XiaoMi-AI文件搜索系统
World File Search SystemConsumption
消费多巴胺受体1激动剂SKF-38393可在C57BL/6J小鼠中以性别特异性方式降低恒定光诱导的多动症，抑郁状和类似焦虑的行为
夜间的人造光暴露，包括恒定光（LL），是一种越来越普遍的环境发生，与人类和动物模型的情绪和认知障碍受损有关。多巴胺和多巴胺1受体众所周知可以调节昼夜节律和情绪。这项研究研究了LL对男性和雌性C57BL/6J小鼠的焦虑状，抑郁样和认知行为的影响，并评估了SKF-38393的消耗是否可以缓解这些负面行为抗果。小鼠暴露于LL或标准的12:12光：暗周期（LD）6周，亚组接受SKF-38393或水。所有小鼠的昼夜节律都不断监测，并被置于行为测试中，这些测试测定了它们的焦虑，抑郁症，学习和记忆行为。行为分析表明，LL的多动症和焦虑行为会增加，这两种性别的SKF-38393消费均可减轻这种行为。此外，雄性小鼠在LL下表现出Anhedonia，这是SKF-38393减轻的，而雌性小鼠对LL诱导的Anhedonia具有抵抗力。性别差异在流体消耗中出现，独立于照明条件，女性消耗了更多的SKF-38393，以及对DA的反应行为，包括新颖的对象识别和探索。这些结果表明，多巴胺1受体激动剂的低剂量口服消耗可以改善LL暴露的某些负面行为影响。这项研究强调了影响情绪和行为的慢性光，多巴胺和性别之间的复杂相互作用，这表明多巴胺1受体激动剂在调节行为结果中的潜在调节作用。
优化雾计算体系结构的绿色能源消耗
摘要 - 云已经代表了全球能源消耗的重要组成部分，并且这种消费不断增加。已经研究了许多解决方案，以提高其能源效率并降低其环境影响。然而，随着新要求的引入，特别是在延迟方面，云互补的架构正在出现：雾。雾计算范式代表一个靠近最终用户的分布式体系结构。在最近的作品中不断证明其必要性和可行性。然而，它对能源消耗的影响通常被忽略，尚未考虑可再生能源的整合。这项工作的目的是考虑可再生能源的整合，展示能量良好的雾建筑。我们探讨了三种资源分配算法和三个合并策略。基于实际痕迹，我们的仿真结果表明，在雾环境中节点的固有低计算能力使得很难利用可再生能源。此外，在此上下文中，计算资源之间的通信网络消费量的份额以及通信设备更难通过可再生能源来供电。
质量足够吗？在神经音频合成模型的大规模评估中整合能耗
抽象的深度学习模型现在是现代音频综合的核心组成部分，近年来它们的使用已大大增加，从而导致了高度准确的多个任务系统。但是，这种对质量的追求以巨大的计算成本产生了巨大的能源消耗和温室气体的排放。这个问题的核心是科学界用来比较各种贡献的标准化评估指标。在本文中，我们建议依靠基于Pareto最优性的多目标度量，该指标同样考虑模型的准确性和能耗。通过将我们的度量应用于生成音频模型的当前最新技术，我们表明它可以逐渐改变结果的重要性。我们希望提高人们对高质量模型的能源效率的需求，以便将计算成本放在深度学习研究重点的中心。
可再生能源消耗的重要性
理论背景：关于可再生能源消耗与经济增长之间联系的研究引起了极大的兴趣。对该主题的文献进行搜索揭示了许多方面的多种研究，包括但不限于寻找单向或相互关系。研究结果通常取决于所使用的研究方法和分析期，这决定了后来的尝试了解该问题。本文的目的：本文的目的是确定2004年至2020年之间欧盟成员国的可再生能源消费与经济增长之间的关系。研究方法：该研究基于2004 - 2020年欧洲群岛数据库的数据。使用Min-Max方法利用数据归一化的研究。线性回归方法用于评估人均GDP与可用于最终消耗和可再生能源的电力指标之间的关系。主要发现：该研究没有发现可再生能源消耗与经济增长之间的重大趋势。但是，这一事实不能被视为确定两个指标之间没有关系。尽管没有观察到强烈的相关性，但根据欧盟成员国的不同，可以看到一些相互作用，这有权部分确认研究假设。EU-15和EU-10国家组之间的差异并没有区别，并扩展了一组受监控的变量（即为EU-27国家进行建模）对研究结果没有重大影响，这是相似的。
预测医学消费的聚类分析
摘要。这项研究调查了用于医院中医学消费的机器学习，以优化资源分配和物流。我们使用两种方法：一种结合了多家医院数据的统一方法，以及一种预测个人医院的分离方法。我们根据消费趋势探索了K-均值聚类和手动对聚类。虽然K-均值聚类并未产生改进，但手动夹确定了具有明显增强预测准确性的特定药物对（例如，医院1：MAPE 1：MAPE从19.70％降低到3.30％）。但是，统一的方法并不能始终如一地使所有医院受益（例如，医学9）。这强调了在某些医院的准确性提高与其他医院潜在损失的需求。总体而言，分离方法中的手动聚类显示出希望。未来的工作应探索高级自动聚类技术，例如动态时间扭曲（DTW），并利用较大的数据集进行进一步验证。
