XiaoMi-AI文件搜索系统
World File Search SystemRecurrent
基于NARX复发神经网络和移动窗口方法的锂离子电池的充电状态估计
摘要准确的充电状态（SOC）估计取决于精确的电池模型。非线性和不稳定干扰因素的影响使准确的SOC估计变得困难。为了获得准确的电池模型，提出了基于NARX（具有外源输入的非线性自回归网络）的方法，提出了复发性神经网络和移动窗口方法。本文从以下三个方面提高了SOC估计的准确性，建模速度和鲁棒性。首先，为了克服对模型训练过程中数据量的过度依赖，使用NARX复发性神经网络来建立电池模型。narx（具有外部输入的非线性自回旋）具有延迟和反馈功能的复发性神经网络可以保留上一刻的输入和输出，并将其添加到下一个时刻的计算中。因此，使用少量数据实现了更好的估计结果；其次，移动窗口方法用于梯度爆炸和NARX模型训练过程中可能发生的梯度消失。第三，通过将其与不同的工作条件和不同温度下的其他方法进行比较，可以验证该模型的有效性。结果表明，所提出的模型具有更高的SOC估计准确性和速度。提出的模型的RMSE性能减少了约65％，并且执行时间缩短了约50％。
使用变分循环神经网络进行主动推理，为习惯智能体进行目标导向规划
摘要：至关重要的是要问，代理如何仅使用通过习惯性感觉运动经验获得的部分世界模型来生成行动计划，从而实现目标。尽管许多现有的机器人研究都使用了前向模型框架，但存在高自由度的泛化问题。当前的研究表明，采用生成模型的预测编码 (PC) 和主动推理 (AIF) 框架可以通过学习低维潜在状态空间中的先验分布来开发更好的泛化，该先验分布表示从习惯性感觉运动轨迹中提取的概率结构。在我们提出的模型中，学习是通过推断最佳潜在变量以及突触权重来最大化证据下限来进行的，而目标导向规划是通过推断潜在变量来最大化估计下限来完成的。我们提出的模型在模拟中使用简单和复杂的机器人任务进行了评估，通过为正则化系数设置中间值，证明了在有限的训练数据下学习中具有足够的泛化能力。此外，比较模拟结果表明，由于先验学习将运动计划的搜索限制在习惯轨迹范围内，因此所提出的模型在目标导向规划中优于传统的前向模型。
主要神经退行性疾病共享的广泛神经元基因组损害的复发模式
。cc-by-nc-nd 4.0国际许可证（未经同行评审证明）获得的是作者/资助者，他授予Biorxiv授予Biorxiv的许可，以永久显示预印本。这是该版本的版权持有人，该版本发布于2025年3月5日。 https://doi.org/10.1101/2025.03.03.03.641186 doi：Biorxiv Preprint
talquetamab在复发性多发性骨髓瘤中的创新方法
怀孕：与talquetamab相关的与妊娠有关的风险尚不清楚，也没有关于该药物在期望妇女或动物中使用的数据。众所周知，在怀孕的头三个月后，人IgG穿透了胎盘。结果，塔尔奎塔姆（Talquetamab）可能会从母亲转移到成长中的胎儿。尚不确定talquetamab如何影响胎儿的增长。不建议怀孕或不打算怀孕的妇女服用Talquetamab。怀孕期间的塔尔奎塔省可能会导致新生儿免疫系统减弱。因此，直到出生四个星期后，不应对新生儿（例如BCG疫苗）进行实时免疫接种。
从儿童到成年期反复出现的时空脑传播的发展变化
摘要 从儿童期到青少年期，大脑经历了深刻的结构和功能转变。越来越多的证据表明，神经发育以分层的方式进行，其特点是大脑区域和网络中的成熟模式不同。然而，大脑活动内在时空传播的成熟仍未得到充分探索。本研究旨在通过描述从儿童期到成年早期的时空传播来弥合这一空白。通过利用最近开发的捕捉时间滞后动态传播的方法，我们沿着三个轴描述了内在动态传播：感觉联想 (SA)、“任务正”到默认网络 (TP-D) 和躯体运动视觉 (SM-V) 网络，这些网络从儿童期到成年早期逐渐发展为类似成人的大脑动态。