XiaoMi-AI文件搜索系统
World File Search System双线
TMP108 低功耗数字温度传感器，带 WCSP 封装的双线串行接口
从 TMP108 读取时，写入操作存储在指针寄存器中的最后一个值用于确定读取操作读取哪个寄存器。要更改读取操作的寄存器指针，必须将新值写入指针寄存器。此操作通过发出 R/W 位低的从地址字节，然后发出指针寄存器字节来完成。无需其他数据。然后，主机可以生成起始条件并发送 R/W 位高的从地址字节以启动读取命令。有关此序列的详细信息，请参见图 3。如果需要从同一寄存器重复读取，则无需连续发送指针寄存器字节，因为 TMP108 会存储指针寄存器值，直到下一次写入操作更改它为止。
WCSP 封装带双线接口的低功耗数字温度传感器数据表 (Rev. A)
从 TMP108 读取时，写入操作存储在指针寄存器中的最后一个值用于确定读取操作读取哪个寄存器。要更改读取操作的寄存器指针，必须将新值写入指针寄存器。此操作通过发出 R/W 位为低的从属地址字节，然后发出指针寄存器字节来完成。无需其他数据。然后，主机可以生成启动条件并发送 R/W 位为高的从属地址字节以启动读取命令。有关此序列的详细信息，请参见图 3。如果需要从同一寄存器重复读取，则无需连续发送指针寄存器字节，因为 TMP108 会存储指针寄存器值，直到下一次写入操作更改它为止。
具有领域自适应性的可解释双线性注意网络可改善药物靶标预测
预测药物-靶标相互作用是药物发现的关键。最近基于深度学习的方法表现出色，但仍存在两个挑战：（i）如何明确建模和学习药物与靶标之间的局部相互作用，以便更好地进行预测和解释；（ii）如何将预测性能推广到来自不同分布的新型药物-靶标对。在这项工作中，我们提出了 DrugBAN，这是一个具有域自适应功能的深度双线性注意网络 (BAN) 框架，用于明确学习药物与靶标之间的成对局部相互作用，并适应分布外的数据。DrugBAN 对药物分子图和靶蛋白序列进行预测，使用条件域对抗学习来对齐不同分布中学习到的相互作用表示，以便更好地推广到新型药物-靶标对。在域内和跨域设置下对三个基准数据集进行的实验表明，DrugBAN 在五个最先进的基线上实现了最佳整体性能。此外，可视化学习到的双线性注意图可以从预测结果中获得可解释的见解。
抗癌双线作战——针对 TAM 受体的实体肿瘤治疗
摘要：受体酪氨酸激酶 (RTK) 是一种跨膜受体，可结合生长因子和细胞因子，并在其胞质域内含有受调节的激酶活性。RTK 在正常细胞和恶性细胞的信号转导中起着重要作用，其编码基因属于癌细胞中最常受影响的基因。TAM 家族蛋白 (TYRO3、AXL 和 MERTK) 参与多种生物过程：免疫调节、凋亡细胞清除、血小板聚集、细胞增殖、存活和迁移。最近的研究表明，TAM 在肿瘤发生和抗肿瘤免疫抑制方面具有重叠的功能。MERTK 和 AXL 在先天免疫细胞中起作用，以抑制炎症反应并促进免疫抑制性肿瘤微环境，而 AXL 表达与肿瘤的上皮-间质转化、转移和运动性相关。因此，TAM RTK 在癌症中代表双重靶点，因为它们在肿瘤细胞存活、迁移、化学抗性以及在肿瘤微环境 (TME) 中的免疫抑制作用中具有内在作用。在这篇综述中，我们讨论了 TAM 作为癌症治疗中新兴治疗靶点的潜力。我们严格评估和比较了目前针对实体瘤中 TAM RTK 的方法以及针对 TAM 受体激酶胞外和胞内域的新抑制剂的开发。
强双线性耦合的伊辛机
耦合参数谐振器（参数器）网络有望成为并行计算架构。在实现复杂网络的过程中，我们报告了两个耦合参数器的实验和理论分析。与以前的研究不同，我们探讨了参数器之间强双线性耦合的情况，以及失谐的作用。我们表明，即使需要仔细校准以确保有正确的解空间，系统仍可在此状态下作为 Ising 机运行。除了形成分裂正常模式外，还会产生新的混合对称状态。此外，我们预测具有 N > 2 个参数器的系统将经历多个相变，然后才能达到与 Ising 问题等同的状态。
具有双重抑制策略的协同分解双线性网络用于 MRI 脑肿瘤分类
摘要：脑肿瘤自动分类是一种可行的加速临床诊断的方法。最近，使用 MRI 数据集进行深度卷积神经网络 (CNN) 训练已在计算机辅助诊断 (CAD) 系统中取得成功。为了进一步提高 CNN 的分类性能，在脑肿瘤的细微判别细节方面仍有一条艰难的道路。我们注意到，现有方法严重依赖数据驱动的卷积模型，而忽略了使一个类别与其他类别不同的因素。我们的研究旨在引导网络在相似的肿瘤类别中找到确切的差异。我们首先提出了一种针对脑肿瘤 MRI 的“双重抑制编码”模块，它从我们的网络中分出两条路径来细化全局无序信息和局部空间表示。目的是通过减少负面全局特征的影响并扩大显着局部部分的注意力，为正确的类别提供更有价值的线索。然后我们引入了一个用于特征融合的“分解双线性编码”层。目的是生成紧凑且有判别力的表示。最后，这两个组件之间的协同作用形成了一个以端到端方式学习的管道。大量实验在三个数据集的定性和定量评估中表现出卓越的分类性能。
一种新型的双线性特征和用于触觉形状识别的多层融合卷积神经网络
摘要：卷积神经网络（CNN）可以自动从压力信息中学习特征，一些研究应用了CNN来识别触觉形状。但是，传感器的有限密度及其功能需求导致所获得的触觉图像具有低分辨率和模糊。为了解决这个问题，我们提出了双线性功能和多层融合卷积神经网络（BMF-CNN）。功能的双线性计算提高了网络的特征提取能力。同时，多层融合策略利用了不同层的互补性来增强特征利用率的效率。为了验证所提出的方法，构建了一个带有复杂边缘的26类字母触觉图像数据集。BMF-CNN模型达到了98.64％的触觉形状精度。结果表明，与传统的CNN和人工特征方法相比，BMF-CNN可以更有效地处理触觉形状。
具有串联双线性的节能 delta-sigma ADC ...