国际商务、食品、葡萄酒和酒店、营销和新消费、供应链管理、可持续性领域的博士职位
食品、葡萄酒和酒店管理： Florine Livat 博士，副教授，食品、葡萄酒和酒店管理卓越中心主任 ( florine.livat@kedgebs.com ) 国际商务： Dorra Yahiaoui 教授，教授，国际商务卓越中心主任 ( dorra.yahiaoui@kedgebs.com ) 市场营销： Frédéric Prévot 教授，教授，市场营销和新消费卓越中心主任 ( frederic.prevot@kedgebs.com ) 供应链： Frédéric Babonneau 教授，教授，供应链卓越中心 CESIT 主任 ( frederic.babonneau@kedgebs.com ) 可持续性： Natalia Yakovleva 教授，教授，可持续性卓越中心主任 ( natalia.yakovleva@kedgebs.com )
通过强化学习的智能城市优化基于学习的预测分析
摘要 - 快速移动的城市化和城市的数字过渡的融合要求释放智能能源管理，效率符合可持续性和降低碳足迹，同时为城市居民提供高质量的生活标准。传统解决方案通常发现，考虑到能源的固有背景，各种需求以及不断变化的基础设施要求，处理能源的城市消费的强度和可变性几乎是不切实际的。作为针对挑战的建议解决方案，基于深度学习的预测分析（RLPA）的发展是为了解决为现代城市优化能源的问题。强化学习（RL）是机器学习的一个分支，用于使自主优化AI代理通过顺序决策中的相互作用来学习环境中的策略。加上预测分析时，此类系统可以帮助实时能源预测，能源的分配以及网格稳定性，以实现更具适应性和成本效益的能源系统。本文研究了基于RL的预测分析对最大程度地降低智能城市能源消耗的变革效应，重点是增强需求端的能源管理，最终促进了可靠的可再生能源在分布式网格中的可靠整合并提高网格复原力。一项详细的调查奠定了典型的增强学习模型，例如Q学习，深Q网络（DQN）和参与者 - 批评算法，以评估其在大规模解决能源优化挑战方面的实际实用性。此外，在研究中处理了智能城市基础架构中RL实施，调整智能电网，物联网驱动的能源管理系统以及需求响应计划。本文提出的方法论需要比较在实际实施智能城市项目中使用强化学习以在节能领域的效率，负载
使用LSTM，多层GRU和Drop-Gru神经网络预测能源消耗。
摘要：随着智能电网发展的急剧增长以及当前在开发测量基础设施方面的进步，短期功耗预测最近引起了人们的关注。实际上，未来电力负载的预测是避免能源浪费并建立有效的电力管理策略的关键问题。此外，可以将能源消耗信息视为历史时间序列数据，这些数据需要提取所有有意义的知识，然后预测未来的消费。在这项工作中，我们的目标是建模并比较三种不同的机器学习算法，以进行时间序列的预测。所提出的模型是长的短期记忆（LSTM），门控复发单元（GRU）和Drop-gru。我们将使用功耗数据作为我们的时间序列数据集，并相应地进行预测。LSTM神经网络在这项工作中受到青睐，以预测未来的负载消耗并防止消耗峰值。为了对该方法进行全面的评估，我们在某些法国城市中使用了实际数据功耗进行了几项实验。在各个时间范围内的实验结果表明，LSTM模型比GRU和Drop-gru预测方法产生更好的结果。的预测错误较少，其精度是更详细的。因此，这些基于LSTM方法的预测将使我们能够提前做出决策，并在消费超过授权阈值的情况下触发负载脱落。这将对计划电源质量和维护动力设备产生重大影响。
能源消耗和农业增长对环境退化的影响：东盟国家的证据
在全球范围内，可再生和不可再生能源使用被确定为环境退化的关键指标，需要进行额外的研究。本文旨在研究能源使用和农业扩张对环境退化的影响。本文选择了几种能源消耗因素，包括可再生能源，化石燃料，电力，能源消耗，能源进口和GDP。该研究从1991年至2020年收集了来自东盟国家的世界银行指标的次要数据。Phillips-Perron（PP）和增强的Dickey-Fuller（ADF）方法用于分析结构之间的单位根。该研究还考虑了评估选定构建体之间相关性的QARDL方法。在东盟经济样本中，可再生能源消耗和二氧化碳排放均成不起；但是，其他变量表现出与CO2排放的正相关关系。纸质后，概述了几项分析，可以帮助监管机构采取有关通过REC减少CO2的纠正措施。关键词：可再生能源消耗，国内生产总值，电力消耗，农业增长，能源进口，能源使用，二氧化碳（CO2）排放。