XiaoMi-AI文件搜索系统
World File Search System回归系数
从无人机图像中提取的特征中选择主要变量来解释冬小麦的产量变化
摘要背景：自动化表型分析技术正在不断推进育种过程。然而，在整个生长季节收集各种次要性状并处理大量数据仍然需要巨大的精力和时间。选择具有最大预测能力的最少数量的次要性状有可能减少表型分析工作量。本研究的目的是从无人机图像和关键生长阶段中提取对解释冬小麦产量贡献最大的主要特征。2018 年春季生长季，无人机系统收集了 5 个日期的多光谱图像和 7 个日期的 RGB 图像。从植被指数和植物高度图中提取了两类特征（变量），共计 172 个变量，包括像素统计和动态增长率。采用参数算法、LASSO 回归（最小角度和收缩选择算子）和非参数算法、随机森林进行变量选择。使用 LASSO 估计的回归系数和随机森林提供的置换重要性得分，从每个算法中确定影响粮食产量的十个最重要的变量。结果：两种选择算法都对灌浆期前后与植物高度相关的变量赋予了最高的重要性得分。还选择了一些与植被指数相关的变量
音乐舒适的诱饵
摘要本文研究了Spotify的Web API的数据，这些数据是在1958年8月至2021年5月第一张图表发行的Billboard Hot 100图表上的所有歌曲，以确定音乐苦难与经济痛苦之间的关系。十二个因变量 - 持续时间，舞蹈性，能量，钥匙，声音，声音，声音，响度，响度，仪器，术语，livesice，Valence和Tempo-用于衡量Arthur Okun的美国经济痛苦指数对每个特征的影响。使用12种单独的线性回归 - 一个用于每个因变量的一个 - 我发现，在经济困难增加的时候，消费者可能会选择聆听更长，更安静，更慢，更快乐的歌曲，这些歌曲具有较小的方式，较高的舞蹈性，舞步，较低的语音性，livesence，livesice和声音的水平。与以前的研究一致，这些结果表明人们在不确定的经济时期听音乐时如何寻求舒适感和摆脱压力的现实。此外，我提出了一个音乐苦难指数，该指数通过将统计上显着的变量除以其回归系数来为回归结果带来价值。由此产生的音乐苦难指数与经济痛苦的正相关为0.606，因此表明，流行音乐的消费者偏好与美国经济状况之间存在牢固的关系。最后，考虑到90％的美国人口定期听音乐，人们通过听音乐来调节自己的情绪，本文认为，可以利用音乐痛苦来估计消费者对美国经济的实时脉搏。
生物科学家：生物学科学杂志
摘要：帕森丹牛是当地的牛，作为要开发的战略种质。这项研究的目的是确定帕森丹牛在各个年龄段的胸围和体重的定量性质中的多样性，以此作为未来繁殖发展的信息的基础。研究方法是一种案例研究，其有目的的抽样采样，其标准是25个月及以上的男牛。所使用的材料是位于西爪哇省的Bppibt UPTD Pasundan Ciamis Cow的帕森丹公牛。在不同年龄的定量性质（胸部或LD和体重）观察定量特性。使用描述性统计，卡方检验，相关和回归分析的数据分析。结果表明，（1）样品牛年龄的变化平均值为30.11±3.63个月，VP值为13.21个月，中位数为29个月，33个月模式； （2）与LD Pasundan牛的标准相比，LD和BB研究的CHI-SUR测试结果的结果没有显着差异（P> 0.05），并且非常显着（P <0.01）； （3）胸围（LD）和体重（BB）中表型（VP）的变化高于帕森丹雄性牛的标准，其值以下值70.14 vs 138.30 cm和810.64 vs 1,156 kg； （4）在年龄和胸围和体重之间关系中的相关性和回归系数足够强（r> 0.5），具有显着不同的回归测试（P <0.05）。关键词：当地的牛，胸部围，抽象体重：帕森丹牛是当地的牛作为战略种质。这项研究旨在确定帕森丹牛在各个年龄段的胸围和体重定量特征中的多样性，以此作为未来育种发展的信息的基础。研究方法是一种案例研究，其目的抽样的标准为公牛，年龄在25个月及以上。所用的材料是在西爪哇省的UPTD Bppibt pasundan牛Ciamis保存的19个Pasundan公牛。