XiaoMi-AI文件搜索系统
World File Search System插肩
加入土地和海洋：印尼数字高程模型
摘要Amante，C.J。和Eakins，B.W.，2016年。数字高程模型中插值测深的准确性。in：Brock，J.C。; Gesch，D.B。;帕里什（C.E.）; J.N.的Rogers和C.W. Wright（ed。），topobathymetric映射，模型和应用的进展。沿海研究杂志，专刊，编号76，pp。123–133。椰子溪（佛罗里达州），ISSN 0749-0208。数字高程模型（DEMS）用于模拟许多沿海过程，包括海啸，污染物分散和侵蚀。在测得的领域中，测量之间的距离通常与岸边（即更深的水）增加，从而使插值以建立一个测深的DEM的距离通常在大距离之间。这项研究使用三种常见的插值技术检查了测深的DEM中插值的准确性：距离距离加权，样条和三角测量。目标是检查插值准确性与细胞采样密度，与最近深度测量的距离以及地形特征之间的关系。阿拉斯加的Kachemak湾，由于其异质地形而被选为研究区域。开发了一种分类方法，用于随机分开的深度测量值，用于插值与用于量化插值精度的插值。结果表明，在较小的细胞采样密度下，这三种评估的插值技术的准确性降低（i），（ii）作为到最近测量的距离增加，（iii）在
采用参数模型降阶法进行功率模块热机械分析
摘要 —本文介绍了一种基于拉格朗日矩阵插值方法的参数模型降阶 (pMOR)，用于具有非线性行为的电力电子模块 (PEM) 的热机械和可靠性研究。模型降阶 (MOR) 研究中的大部分先前研究都报告了使用顺序耦合方法进行的热机械模拟。在本研究中，直接耦合热机械分析同时求解热和结构控制方程，用于获得热和变形结果。此外，对于 pMOR，矩阵插值的线性方法仅限于采样参数点之间的线性变化。因此，采用了一种使用拉格朗日插值方法对系统矩阵进行插值的新方法来有效地实现矩阵插值。通过拉格朗日矩阵插值方法获得的参数降阶模型 (pROM) 解与全阶模型 (FOM) 非常吻合，并且计算时间与矩阵插值的线性（双线性）方法相似。 pROM 模拟可将计算时间缩短高达 85.5%。索引术语 — 有限元法、热机械分析、电力电子模块、可靠性评估、参数模型降阶。
一种DEM构建方法及相关误差分析
研究了地形表示误差（ETR）的概念和计算，并将DEM总误差作为全球DEM评估的精度指标。开发了一种基于表面定理（SMTS）的表面建模方法。通过数值试验和实际示例，比较分析了SMTS与ARCGIS 9.1中执行的经典插值方法（包括IDW，SPLINE和KRIGING）在采样和插值误差以及DEM总误差方面的模拟精度。数值试验表明，SMTS比经典插值方法精度高得多，而ETR对SMTS精度的影响比经典插值方法更差。在实际示例中，使用SMTS以及三种经典插值方法构建了DEM。结果表明，虽然SMTS比经典插值方法更准确，但实际测试表明精度损失较大。总 DEM 误差不仅包括采样和插值误差，还包括 ETR，可以被视为全球范围内 DEM 评估的良好精度测量。SMTS 是 DEM 构建的另一种方法。& 2010 Elsevier Ltd. 保留所有权利。
马来西亚人口体质测量...
