This second edition of the popular Cognitive Neuroscience of Aging provides up-to-date coverage of the most fundamental topics in this discipline. Like the first edition, this volume accessibly and comprehensively reviews the neural mechanisms of cognitive aging appropriate to both professionals and students in a variety of domains, including psychology, neuroscience, neuropsychology, neurology, and psychiatry.,解压密码 share.weimo.info

转自CCF，网址：https://dl.ccf.org.cn/lecture/lectureDetail?id=4663476289865728。 摘要：利用可解释推理机制对知识图谱进行推断是一个非常重要的问题，已受到广泛关注。本报告提出一种新型的知识图谱学习框架 CognitiveGraph, 该框架建立在认知科学dual process 理 论基础上，通过协调内涵抽取模块和外延推理模块迭代构建认知图谱，并且给出了一种可解释推理路径。CognitiveGraph 框架的实现基于 BERT 和图神经网络 GNN, 能够有效的处理超大规模节点网络，已经成功应用于许多领域，包括基于推理的问答系统 ( HotpotQA ) ，表现出相对现有方法最好的性能。

为了解决无线网络应用需求与日益稀缺的频谱资源之间的矛盾，出现了认知无线网络技术。 根据无线网络节点的特点，结合多种混合控制策略，提出了一种具有监控机制的多优先级双时钟概率检测CSMA（MPCPD-CSMA）协议。 现场可编程门阵列（FPGA）硬件电路首次用作实验研究平台。 认知无线网络MAC协议的设计与实现。 该设计利用硬件描述语言Verilog.HDL和原理图输入以及QuartusII9.0电路设计，充分利用了FPGA的灵活性。 通过将电路系统的统计值与理论值进行比较，验证了该设计具有实时性好，可靠性高，可移植性强的特点。 它可以有效降低系统节点能耗，提高系统吞吐量，并可以应用于无线网络。

与传统的基于单模式的方法相比，它在诊断和预后阿尔茨海默氏病（AD）以及其前驱阶段（即轻度认知障碍（MCI））方面显示出巨大的优势。 然而，据我们所知，大多数现有方法都集中于挖掘同一主题的多种模式之间的关系，而忽略了不同主题之间的潜在有用关系。 因此，在本文中，我们将通过全面研究模态与主题之间的关系，为AD / MCI的多模态分类提出一种新颖的学习方法。 具体来说，我们提出的方法包括两个后续组件，即标签对齐的多任务特征选择和多模式分类。 在第一步中，将从多种模态中学习的特征选择视为不同的学习任务，并使用组稀疏性正则化器共同选择相关特征的子集。 此外，为了利用标记对象之间的区别信息，在标准多任务特征选择的目标函数中添加了一个新的标签对齐正则化术语，其中标签对齐意味着所有具有相同类别标签的多模态对象应在距离上更近。新的功能减少的空间。 第二步，采用多核支持向量机（SVM）融合多模态数据中的选定特征，以进行最终分类。 为了验证我们的方法中，我们执行在阿尔茨海默病的神经影像学倡议（ADNI）数据库使用基线MRI和FDG-PET成像数据的实验。 实验结果证明我们提出的方法与几种用于AD / MCI

关于使用MATLAB进行脑认知科学的相关知识，主要是用于fmri的

以前的分散式认知媒体访问控制（DC-MAC）协议允许次要用户（SU）独立搜索频谱访问机会，而无需中央协调员。 DC-MAC假定检测方案在物理（PHY）层是理想的。 实际上，在分布式频谱共享方案中，更复杂的检测算法是不切实际的。 由于PHY层的能量检测（ED）计算和实现复杂度较低，因此已成为最常用的方法。 因此，至关重要的是在PHY层将DC-MAC与ED集成在一起。 但是，ED需要最低采样时间（MST）持续时间才能在低信噪比（SNR）环境中实现目标检测概率。 否则，将无法达到预期的检测性能。 在本文中，我们推导了在低SNR环境中ED的MST的准确表达。 然后，我们提出了一种基于MST的优化DC-MAC（ODC-MAC）协议，该协议对上述带有ED的DC-MAC问题进行了修正。 此外，对于DC-MAC和ODC-MAC都导出了不可靠的数据传输概率的闭式表达式。 我们表明，仿真结果与理论分析吻合良好。 与传统的DC-MAC相比，所提出的ODC-MAC可以提高数据传输的可靠性并提高吞吐量。

作为无线电技术的一场革命，认知无线电（CR）为频谱访问和网络协调带来了显着的灵活性。 在认知无线电自组织网络（CRAHN）中，分布式多跳体系结构，CR用户的移动性和动态频谱可用性使得为多跳通信构建相对稳定的网络主干至关重要。 在本文中， 我们提出了一种基于集群的动态拓扑管理方案。 该方案的特点是在CRAHN的可变环境中将拓扑管理作为动态优化问题。 该方案由基于本地公共通道（CLCC）和集群维护阶段的集群算法组成。 CLCC优化了群集大小，同时为群集提供了强大的潜力。 随着网络的变化，利用该潜力来更新构建的集群。 集群的互连性方案保证了集群的实时连通性，这对端到端的性能大有裨益。 广泛的模拟证明了所提出的解决方案可以提供比现有解决方案更有效和稳定的结构。

An energy aware resource allocation for cognitive radio OFDMA systems

Transport capacity of cooperative cognitive radio ad hoc networks

Outage Performance of Relay-Assisted Primary and Secondary Transmissions in Cognitive Relay Networks