XiaoMi-AI文件搜索系统
World File Search SystemRandom
弥合随机数生成标准之间的差距：SP 800-90系列和AIS的比较20/31
nist IR 8446 IPD（首次公开草稿）2024年9月，在RNG比较SP 800-90系列和AIS 20/31
将药品和生物制品随机对照试验纳入常规临床实践行业指南草案
指导草案 本指导文件仅供评论之用。有关本草案的评论和建议应在《联邦公报》上公布指导草案发布通知后 90 天内提交。请将电子评论提交至 https://www.regulations.gov。请将书面评论提交至食品药品管理局卷宗管理人员（HFA-305），地址：5630 Fishers Lane, Rm. 1061, Rockville, MD 20852。所有评论均应注明《联邦公报》上公布的发布通知中所列的卷宗编号。如对本草案有任何疑问，请联系 (CDER) Heather Stone，电话 301-796-2274，或 (CBER) 沟通、宣传和发展办公室，电话 800-835-4709 或 240-402-8010。
虚拟现实运动认知训练对认知脆弱者的影响：多中心随机对照试验
背景：认知脆弱是指临床综合征，其中身体虚弱和轻度认知障碍并存。运动认知训练和虚拟现实（VR）已被用来推出各种治疗方式，以促进老年人的健康。文献主张的是，运动认知训练和VR有效地促进老年人的认知和身体功能。但是，对认知脆弱的老年人的影响尚不清楚。目的：本研究检查了VR运动认知训练（VRMCT）对全球认知功能，身体脆弱，步行速度，视觉短期记忆，认知干扰的抑制和执行功能的影响。方法：本研究使用了多中心的，评估者盲，2-平行组随机对照试验设计。参与者是在8个老年人社区中心面对面招募的。符合条件的参与者年龄≥60岁，社区住宅具有认知能力，没有痴呆症，并且没有受到限制。在干预小组中，参与者接受了由干预主义者领导的VRMCT，每周两次进行16个小时的培训课程，持续8周。在对照组中，参与者获得了老年人社区中心提供的通常的护理，调查人员没有干扰。主要结果是全球认知功能。次要结果包括身体上的脆弱，步行速度，言语短期记忆，认知干扰的抑制和执行功能。在基线（T0）和干预后的一周（T1）收集数据。广义估计方程用于检查组，时间和相互作用（时间×组）对结果的影响。结果：总共有293名合格的参与者参加了研究。参与者的平均年龄为74.5（SD 6.8）年。大多数参与者是女性（229/293，78.2％），已完成初等教育（152/293，52.1％），已婚（167/293，57.2％），与朋友一起生活（127/293，43.3％），没有VR经验（232/293，79.5％）。在干预组中，有81.6％（119/146）的参与者参加了会议总数的80％（13/16，81％）。一定数量的参与者经历了VR疾病症状（1/146，0.7％至5/146，3％）。vrmct可有效促进全球认知功能（交互作用：p = .03），略有促进执行功能（交互作用效果：p = .07）和降低脆弱性（交互作用效果：p = .03）。这些影响对其他结果没有统计学意义。
在此版本中，主要修改包括：1。使用两种算法，多层感知器（MLP）和随机森林（RF）。不同的组合
创建训练数据集时，有必要执行数据的时空匹配。确保两种仪器的匹配数据的时间范围在15分钟内，并且距离范围在1.5公里以内。此外，在Agri像素中，应覆盖至少两个Cloudsat和Calipso像素。匹配后，CloudSat和Calipso检测到的云分数可以更好地表示农业像素内的实际云分数。但是，匹配的数据集中的错误是不可避免的。Agri扫描方法从左到右和上下运行。全磁盘的每个完整扫描需要15分钟，并生成一个数据集。不可能确定完整磁盘中特定点的确切力矩。这将匹配数据集的时间范围限制在15分钟内。但是，在风速较高的区域，云可以在该15分钟的窗口内移动很大的距离。因此，无法避免由时序问题引起的错误。第187-199行裁判员2评论：鉴于这些结果，我认为读者需要确信您选择了合理的
嵌入式系统的轻巧伪随机数生成器Andi Sama 1*，Meyliana 2，Yaya Heryadi 1，Taufik Roni Sahroni 3
用于数据传输加密的加密算法提供了机密性，需要相当大的计算能力，并且在具有有限的计算能力的嵌入式系统中不常用，例如可编程逻辑控制器（PLC）。PLC是工业自动化中自动化和控制的核心组成部分。数十年来，PLC优先考虑速度而不是安全性； PLC中的程序执行必须尽可能高效。加密算法使用种子，初始化矢量，用加密量键加密数据以加强加密。伪随机数发生器（PRNG）可以用作初始化向量。本文提出了Xorasm PRNG算法，该算法是基于Xorshift的轻量级算法，并带有系统时钟的修改种子。应用的方法可以生成和可视化PRNG，测试随机性并在紧凑型PLC上实现PRNG。Xorasm进行统计评估。这项研究的发现是，p值表明Xorasm在统计学上是统计学和明显的随机性，并且有证据表明，Xorasm生成的数据分布实际上是在99.95％的置信度下随机的，适用于嵌入式系统中的实施，作为轻量级的PRNG。
