XiaoMi-AI文件搜索系统
World File Search System转换点
巴西南部至东南部内陆架洋流能量转换点的水动力和地貌动力学影响
摘要：随着海洋可再生资源开始成为可行的能源，研究流体动力学和形态动力学过程对近岸的影响变得至关重要。作为在 T ELEMAC-3D 和 S ISYPHE 模块的数值建模环境中实施涡轮机的一部分，我们进行了为期 10 年的运行，以评估涡轮机对流动的近岸影响。我们使用了五个标准来定义可行的位置。涡轮机位置被添加到与流体动力学模型耦合的转换能量模型中，以便正确开发能量转换过程中的流动变化。结果表明，在三个选定地点，涡轮机并没有平等地转换场地内的电流能量。事实上，位于农场外侧的涡轮机产生了更高的转换率。这对近岸产生了以下影响：(1) 洋流强度的降低导致水柱发生强烈调整，打破了垂直环流的自然模式；(2) 横向流动的发展随着时间的推移影响底部动力学并导致沉积物沉积的变化； （3）由于流动的发散，涡轮机场周围的推移质输送率增加。理想化的涡轮机场在 10 年内生产了 1,775 吉瓦时的电力，在此期间可以为 54,181 户居民提供电力。
超高灵敏度光子晶体纤维传感器基于色散的转换点敏感性的低RI液体检测
摘要：由光子晶体纤维（PCF）组成的表面等离子体共振（SPR）传感器设计用于检测低浓度的液体。出色的传感特性归因于表面等离子体偏振子（SPP）模式的分散点（DTP）的灵敏度增强。传感器由两个相同且结构上简单的D形PCF以及与分析物直接接触在抛光表面上的等离子薄膜组成。折射率（RI）的变化导致退化等离子体峰分裂，从而通过测量峰分离来监测分析物浓度变化。在1.328 RIU和1.33 RIU之间，传感器的超高灵敏度为129,800 nm/riU，比未敏化的单个D形结构高37.22倍。与在覆层模式DTP附近运行的纤维光栅传感器相比，剪接的双D形PCF仍然具有高度高的机械强度。此外，可以通过调节缝隙宽度来更改传感器的RI检测范围。在0g/l至100 g/l的氯化钠浓度范围内，平均敏感性为4.38 nm/g·l -1，在0g/l至20 g/l的血红蛋白浓度范围内，0g/L至100 g/l和20.85 nm/g·l -1。我们的结果表明，基于PCFS的SPR传感器在多种应用中具有较大潜力，尤其是生物化学，因为它具有出色的灵敏度，结构性的简单性和可调节的检测范围。
通过零件式层次结构消息传递
生成的3D部分组装涉及了解零件关系，并预测其6-DOF姿势，用于组装逼真的3D形状。先前的工作通常集中在各个部分的几何形状上，忽略了整个物体的零件。利用两个关键的观察：1）超级部分姿势提供了有关零件姿势的强烈提示，而2）由于较少的超级部分，预测超级零件的姿势更容易，我们提出了一个零件 - 整个层次结构消息传递网络，以实现有效的3D零件组件。我们首先通过在没有任何语义标签的情况下对几何相似部分进行分组，从而引入超级零件。然后，我们采用零件整体的层次编码器，其中超级零件编码器预测基于输入部分的潜在超级零件姿势。随后，我们使用潜在姿势转换点云，将其馈送到零件编码器中，以汇总超级零件信息和有关零件关系的推理以预测所有部分姿势。在培训中，仅需要地面零件姿势。在推断期间，超级零件的预测潜在可增强可解释性。Partnet数据集上的实验结果表明，我们的方法可以部分地达到最新的功能和连接精度，并实现可解释的层次结构组件。代码可在https://github.com/pkudba/3dhpa上找到。
迈向阿尔茨海默病转化的多模式计算机辅助诊断工具
阿尔茨海默病 (AD) 是一种渐进性神经退行性疾病。它是老年人群发病和死亡的主要原因之一。AD 的主要症状包括记忆和执行功能障碍，这会极大地改变患者执行日常生活活动的能力。轻度认知障碍 (MCI) 患者表现出 AD 患者的许多早期临床症状，并且在其一生中很有可能转变为 AD。诊断标准依赖于临床评估和脑磁共振成像 (MRI)。许多团体正在努力帮助自动化此过程以改善临床工作流程。当前的计算方法侧重于预测 MCI 患者将来是否会转变为 AD。据我们所知，人们对开发能够为纵向跟踪的 MCI 患者队列提供 AD 转换诊断的自动化计算机辅助诊断 (CAD) 系统的关注有限。这很重要，因为这些 CAD 系统可以被初级保健提供者用来监测 MCI 患者。本文概述的方法解决了这一差距，并提出了一种计算效率高的预处理和预测流程，旨在识别与 AD 转换相关的模式。我们提出了一种新方法，利用可以在临床环境中轻松获取的纵向数据（例如 T1 加权磁共振图像、认知测试和人口统计信息）来识别 MCI 受试者的 AD 转换点，AUC = 84.7。相比之下，仅认知测试和人口统计就实现了 AUC = 80.6，这是一个具有统计学意义的差异（n = 669，p < 0.05）。我们设计了一个计算效率高的卷积神经网络，只需要在成像时间点之间进行线性配准。该模型架构结合了 Attention 和 Inception 架构，同时利用了横截面和纵向成像和临床信息。此外，还研究了驱动模型决策的顶级大脑区域和临床特征。这些包括丘脑、尾状核、颞平面和雷伊听觉言语学习测试。我们相信，我们的方法可以轻松地转化为医疗保健环境，作为 MCI 患者的客观 AD 诊断工具。