为了提高乘客的飞行舒适度，飞机客舱功能应按照人体工程学进行开发和设计。设计人体工程学的关键要素是目标用户的人体测量，这对于确保他们的身体特征与最终产品或系统设计良好契合至关重要。基于这一概念，本研究旨在建立马来西亚人口身体尺寸测量数据库，该数据库可用于大多数客舱功能的设计过程。共有 100 名志愿者参加了这项研究，并在几次数据收集会议中使用标准测量工具测量他们的身体尺寸。从收集到的测量数据的描述性统计数据中得出了马来西亚人口坐姿和站姿的几项标准人体测量数据。包括身高、站立眼高、站立肩高、站立肘高、站立臀宽、站立肩宽、坐姿肩高、坐姿肘高、坐姿眼高、坐姿臀腘长、坐姿臀膝长。此外，通过与参考的马来西亚人体测量数据库的比较分析，可以得出结论，马来西亚人口的身体特征正在随着时间而变化，预计未来身体测量值将进一步增加。这意味着飞机客舱特征的设计尺寸可能需要相应调整，以便为未来的马来西亚乘客提供舒适的飞行体验。关键词：人体测量；马来西亚人口；人体测量
补充材料抗议
插入中包含的插补方法均已先前已开发，测试和广泛使用（Chilimoniuk等人。2024; Hastie等。2000; Pantanowitz和Marwala，2009年； Stekhoven等。2011; Troyanskaya等。2001; van Buuren等。 1999; van Buuren等。 2006; van Buuren等。 2011; Wright和Ziegler，2017年）。 如果在分析中选择了优化，则植入确定不同方法的插补错误率，并向用户建议数据集的最佳性能插补方法。 通过在所有方法和超参数范围内的网格搜索中，对给定数据集的插补的最佳方法进行。 确定了三种不同类型的丢失的误差级：完全随机丢失（MCAR），而不是随机丢失（MNAR），而在随机（MAR）中丢失。 优化搜索中使用的超参数值在补充表1中显示。2001; van Buuren等。1999; van Buuren等。 2006; van Buuren等。 2011; Wright和Ziegler，2017年）。 如果在分析中选择了优化，则植入确定不同方法的插补错误率，并向用户建议数据集的最佳性能插补方法。 通过在所有方法和超参数范围内的网格搜索中，对给定数据集的插补的最佳方法进行。 确定了三种不同类型的丢失的误差级：完全随机丢失（MCAR），而不是随机丢失（MNAR），而在随机（MAR）中丢失。 优化搜索中使用的超参数值在补充表1中显示。1999; van Buuren等。2006; van Buuren等。 2011; Wright和Ziegler，2017年）。 如果在分析中选择了优化，则植入确定不同方法的插补错误率，并向用户建议数据集的最佳性能插补方法。 通过在所有方法和超参数范围内的网格搜索中，对给定数据集的插补的最佳方法进行。 确定了三种不同类型的丢失的误差级：完全随机丢失（MCAR），而不是随机丢失（MNAR），而在随机（MAR）中丢失。 优化搜索中使用的超参数值在补充表1中显示。2006; van Buuren等。2011; Wright和Ziegler，2017年）。如果在分析中选择了优化，则植入确定不同方法的插补错误率，并向用户建议数据集的最佳性能插补方法。通过在所有方法和超参数范围内的网格搜索中，对给定数据集的插补的最佳方法进行。确定了三种不同类型的丢失的误差级：完全随机丢失（MCAR），而不是随机丢失（MNAR），而在随机（MAR）中丢失。优化搜索中使用的超参数值在补充表1中显示。
![通过硅烷化和乙烯基插层 Peterson 消除反应将碳酸乙烯酯调节为 [4 + 2] 环加成反应](/simg/7\76d43e7d74495a79891072f0d921afa99b62f2c9.webp)
通过硅烷化和乙烯基插层 Peterson 消除反应将碳酸乙烯酯调节为 [4 + 2] 环加成反应