基于随机扩增标记的猪笼草遗传多样性
猪笼草又名猪笼草，是一种独特而有趣的植物，已被广泛开发作为观赏植物。这种植物的魅力不仅在于它的花朵，还在于它的花囊，花囊的形状和颜色多种多样。基于分子表征可以确定猪笼草的几种物种和杂交种的多样性。这项研究的目的是计算遗传多样性的值，并在分子基础上利用 RAPD 引物测试印度尼西亚猪笼草之间的关系。本研究使用的材料是从 Yagiza 苗圃猪笼草苗圃、食虫植物苗圃、Tulungagung 猪笼草群落和毒液苗圃的勘探结果中获得的 41 种物种和由 3 个个体组成的猪笼草杂交种。分子 DNA 分析是在加查马达大学 (UGM) 农学院农业栽培系遗传学和植物育种实验室进行的。 3个RAPD引物（OPD 8、OPC 2和OPC15）对41个物种及其杂交种进行检测，共得到85个位点，1370个DNA带，大小为150～1750 bp，多态性水平为100％，形成的特异性带数共12条。聚类分析结果表明，多样性水平在17％～100％之间，可分为A组和B组，相似性水平为17％。遗传参数分析结果表明，居群（N. eustahcya x N. ampularia）各参数的遗传差异最大且一致（Na=0.576±0.092、Ne=1.162±0.035、I=0.136±0.027），PLP为23,53%，平均杂合度（H）为0.093±0.019。最高相似系数值为0.338，表明N.veitchii与N.adnata亲缘关系较远，最低相似系数值为0.050，表明N.maxima wavy与N.maluku亲缘关系较近。AMOVA分析显示，猪笼草居群间遗传多样性分布值（74%）高于居群内多样性值（26%）。同时，猪笼草种群间遗传多样性分布值（70%）高于种群内遗传多样性分布值（30%）。关键词：猪笼草；分子；RAPD。
神经肌肉训练对化学疗法诱导的神经病的预防作用
结果总共筛查了1605名患者，1196名患者不符合所有纳入标准，251例进一步排除或参与下降。总共158名患者（平均[SD]年龄，49.1 [18.0-82.0]年； 93 [58.9％]男性）分为3组中的1例：55（34.8％）在SMT中为53（33.5％），在WBV中，在治疗中为50（33.5％），在治疗中为50（31.6％）。The incidence of CIPN in participants was significantly lower in both intervention groups compared to the control group (TAU): (SMT, 12 of 40 [30.0%; 95% CI, 17.9%-42.1%] and WBV, 14 of 34 [41.2%; 95% CI, 27.9%-54.5%] vs TAU, 24 of 34 [70.6%; 95% CI, 58.0％-83.2％]；接受VINCA生物碱并进行SMT的患者受益最大。在每项协议分析中更为明显（> 75％参与干预措施）（SMT，8 [28.6％； 95％CI； 95％CI，16.6％-40.5％]和WBV，9中的9个，24 [37.5％; 95％CI; 95％CI，24.4％-50.5％] vs Tau，22 of 30 [75％3.35％cl tau; 61.6％-85.6％]）。与TAU相比，有利于SMT的改进，以睁开眼睛的平衡对照双足动物；双方闭着眼睛；单足，振动敏感性，触摸感，较低的腿部强度，减轻疼痛，燃烧感，化学疗法降低和死亡率。
量子信息处理中的集体随机测量
对单个粒子进行随机测量的概念已被证明可用于分析量子系统，并且是量子态阴影层析成像等方法的核心。我们引入集体随机测量作为量子信息处理的工具。我们的想法是对量子系统进行集体角动量测量，并使用同时多边幺正主动旋转方向。基于所得概率分布的矩，我们提出了系统的方法，以集体参考系独立的方式表征量子纠缠。首先，我们表明现有的自旋压缩不等式在这种情况下是可以访问的。接下来，我们提出一种基于三体关联的纠缠标准，超越了具有二体关联的自旋压缩不等式。最后，我们应用我们的方法来表征空间分离的两个集合之间的纠缠。
可解释的随机森林
摘要 先进的机器学习模型因其出色的性能而被广泛应用于各个领域。然而，它们的复杂性往往使它们难以解释，这可能是高风险决策场景中的一个重大限制，因为可解释性至关重要。在本研究中，我们提出了可解释随机森林 (XRF)，它是随机森林模型的一个扩展，它在训练过程中考虑了用户对问题及其特征空间的看法所产生的可解释性约束。虽然已经提出了许多方法来解释机器学习模型，但这些方法通常仅适用于模型训练后。此外，这些方法提供的解释可能包括人类无法理解的特征，这反过来可能会妨碍用户理解模型的推理。我们提出的方法解决了这两个限制。我们系统地将我们提出的方法应用于六个公共基准数据集，并证明 XRF 模型能够平衡模型性能和用户的可解释性约束之间的权衡。