A cognitive radio (CR) network refers to a secondary network operating in a frequency band originally licensed/allocated to a primary network consisting of one or multiple primary users (PUs). A fundamental challenge for realizing such a system is to ensure the quality of service (QoS) of the PUs as well as to maximize the throughput or ensure the QoS, such as signal-to-interference-plus-noise ratios (SINRs), of the secondary users (SUs). In this paper, we study single-input multiple output multiple access channels (SIMO-MAC) for the CR network. Subject to interference constraints for the PUs as well as peak power constraints for the SUs, two optimization problems involving a joint beamforming and power allocation for the CR network are considered: the sum-rate maximization problem and the SINR balancing problem. For the sum-rate maximization problem, zero-forcing based decision feedback equalizers are used to decouple the SIMO-MAC, and a capped multi-level (CML) water-filling algorithm is proposed to maximize the achievable sum-rate of the SUs for the single PU case. When multiple PUs exist, a recursive decoupled power allocation algorithm is proposed to derive the optimal power allocation solution. For the SINR balancing problem, it is shown that, using linear minimum mean-square-error receivers, each of the interference constraints and peak power constraints can be completely decoupled, and thus the multi-constraint optimization problem can be solved through multiple single-constraint sub-problems. Theoretical analysis for the proposed algorithms is presented, together with numerical simulations which compare the performances of different power allocation schemes.

The purpose of this chapter is to verify the development of the CRE-FATD module to enhance young children's creative thinking. Statistical analysis methods include independent sample t-tests and paired sample t-tests for difference analysis, comparing the significance of the observed subjects' Torrance Creative Thinking Test scores before and after the test to understand whether the observed young children's creative thinking has improved. To make the experiment more rigorous, the post-measurement of creative thinking is conducted for two classes Transform data Conduct an independent sample t-test to observe whether there is a significant difference in the creative thinking of the two classes of children after the start of the course. Before each round of activities, a pre-test is conducted on a total of 20 observation subjects in the two classes, and a post-test is conducted after the activities. By comparing the pre- and post-test data of the two classes, the conclusion is drawn whether creative dance can promote the development of creativity in middle-aged children, and the process and results of the action research are reflected and evaluated.

The outbreak of COVID-19 caused unprecedented disruptions to public transport services. As such, this paper proposes a methodology for analyzing COVID-19 impact on public transport mobility. The proposed methodology includes: (1) a new unsupervised machine learning (UML) method, which utilizes a decoder-encoder architecture and a flow property-based learning objective function, to estimate the origin-destination (OD) flows of public transport systems from boarding-alighting data; and (2) a temporal-spatial analysis method to analyze OD flow change before and during COVID-19 to unveil its impact on mobility across time and space. The validation of the UML method showed that it achieved a coefficient of determination of 0.836 when estimating OD flows using boarding-alighting data. Upon the successful validation, the proposed methodology was implemented to analyze the impact of COVID-19 on the mobility of the New York City subway system. The implementation results indicate that (1) the rise in the number of weekly new COVID-19 cases intensified the impact on the public transport mobility, but not as strongly as public health interventions; and (2) the inflows to and outflows from the center of the city were more sensitive to the impact of COVID-19.

To explore the application value of MRI-based imaging histology and deep learning model in the identification and classification of breast phyllodes tumors. Seventy-seven patients diagnosed as breast phyllodes tumors and fibroadenomas by pathological examination were retrospectively analyzed, and traditional radiomics features, subregion radiomics features, and deep learning features were extracted from MRI images, respectively. The features were screened and modeled using variance selection method, statistical test, random forest importance ranking method, Spearman correlation analysis, least absolute shrinkage and selection operator (LASSO). The efficacy of each model was assessed using the subject operating characteristic (ROC) curve, The DeLong test was used to assess the differences in the AUC values of the different models, and the clinical benefit of each model was assessed using the decision curve (DCA), and the predictive accuracy of the model was assessed using the calibration curve (CCA). Among the constructed models for classification of breast phyllodes tumors, the fusion model (AUC: 0.97) had the best diagnostic efficacy and highest clinical benefit. The traditional radiomics model (AUC: 0.81) had better diagnostic efficacy compared with subregion radiomics model (AUC: 0.70). De-Long test, there is a statistical difference between the fusion model traditional radiomics model, and subregion radiomics model in the training group. Among the models constructed to distinguish phyllodes tumors from fibroadenomas in the breast, the TDT_CIDL model (AUC: 0.974) had the best predictive efficacy and the highest clinical benefit. De-Long test, the TDT_CI combination model was statistically different from the remaining five models in the training group. Traditional radiomics models, subregion radiomics models and deep learning models based on MRI sequences can help to differentiate benign from junctional phyllodes tumors, phyllodes tumors from fibroadenomas, and provide personalized treatment for patients.