我们第一次研究了暗物质（由自旋为0、1 / 2或1的粒子表示）在超维发条/线性Dilaton模型中与标准模型粒子在重力作用下相互作用的可能性。 我们假设“暗物质”和“标准模型”都位于IR叶片中，并且仅通过重力介体相互作用，即Kaluza-Klein（KK）引力子和radion / KK-dilaton模式。 我们将“暗物质” an灭通道详细分析为标准模型粒子和两个壳上的Kaluza-Klein塔（两个KK重力子，或两个Radon / KK-膨胀子，或每个），发现有可能 对于5到数百TeV范围的5维重力尺度M 5，通过热冻结可以得到m DM∈[1，15] TeV范围内暗物质质量的观测到的文物丰度。 取决于LHC Run II的边界，而与DM粒子自旋无关。

matlab精度检验代码我们提供了使用超维计算的语言识别算法的Matlab和VERILOG RTL实现。 这些程序被许可为GNU GPLv3。 对于MATLAB代码，基本上有两个主要功能： buildLanguageHV（N，D）：这是一种训练功能。 D是超向量的维数（约10K），N是N-gram的大小（从单字到五角星）。 此函数返回[iM，langAM]。 iM是存储超向量的项目存储器。 langAM是存储语言超向量的内存，可用作关联内存。 测试（iM，langAM，N，D）：这是一个测试功能。 此测试功能测试看不见的句子，并尝试通过查询langAM来识别其语言。 这是一个使用算法的简单示例： langRecognition D = 10000; N = 4； [iM，langAM] = buildLanguageHV（N，D）; 加载的转换语言文件../training_texts/afr.txt加载的转换语言文件../training_texts/bul.txt ...％请耐心等待一段时间，以使用所有语言 精度=测试（iM，langAM，N，D）加载的测试文本文件../testi

短时能量matlab代码超维计算项目的集合 在这里，我们旨在使用超维计算提供全面的项目集合。 如果您有任何相关的项目，请。 超维计算导论 大脑的工作方式表明，与使用我们习惯的数字进行运算相比，使用称为“超向量”的超维（HD）向量进行计算更加有效。 使用超向量进行计算可提供一种通用且可扩展的计算模型，以及定义明确的一组算术运算，可以实现快速且一次性的学习（无需反向传播）。 此外，它以内存为中心，执行令人尴尬的并行操作，并且对于大多数故障机制和噪声具有极强的鲁棒性。 超向量是高维（例如10,000位），（伪）随机性，具有独立的相同分布的分量，从而导致全息表示（即未进行微编码）。 超向量可以使用各种编码：密集或稀疏，双极，二进制，实数，复数。 可以使用算术运算（例如乘法，加法和置换）将它们组合在一起，并使用距离量度对它们的相似性进行比较。 有用的阅读 将基于事件的动态视觉传感器与稀疏超维计算相集成，以进行在线学习 项目规范：开发嵌入以将在346×260差分像素上生成的事件压缩为稀疏的8160位向量，这不仅可以简化推理，还可以使用相同的内存占用空间进行在线学习，以解决回归任务。 输入：从基于事

内含很详细的代码示例，适合初学者参考，能小走很多弯路啊

matlab肌电信号处理代码我们为基于肌电图（EMG）的手势识别提供了超维（HD）计算的Matlab实现。 我们将其有效性（识别精度，学习速度，鲁棒性等）与多类支持向量机（SVM）作为EMG分类的最新方法进行了比较。 该程序被许可为GNU GPLv3。 这些文件的组织如下。 “ ICRC.m”：用于EMG信号的高清编码/解码的所有功能 “ generatePaperFigures.m”：生成纸张中使用的图形（5、7、8、9、10） “ dataset.mat”：5个主题的EMG完整数据集 “ svmtrain.mexa64”：LIBSVM v3.21中的SVM训练功能（可在中找到支持向量机的库） “ svmpredict.mexa64”：SVM也可以从LIBSVM v3.21预测功能 “ errorbar_groups.m”：带有错误条的分组条形图，可在Matlab fileexchange / 29702中获得。 “ binaryCode.m”：我们还提供了另一个版本的EMG编码器，该编码器使用了二进制种子超向量，而不是本文中使用的双极性代码。 可以使用此MATLAB文件代替“ IC