重要的是，我们证明，随着参与者的成熟，SA 和 TP-D 传播状态的出现时间会延长，这表明他们在这些状态下花费的时间更长。相反，SM-V 传播状态的流行率在发育过程中下降。值得注意的是，沿 SA 轴自上而下的传播表现出与年龄相关的发生率增加，与自下而上的 SA 传播相比，它更能预测认知分数。这些发现在两个独立的队列（总共 N = 677）中得到了复制，强调了这些发现的稳健性和普遍性。我们的研究结果为青少年时期成人样功能动态的出现及其在支持认知方面的作用提供了新的见解。关键词：神经发育、fMRI、皮质发育、动态大脑活动、青春期、自上而下处理
人类多能干细胞中的复发遗传异常：靶向液滴数字PCR中培养上清液中的定义和常规检测
人多能干细胞（HPSC）的基因组完整性对于研究和临床应用至关重要。然而，在HPSC产生和常规培养物以及基因编辑后，遗传差异可能会积累。应定期监测它们的发生，但是评估HPSC基因组完整性的当前测定法不完全适合这种常规筛查。为了解决这个问题，我们首先对100多个出版物和鉴定的738例复发遗传异常（即至少在至少有5个不同的不同科学出版物中发现的重叠异常重叠）进行了大规模荟萃分析。然后，我们基于液滴数字PCR技术开发了一项测试，该测试可能可能检测到从培养上清液样品中提取的DNA中，这些HPSC复发遗传异常的90％以上。该测试可用于常规筛选HPSC中的基因组完整性。
图像报告复发性慢性硬膜下血肿，小梁向钻孔汇聚
一名 75 岁男性，因运动性失语症就诊，发现左侧 CSDH 密度不均一，压迫邻近大脑 [图 1a]。患者未服用任何抗血栓药物，否认近期头部创伤。患者在局部麻醉下接受了颅骨钻孔造口术，随后在血肿腔内插入硅胶管。术后过程顺利：失语症在术后不久消失，术后第 1 天 (POD) 拔除硅胶管。术后第 1 天的脑部计算机断层扫描 (CT) 显示 CSDH 体积明显减小，中线移位 [图 1b]。虽然患者仍无症状，但术后第 14 天的脑部 CT 显示颅骨钻孔下方形成了高密度血凝块状结构 [图 1c]。术后第 21 天的脑部 CT
螺纹吞噬作用诱导者在复发三重...
摘要：（1）背景：三阴性乳腺癌（TNBC）是乳腺癌的独特亚组，表现出高水平的复发，而新辅助化疗在其治疗管理中是有益的。抗PD-L1免疫疗法改善了新辅助治疗在TNBC中的作用。（2）方法：在铁毒性引起的诱导剂治疗下开发了用于综合的磁法分析的免疫调节和与螺旋病相关的R包装：用螺旋病诱导剂刺激的TNBC细胞（GSE173905（GSE173905）（GSE173905）（GSE154425），单细胞数据（GSE154425），单细胞数据（GESE191911912246）和群体specetrients and Specter sexpsertry sexpsertry stractrienty。临床结合分析是用乳腺肿瘤（TCGA和代理队列）进行的。Protein-level validation was investigated through protein atlas proteome experiments.（3）结果：Erastin/rsl3投动诱导者在TNBC细胞中上调CD274（MDA-MB-231和HCC38）。In breast cancer, CD274 expression is associated with overall survival.表现出高表达CD274的乳腺肿瘤上调了一些与预后相关的铁铁蛋白驱动因素：IDO1，IFNG和TNFAIP3。在蛋白质水平上，在盐霉素治疗下，在乳腺癌干细胞中确定了CD274和TNFAIP3的诱导。在用环磷酰胺处理的4T1肿瘤中，发现CD274的单细胞表达在髓样和淋巴样纤维化细胞中增加，与其受体PDCD1无关。在乳腺肿瘤转录组分层患者预后计算的CD274铁凋亡驱动器评分：在基础亚组中观察到较低的分数，其复发性风险得分较高（OnCotypEDX，GGI和GGI和Gene70评分）。