Delta-sigma (ΔΣ) ADC 广泛用于信号采集和处理应用。因此，这种类型的 ADC 被用作编解码器和助听器，这些设备需要信号路径具有较大的动态范围 [1-4]。与奈奎斯特速率转换器相比，ΔΣ ADC 更易于设计，因为它们不需要具有严格参数的模拟组件。过采样转换器对输入信号带宽进行采样，因此无需使用抗混叠滤波器。通过中等过采样率和增加的采样率，可以设计高分辨率 ADC。这可以有效降低整个功耗，同时保持所需的分辨率 [5]。电压缩放适用于数字电路设计，以降低散热量，同时牺牲速度。已报道了几种解决该问题的技术，例如体驱动电路、SAR 操作、亚阈值操作 [6-9] 和过零电路 [10, 11]，但这些电路的性能非常低。delta-sigma ADC 是一种非常高效的结构，具有过采样和噪声整形特性。连续 ΔΣADC 的工艺缩放因子和带宽得到了改善。高性能模拟电路包括无运算放大器流水线 ADC [12, 13]、节能逐次逼近寄存器 (SAR) ADC [14, 15] 和数字校准技术 [16, 17]。为了在时域中处理信号，压控振荡器 (VCO) 起着重要作用 [18-24]。当触发器同步时，VCO 输出会在 VCO 中引入量化误差。
一种用于双线性回归的频域机器学习方法...
磁共振成像 (MRI) 可以非侵入性地绘制大脑的代谢氧消耗 (CMRO 2 )，这对于理解和监测健康和疾病状态下的神经功能至关重要。然而，由于缺乏稳健的方法，对 MRI 氧代谢的深入研究迄今为止受到阻碍。一种绘制 CMRO 2 的 MRI 方法基于在氧气和二氧化碳的呼吸调节期间同时获取脑血流 (CBF) 和血氧水平依赖 (BOLD) 加权图像。虽然这种双校准方法在研究环境中显示出良好的前景，但当前的分析方法在存在噪声的情况下不稳定和/或计算要求高。在本文中，我们提出了一种机器学习实现，用于对双校准 fMRI 数据进行多参数评估。所提出的方法旨在解决稳定性、准确性和计算开销问题，消除使用 MRI 研究氧代谢的重大障碍。该方法利用获取的灌注和 BOLD 加权数据的时间频率变换，从中选择适当的特征向量来训练机器学习回归器。实施的机器学习方法之所以被选中，是因为它们对噪声具有鲁棒性，并且能够映射复杂的非线性关系（例如 BOLD 信号加权和血氧之间存在的关系）。极端随机树 (ET) 回归器用于估计静息血流量，多层感知器 (MLP) 用于估计 CMRO 2 和氧提取分数 (OEF)。带有加性噪声的合成数据用于训练回归器，模拟数据涵盖广泛的生理合理参数。在模拟和体内数据（n = 30）中，将实施的分析方法的性能与已发表的方法进行了比较。所提出的
TMP175 TMP75 带双线的数字温度传感器...
在中断模式 (TM = 1) 下，当温度连续多次等于或超过 T HIGH 时，ALERT 引脚将变为活动状态。ALERT 引脚保持活动状态，直到发生任何寄存器的读取操作，或设备成功响应 SMBus 警报响应地址。如果设备处于关机模式，ALERT 引脚也将被清除。一旦 ALERT 引脚被清除，只有当温度降至 T LOW 以下时，它才会再次变为活动状态。当温度降至 T LOW 以下时，ALERT 引脚将变为活动状态并保持活动状态，直到通过任何寄存器的读取操作或对 SMBus 警报响应地址的成功响应将其清除。一旦 ALERT 引脚被清除，上述循环将重复，当温度等于或超过 T HIGH 时，ALERT 引脚变为活动状态。也可以通过使用通用呼叫复位命令复位设备来清除 ALERT 引脚。这还将清除设备中内部寄存器的状态，使设备返回到比较器模式 (TM = 0)。