一个无向无权图（undirected and unweighted graph），其中节点代表地理位置，边...

# 基于未配准表面空间的弹性形状分析研究综述 ## 背景介绍 三维表面分析近年来已成为计算机视觉领域的热点研究方向之一。这种需求的兴起主要源于高精度3D扫描设备的普及，它使得人类健康分析、面部动画、计算机图形学、合成人体数据生成以及计算解剖学等领域获得了丰富的研究和应用数据。然而，传统的表面形状分析方法通常依赖一致的网格结构和点对应关系，这在实际应用中难以实现，因为真实数据通常缺乏一致的采样和拓扑结构。为了解决这些挑战，研究者们提出了基于黎曼几何的弹性形状分析方法（Elastic Shape Analysis, ESA），该方法通过定义形状空间上的弹性度量来比较表面形状。 这篇发表于 **International Journal of Computer Vision** 的论文《Basis...

多特征基因组关联研究的自适应鲁棒方法 摘要： 过去十年间的基因组关联研究(GWAS)已识别出数千种与人类性状或疾病相关的遗传变异。然而，许多性状的遗传度仍未能完全解释。传统的单一性状分析方法过于保守，而多性状方法通过整合多个性状的关联证据来提高统计力。GWAS总结性统计数据通常是公开可获取的，因此只使用总结性统计的方法具有更大的使用前景。为了解决已开发的多性状分析方法中存在的不一致表现、计算效率低、并且在考虑大量性状时出现数字问题，我们提出了一种自适应Fisher方法用于总结性统计的多性状分析(MTAFS)，这是一种计算效率高并且统计力鲁棒的方法。 研究背景： 基因组关联研究(GWAS)在遗传变异与复杂疾病之间的相关性研究中发挥了重要作用。然而，当一个遗传变异与多个性状相关时，采用单一性状分...

基于贝叶斯张量建模的阿尔茨海默病影像分类 引言 神经影像学研究是当代神经科学的重要组成部分，极大地丰富了我们对大脑结构和功能的认识。通过这些非侵入性的视觉化技术，研究人员可以更精确地预测某些神经和精神疾病的风险，进而在早期阶段进行干预和治疗，从而改善患者的健康和生活质量。特别是在阿尔茨海默病（Alzheimer’s Disease，以下简称AD）的研究中，神经影像学提供了宝贵的病理机制见解，能跟踪病情进展，识别早期症状并区分其他导致痴呆的原因。 然而，在处理神经影像数据时会面临多个重大挑战，例如数据空间依赖性、高维度及噪声，并且往往难以在异构条件下识别合适的神经生物标志物。为了应对这些复杂的影像数据问题，研究者提出了多种统计和机器学习方法，其中包括基于影像特征的分类模型。 尽管现有的方法有着...