XiaoMi-AI文件搜索系统
World File Search System邻域
关于智能电网邻域网络的可靠性
摘要 随着先进计算和通信技术的融合，智能电网系统致力于通过可再生能源、分布式通信智能和需求响应大大提高未来电力系统的效率和可靠性。随着智能电网的先进功能，智能电网通信系统的可靠性成为一个关键问题，因为数百万个智能设备通过关键电力设施的通信网络互连，这对整个电力基础设施的可靠性产生直接影响。在本文中，我们对智能电网带来的可靠性问题进行了全面调查，重点关注支持邻域网络 (NAN) 的通信。具体来说，我们专注于网络架构、通信网络和系统的可靠性要求和挑战、安全对策以及智能电网 NAN 中的案例研究。我们的目标是深入了解智能电网 NAN 中的可靠性挑战并针对可靠性问题提供有效的解决方案。
Inpex可续航 - 能源 - 邻域 - 澳大利亚 - ...
1在2024年12月2日从Enel Green Power Australia Pty Ltd重新命名。3 CBUS Super是一个行业基金，主要迎合建筑行业的工人。获得的投资组合的4个总能力
DNA：精细颗粒类别发现的邻域聚集
从粗制的数据中发现细粒类别是一项实用且挑剔的任务，可以在对细粒度分析的需求和高注释成本之间弥合差距。以前的作品主要集中在实例级别的歧视上，以学习低级特征，但忽略了数据之间的半敏化相似性，这可能会预见这些模型学习紧凑的集群表示。在本文中，我们提出了DeNOCORE的邻域聚集（DNA），这是一个自我监督的框架，将数据的系统结构编码到嵌入空间中。特别是，我们检索了查询的k neart邻域，作为其积极的键，以捕获数据之间的语义相似性，然后从邻居那里汇总信息以学习紧凑的群集表示，这可以使细粒类别变得更加差异。但是，检索到的邻居可能会嘈杂，并且包含许多假阳性钥匙，从而可以降低学习式床的质量。为了应对这一挑战，我们提出了三个原则，以解决这些虚假的邻居以更好地表示学习。此外，我们从理论上证明我们框架的学习目标与聚类损失相同，该损失可以捕获数据之间的语义相似性以形成紧凑的细粒簇。在三个基准数据集上进行了广泛的例证表明，我们的方法可以检索更准确的邻居（准确性提高21.31％），并以较大的利润率（平均提高了三个指标的平均9.96％）。我们的代码和数据可在https://github.com/lackel/dna上找到。
Barrio：可定制的纳米级大脑结构空间邻域分析与比较
图 1：空间邻域的定制可扩展比较。Barrio 支持用户定义的分析场景 (a,b)，以自动调整可视化、视图参数和用户界面，用于纳米级大脑结构的比较分析。Barrio 建议最适合分析视图中正在比较的用户选择的邻域数量的比较方法 (f)。用户首先指定其分析的生物学目标 (a)，并定义用于比较不同基数（即 2 到 n 个结构）的首选可视化方法 (b)。Barrio 自动调整可视化和 UI，包括设置面板 (c)、目标类型实例的列表视图 (d)、3D 概览 (e)、定量分析视图 (f) 和详细的 3D 邻域视图 (g)。
trichoderma asperellum的邻域抑制Globiosporangium终极，并促进豌豆生长，超微结构和代谢特征
1个微生物活动单元，微生物学部，土壤，水与环境研究所，农业研究中心，吉萨12619，埃及2埃及2，塔布克大学塔布克大学科学系生物化学系，沙特阿拉伯71421； yalenazi@ut.edu.sa 3医学实验室技术系，应用医学科学学院，泰巴大学，麦地那42353，沙特阿拉伯； akhateb@taibahu.edu.sa 4种子病理学研究部，植物病理研究所，农业研究中心，吉萨12619，埃及5埃及5个中央实验室，生物技术中心实验室，植物病理研究所，农业研究中心，埃及吉萨12619，埃及； mira_ppri@yahoo.com 6 Mansoura University，Mansoura 35516的植物学系，埃及； d_darwish@mans.edu.eg *通信：zeiadmoussa@gmail.com（Z.M.）; nohamohamadt@gmail.com（N.M.E.）; wesameldin.saber@arc.sci.eg（W.I.A.S.）