与各种亲电伙伴进行环加成反应，5 Zhao 等人和 Glorius 等人独立报道了[5 + 4] 环加成反应，以合成不同大小的高度功能化的环。6a、b Glorius 等人随后通过协同 N-杂环卡宾有机催化和钯催化，实现了乙烯基碳酸亚乙酯与烯醛的首次对映选择性[5 + 2] 环化反应，6c 而 Liang 等人报道了配体控制的乙烯基碳酸亚乙酯与萘酚之间的[3 + 2] 和[3 + 3] 环加成反应。7 尽管进行了这些广泛的研究，但我们不知道有关乙烯基碳酸亚乙酯[4 + n] 环加成反应的报道。 [4 + n] 环加成反应，尤其是 [4 + 2] 环加成反应，在合成有机化学中起着关键作用，因为它们可以快速生成具有挑战性但具有合成价值的环状化合物
基于机器学习的生物油产量的预测生物质的生物量的产量：插补算法的比较研究和模型基准测试
摘要非可再生化石燃料的精疲力尽提高了人们对环境问题的认识。因此，生物质能量已成为一种有希望的可再生替代方案，尤其是在通过废物生物量的热解生产生物油的背景下。不幸的是，物理学模型在建模生物油生产时会遇到困难，促使研究人员倾向于以数据为中心的方法。为了应对这个问题，本文展示了近千的综合数据集，这些数据集来自先前有关生物油生产的文献。除了收集，清洁和组织收集的数据外，我们还使用了机器学习技术来评估所得数据集，最有希望的结果产生的平均绝对误差为2.6，并且调整后的R平方在预测生物油收益率方面为0.9。据我们所知，本文提供了介绍该域中有史以来最全面的数据集。这样的详尽数据集的组装对于可持续过程工程来说至关重要，因为它可以促进精确的建模，从而更好地固定在此过程中固有的不确定性。
引用：Allaart LJH，Spaning S，Lafosse L等。开发一种机器学习算法以预测恢复和功能结果的概率
摘要简介肩袖撕裂修复手术的有效性受到多种与患者相关的，以病理学为中心和技术因素的影响，这被认为导致报告的雌激增率在17％至94％之间。足够的患者选择被认为对于达到令人满意的结果至关重要。然而，尚未达成明确的共识，即哪些因素最可预测成功手术的因素。涵盖所有方面的临床决策工具仍有待制作。人工智能（AI）和机器学习算法使用复杂的自学习模型，可用于制造患者特定的决策工具。这项研究的目的是开发和训练可以用作在线可用临床预测工具的算法，以预测接受肩袖修复的患者的恢复风险。方法和分析这是一项回顾性的，多中心的队列研究，使用了对经过肩袖修复的患者的多项研究的汇总个人患者数据，并通过高级成像以在手术后至少6个月进行愈合进行评估。本研究由两个部分组成。第一部分：收集所有可能影响回顾性多中心数据重新风险的潜在因素，旨在包括全球1000多名患者。第二部分：将所有影响因素组合到一个模型中，该模型可以在临床上用作使用机器学习的预测工具。研究结果将通过同行评审期刊中的出版物进行传播。机构审查委员会批准不适用于当前的研究方案。道德和传播用于安全的多中心数据交换和分析，我们的机器学习联盟遵守WHO规定的“使用政策以及在公共卫生紧急情况下，谁在成员国中收集的数据收集的数据”。
基于人工智能与计算机视觉评估的上肢重复促进运动对脑卒中患者步态的影响
目的：本研究旨在评估脑卒中患侧上肢功能增强对下肢步态的影响。方法：将40例符合条件的脑卒中患者随机分为对照组和治疗组，每组20例。两组患者在治疗前均接受基于人工智能和计算机视觉的动态评估。评估主要分析步态周期中肩肘关节的活动范围，以及患侧的各种步态参数（如步长、步速、站立相百分比等）。评估后，对照组接受常规康复治疗。结果：结果显示，治疗前两组患者无明显差异。但治疗后，治疗组患者患侧肩肘关节活动度有明显改善（p<0.05），而对照组患者仅有轻微改善，但无统计学意义（p>0.05）。结论：患侧上肢功能的改善似乎也对步态恢复有积极的影响。但值得注意的是，观察期相对较短。需要进一步研究来确认这种影响是否能长期持续。