可变观察到的定量性状包括胸部周长，CC以及各个年龄的体重或BW。使用描述性统计，卡方检验，相关和回归分析的数据分析。研究结果表明，（1）样品牛年龄的变化平均值为30.11±3.63个月，VP值为13.21个月，中位数为29个月，模式为33个月； （2）卡方检验，与帕森丹牛标准相比，CC和BW研究的结果没有显着差异（P> 0.05），并且非常明显差异（P <0.01）； （3）胸围（CC）和体重（BW）的表型变化（VP）与帕森丹公牛标准相比高于以下值：70.14 vs 138.30 cm和810.64 vs 1,156 kg； （4）与年龄，胸围和体重之间关系的相关性和回归系数非常强（r> 0.5），回归测试明显不同（p <0.05）。关键字：当地公牛，胸围，体重如何引用：Wibowo，H.，Mudawamah，M。，＆Sumartono，S。（2024）。表型变化，相关性和回归分析在各个年龄段的成年帕森丹公牛中的定量性状分析。Div>生物科学家：生物学科学杂志，12（2），2117-2123。 https://doi.org/10.33394/bioscientist.v12i2.13044
2 型糖尿病加速大脑老化和认知能力下降：英国生物样本库和荟萃分析的补充发现
图 1：认知缺陷与年龄和 2 型糖尿病诊断都有关。A：使用英国生物样本库的数据集，我们对年龄对五个认知领域的认知表现的影响进行了定量分析。相关变化来自估计的回归系数，以百分比表示，显示在 y 轴上。年龄与所有五个领域的显著缺陷有关，其中执行功能和处理速度的影响最强。B：使用相同的数据集，我们还分析了 2 型糖尿病的认知表现，y 轴上的负值表示表现低于年龄、性别和教育程度匹配的 HC。根据年龄影响，执行功能和处理速度显示出最大幅度的变化。C：我们的荟萃分析证实了英国生物样本库数据中发现的认知缺陷，该分析包括来自 34 项研究的 11 个领域。y 轴显示了与 2 型糖尿病相对应的平均效应大小（Cohen's d）。低于临界线（y=0）的值表示 2 型糖尿病患者的表现不如年龄和教育程度匹配的 HC 的情况。标签旁边的数字标识了跨面板的共同领域。标记大小表示按比例缩放的样本大小（每个区域），如每个面板的右下角所示。在图 C 上，样本量表示单个研究的数量。底层样本量分布可以在 SI 图 1C 和 2C 中找到。误差线为 95% CI。* P ≤ 0.05；** P ≤ 0.01；*** P ≤ 0.001，Bonferroni 校正。
贝叶斯张量反应回归及其在脑激活研究中的应用
摘要。本文提出了一种新的贝叶斯回归实现，该回归具有标量协变量的多维数组（张量）响应。最近，各个学科中出现了复杂的数据集，迫切需要设计具有张量值响应的回归模型。本文考虑了一种这样的应用，即在存在张量值大脑图像和标量预测因子的情况下，在 fMRI 实验中检测神经元激活。此应用的总体目标是识别由外部刺激激活的大脑空间区域（体素）。在此类应用和相关应用中，我们建议将所有细胞（或大脑激活研究中的体素）的响应一起回归为标量预测因子的张量响应，以考虑张量响应中固有的结构信息。为了估计具有适当细胞特定收缩的模型参数，我们提出了一种新的张量结构化回归系数多向断棍收缩先验分布，从而能够识别与预测因子相关的细胞。本文的主要创新之处在于，当细胞数量增长速度快于样本大小时，对张量响应回归中提出的收缩先验的收缩特性进行了理论研究。具体而言，在温和的假设下，张量回归系数的估计值在 L2 意义上逐渐集中在真实稀疏张量周围。各种模拟研究和脑激活数据分析从经验上验证了所提出的模型在细胞级参数估计和推断方面的良好性能。
云计算技术对国际商业机器公司业绩的影响