邻里路径复合物，用于定量分析Carboranes的结构和稳定性
摘要：由于数据，计算能力和算法的巨大进展，基于AI的材料挖掘和设计引起了很多关注。但是，构建高性能AI模型需要有效的材料结构表示。在这项工作中，我们第一次提出了一种基于邻域路径复合物的结构表征方法。特别是，我们使用持久的邻域路径同源性来通过引入纤维化来获得结构特征。这种方法通过邻里挖掘物的有向边缘保留了更多的元素信息以及相应的物理学信息。为了验证我们的模型，我们与Carborane结构进行交叉验证。稳定性预测的Pearson系数高达0.903，与传统的持续同源方法相比，这一比例为15.5％。此外，我们基于邻域路径复合物构建了一个预测模型，以及预测Car-Boranes的同性恋，Lumo和Homo-Lumo - Lumo Gaps的Pearson系数分别为0.915、0.946和0.941。结果表明，我们提出的方法可以有效提取结构信息并实现准确的材料属性预测。
使用超像素融合、GoogleNet 和线性邻域语义分割的 SLIC 分割进行脑肿瘤分类
脑肿瘤是由于细胞不受控制地生长而产生的异常组织肿块。脑肿瘤通常会缩短寿命并在后期导致死亡。自动检测脑肿瘤是计算机辅助疾病诊断系统中一项具有挑战性且重要的任务。本文提出了一种基于深度学习的脑肿瘤分类方法。使用边缘方向总变分去噪去除脑 MRI 图像中的噪声。使用超像素融合的 SLIC 分割对脑 MRI 图像进行分割。将分割结果提供给经过训练的 GoogleNet 模型，该模型可识别图像中的肿瘤部分。一旦识别出肿瘤，便使用基于卷积神经网络 (CNN) 的改进语义分割模型对肿瘤段边缘的像素进行分类。改进的语义分割使用像素的线性邻域来进行更好的分类。由于边界处的像素被准确分类，因此最终识别出的肿瘤是准确的。实验结果表明，该方法在 GoogleNet 分类模型中的准确率为 97.3%，线性邻域语义分割的准确率为 98%。
有向链生成对抗网络
现实世界数据可以是多模态分布的，例如描述社区中的意见分歧、神经元的脉冲间隔分布以及振荡器的自然频率的数据。生成多模态分布式现实世界数据已成为现有生成对抗网络 (GAN) 的挑战。例如，我们经常观察到神经 SDE 仅在生成单模态时间序列数据集方面表现出色。在本文中，我们提出了一种新颖的时间序列生成器，称为有向链 GAN（DC-GAN），它将时间序列数据集（称为有向链的邻域过程或输入）插入具有分布约束的有向链 SDE 的漂移和扩散系数中。DC-GAN 可以生成与邻域过程相同分布的新时间序列，并且邻域过程将提供学习和生成多模态分布式时间序列的关键步骤。所提出的 DC-GAN 在四个数据集上进行了测试，包括两个来自社会科学和计算神经科学的随机模型，以及两个关于股票价格和能源消耗的真实世界数据集。据我们所知，DC-GAN 是第一个能够生成多模态时间序列数据的作品，并且在分布、数据相似性和预测能力的度量方面始终优于最先进的基准。
有向链生成对抗网络
现实世界数据可以是多模态分布的，例如描述社区中的意见分歧、神经元的脉冲间隔分布以及振荡器的自然频率的数据。生成多模态分布式现实世界数据已成为现有生成对抗网络 (GAN) 的挑战。例如，我们经常观察到神经 SDE 仅在生成单模态时间序列数据集方面表现出成功的性能。在本文中，我们提出了一种新颖的时间序列生成器，称为有向链 GAN（DC-GAN），它将时间序列数据集（称为有向链的邻域过程或输入）插入到具有分布约束的有向链 SDE 的漂移和扩散系数中。DC-GAN 可以生成与邻域过程相同分布的新时间序列，并且邻域过程将提供学习和生成多模态分布式时间序列的关键步骤。所提出的 DC-GAN 在四个数据集上进行了测试，包括两个来自社会科学和计算神经科学的随机模型，以及两个关于股票价格和能源消耗的真实世界数据集。据我们所知，DC-GAN 是第一个能够生成多模态时间序列数据的作品，并且在分布、数据相似性和预测能力的度量方面始终优于最先进的基准。