在TNBC亚组中发现了代表队列中的CD274，IDO1，IFNG和TNFAIP3。发现CD274的铁质驱动器评分与总体生存有关，与TNM分类和年龄诊断无关。在蛋白质水平（4）结论中确定了在乳房导管癌的活检中CD274，TNFAIP3，IFNG和IDO1的肿瘤表达：在蛋白质水平（4）结论：螺旋菌病诱导的PD-L1在TNBC细胞中升级PD-L1在TNBC细胞中已知是一种有效的免疫疗法疗程的tnbc患者。基础和TNBC肿瘤高度表达的CD274和铁毒驱动因素：IFNG，TNFAIP3和IDO1。CD274铁质驱动器评分与预后和乳腺癌复发的风险有关。对于反复发作的TNBC提出了抗PD-L1免疫疗法的铁凋亡诱导剂的潜在协同作用。
优化云资源分配：将复发性神经网络与模糊逻辑系统
收到的纸张日期：2024年11月15日纸张接受日期：2024年12月16日纸张出版日期：2024年12月22日摘要该研究重点是通过将经过的神经网络（RNN）与模糊逻辑相结合。该研究的主要目标是通过整合两种方法的最佳云资源预测模型的准确性和解释性。通过将RNN序列预测能力与模糊逻辑的多功能性相结合以更好地分类不确定性管理和持续输出的多功能性来实现目标。模糊成员资格功能，并将其分类为模糊集（低，中和高）。使用指标RMSE，MSE，MAE和R-Squared（R²）对经典RNN和LSTM模型进行了基准与经典的RNN和LSTM模型进行了基准测试。从获得的结果中可以清楚地看出，RNN模糊性能比其他两个模型RNN和LSTM更好，就预测的准确性。RNN模型模型的RMSE = 0.003377，MSE = 1.141，MAE = 0.0023，R²= 0.5308，而RNN模型的RMSE = 0.013437，MSE = 0.013437，MMSE = 1.941，MAE = 0.0123，和R²= 0.39908。RMSE为0.023897，MSE为2.843，MAE为0.0223，R²为0.4308，对于LSTM模型而言，所有这些相对较差。这表明使用RNN模型模型时，资源分配预测可显着改善，在减少误差指标并提高可解释性的同时更适合数据。这为云资源优化的模糊逻辑与RNN的集成增加了价值。这是可以得出结论，RNN中的模糊逻辑增强了其减轻歧义的能力，以获得更容易解释的输出，因此是在动态上下文中优化云资源的更好替代方法。关键字：复发性神经网络（RNN），模糊逻辑系统，RMSE，MAE，MSE。简介云计算技术已成为现代数字时代企业和组织的重要工具，以追求可扩展性，效率和灵活性（Khan等，2022）。随着云计算的日益增长，虚拟机的安装和维护在云环境中变得越来越困难。今天，云计算区域复杂环境中的主要问题包括虚拟机迁移优化和有效的资源提供。传统上，资源分配和VM迁移技术始终产生了资源浪费和性能降解的问题，因为它们主要使用静态规则或手动设置，而这些规则或手动设置实际上是根据云环境中不断变化的趋势（Lin等，2024）进行修改的。因此，涉及云计算的最具挑战性的问题之一是利用新颖的技术工具，因为机器学习优化了虚拟机器迁移和动态资源分配。虚拟机迁移是云计算中最重要的技术之一，遵循该领域的任何人都可以看到它的重要性。简而言之，虚拟机迁移促进了资源的动态变化，实现负载平衡并增强了云环境的一般使用和效率（Yousefi＆Babamir，2024）。虚拟机迁移的第二个优点是它可以在云环境中的缺陷中维护，成长或恢复而不会破坏用户服务。（Ghobaei -Arani等，2018）。这会改善系统的可用性。然而，虚拟机迁移并非没有挑战，包括在迁移过程中的绩效丧失，增加的迁移时间以及在迁移过程中引起的潜在数据一致性问题（Ruan等，2019）。传统的虚拟机迁移和资源分配优化通常取决于人类的设置或静态规则，这些规则和限制了许多缺点和限制。首先，静态规则通常无法对云环境中发生的动态变化做出反应。这意味着分配的资源要么不足或过多，影响