文章历史摘要 关于新兴技术和性能的研究已经开展，但 IT 行业进行的研究很少，因此需要填补 IT 公司 IBM Africa 的空白。具体而言，IT 公司尚未对云计算进行研究。该研究的目的是确定云计算技术对 IBM Africa 绩效的影响。该研究采用描述性研究设计。该研究针对 IBM Africa 的 184 名员工，并使用分层随机抽样技术。分析是通过使用推论和描述统计进行定量分析的。推论统计的形式为线性回归、相关性、方差分析和 T 检验。研究发现云计算技术与性能之间存在 0.343 的弱正相关性。模型摘要的结果表明性能方差为 10.9%。回归系数结果表明云计算技术显着预测了性能，𝛽 为 0.348。方差分析结果表明云计算技术显着影响了性能，F 值为 13.827。云计算带来的感知优势促使企业采用云计算，平均值为 4.24。云计算提高了运营效率，平均值为 4.22，改善了客户关系，平均值为 4.2。研究得出结论，云计算技术与性能之间存在正相关关系。高层管理人员支持采用云计算。数据分析技术与性能之间存在正相关关系。大数据分析带来了更好的客户驱动型业务。人工智能技术与性能之间存在正相关关系。研究建议管理层应持续使用云计算技术，对所有员工进行使用培训，并提出可能阻碍有效使用该技术的措施。
从无人机图像中提取的特征解释冬小麦谷物产量变化的主要变量选择 从无人机图像中提取的特征解释冬小麦谷物产量变化的主要变量选择
摘要背景：自动化表型分析技术正在不断推进育种进程。然而，在整个生长季节收集各种次要性状并处理大量数据仍然需要付出巨大的努力和时间。选择具有最大预测能力的最少数量的次要性状有可能减少表型分析工作量。本研究的目的是从无人机图像和关键生长阶段中提取出对解释冬小麦产量贡献最大的主要特征。2018 年春季生长季，无人机系统收集了 5 个日期的多光谱图像和 7 个日期的 RGB 图像。从植被指数和植物高度图中提取了两类特征（变量），共计 172 个变量，包括像素统计数据和动态增长率。变量选择采用参数算法LASSO回归（最小角度和收缩选择算子）和非参数算法随机森林。使用LASSO估计的回归系数和随机森林提供的排列重要性得分来确定每个算法中影响粮食产量的十个最重要的变量。结果：两种选择算法都将最高重要性得分分配给灌浆期前后与植物高度相关的变量。一些植被指数相关变量也被算法选择，主要在生长早期到中期和衰老期间。与使用从测量表型得出的所有172个变量进行产量预测相比，使用选定的变量表现相当甚至更好。我们还注意到，适应性 NE 品系的预测准确度 (r = 0.58–0.81) 高于本研究中具有不同遗传背景的其他品系 (r = 0.21–0.59)。
I.Family 研究中欧洲儿童和青少年的数字媒体接触和认知功能
数字环境可能通过不健康内容对健康构成风险。然而，人们对其与儿童认知功能的关系知之甚少。本研究调查了数字媒体 (DM) 暴露与儿童认知功能之间的关联。这项横断面研究基于对 I.Family 队列（2013-2014 年）8-18 岁儿童（N = 8673）的检查。电视、电脑、智能手机和互联网的暴露情况是自我报告的（小时/天）。媒体多任务 (MMT) 被定义为同时使用电脑和其他数字或非屏幕活动。标准工具用于评估认知不灵活性（分数：0-39）、决策能力（- 100 至 + 100）和冲动性（12-48）。通过广义线性混合效应模型计算调整后的回归系数和 99.9% 置信区间。总共有 3261 名参与者提供了冲动性数据，3441 名参与者提供了认知不灵活性数据，4046 名参与者提供了决策数据。智能手机使用和媒体多任务处理与冲动性（β 智能手机 = 0.74；99.9%CI = 0.42–1.07；β MMT = 0.73；99.9%CI = 0.35–1.12）和认知不灵活性（β 智能手机 = 0.32；99.9%CI = -0.02–0.66；β MMT = 0.39；99.9%CI = 0.01–0.77）呈正相关，而与决策能力呈负相关。长时间使用智能手机/互联网，同时很少使用电脑/适度使用电视，与更高的冲动性和认知不灵活性得分相关，尤其是在女孩中。接触数字媒体会对儿童和青少年的认知功能产生不利影响。儿童需要受到保护，以免受到数字环境可能产生的不利影响。
β-位位标记的定性和定量分析...
抽象的山茶花油和具有优势经济价值的橄榄油很容易被其他更便宜的油掺杂。由于其相似的脂肪酸剖面，很难通过传统方法识别这两种油。在本研究中，开发了一种使用GC/MS和GC/FID对β-羟溶酶溶质分析的新型方法，以鉴定茶油和橄榄油。β-溶解质分析的方法验证显示出良好的线性和令人满意的值，可恢复，准确性，精度和可重复性。校准曲线的线性回归系数（R 2）为0.9985。达到了可接受的检测极限（0.36 mg/100 g）和定量极限（1.20 mg/100 g）。尖刺的后期为95.0％至100.3％。日期精度的相对标准偏差（RSD）小于3.26％，可重复性的保留时间和峰面积的RSD分别在0.03％和1.08％之内。分别在14.1–30.2 mg/100 g和94.3–173.2 mg/100 g的含量为14.1–30.2 mg/100 g和94.3–173.2 mg/100 g的范围内，这表明前者的β-塞托蛋白含量是后者的七次，并且在后者和β-硫代蛋白固醇中都可以验证。 关键词：β-中证醇；维珍山茶花油（VCO）；原始橄榄油（VOO）；定性分析；定量分析。分别在14.1–30.2 mg/100 g和94.3–173.2 mg/100 g的含量为14.1–30.2 mg/100 g和94.3–173.2 mg/100 g的范围内，这表明前者的β-塞托蛋白含量是后者的七次，并且在后者和β-硫代蛋白固醇中都可以验证。关键词：β-中证醇；维珍山茶花油（VCO）；原始橄榄油（VOO）；定性分析；定量分析。
气候和天气
•天气归一流的能量。天气归一化的能源是您的建筑物在平均条件下使用的能量（也称为气候正常）。给定年份的天气可能比建筑物的正常气候更热或寒冷。天气归一化的能源造成了这种差异。请注意，调整仅适用于天气，但不适合气候。也就是说，该指标会随着时间的推移评估您的建筑物，但不能解释您的建筑物与其他具有不同平均气候（正常）气候的位置之间的差异。天气归一化的能源无法用于新的建筑设计项目，因为它们尚未经历不同的天气情况。•能量星分数。1-100 Energy Star得分是一个百分位排名，将您的建筑物与同行进行比较。能量之星分数既是气候和天气。为了提供分数，使用回归方程来预测您的建筑物的气候，天气和商业活动预计将使用的能量。使用能量少于此预测得分的建筑物反之亦然。用于您的预测的回归方程是基于国家分析，其中包括所有气候不同位置的建筑物。由于这种国家代表，因此在冷却度天（CDD）和加热度日（HDD）等术语上的回归系数包含了这些气候之间的差异。为了预测您在任何一年的建筑物的能源，我们将在当年合并您实际经验丰富的天气数据。例如，您的建筑物被预计在非常炎热的一年中会使用更多的能量。在新的建筑物设计的情况下，能量星评分将使用平均正常气候条件来计算能量预测，因为没有实际的天气。本文档说明了我们从何处获得天气和气候数据以及如何将其纳入指标：