XiaoMi-AI文件搜索系统
World File Search SystemTIMED
定时偏序推理算法 - AAAI 出版物
在本文中，我们提出了定时偏序 (TPO) 模型来指定工作流程安排，尤其是用于对制造流程进行建模。TPO 集成了工作流程中事件的偏序，指定“先发生”关系，并使用时钟上的保护和重置指定时间约束——这是从定时自动机规范中借鉴的想法。TPO 自然使我们能够捕获事件顺序以及一类受限制但有用的时间关系。接下来，我们考虑从工作流程日志中挖掘 TPO 安排的问题，其中包括事件及其时间戳。我们展示了制定 TPO 和图着色问题之间的关系，并提出了一种具有正确性保证的 TPO 学习算法。我们在合成数据集上展示了我们的方法，其中包括两个受飞机调头的实际应用启发的数据集和 Overcooked 电脑游戏的游戏视频。我们的 TPO 挖掘算法可以在几秒钟内从数千个数据点推断出涉及数百个事件的 TPO。我们表明，由此产生的 TPO 为工作流的依赖关系和时间约束提供了有用的见解。
参数时间自动机的重写逻辑语义和符号分析
本文介绍了参数时间自动机 (PTA) 的重写逻辑语义，并表明使用 Maude-with-SMT 的符号可达性分析对于 PTA 可达性问题是合理且完整的。然后，我们改进了标准的 Maude-with-SMT 可达性分析，以便当 PTA 的符号状态空间有限时，分析终止。我们展示了如何使用我们的方法合成参数，并将其性能与最先进的 PTA 工具 Imitator 进行比较。实际贡献有两个方面：为 PTA 提供新的分析方法（例如，允许查询中具有更一般的状态属性并支持与用户定义的执行策略相结合的可达性分析，而 Imitator 不支持这些方法），并为实时重写理论开发符号分析方法。
人工智能在自然周期宫内授精和定时性交中的应用
目的：开发一种机器学习模型，用于预测自然周期中宫内授精或定时性交 (TI) 的排卵时间和最佳受精窗口。设计：一项回顾性队列研究。地点：一家大型体外受精单位。患者：2018 年至 2022 年间接受 2,467 次自然周期 - 冷冻胚胎移植周期的患者。干预措施：无。主要结果测量：预测实施授精或 TI 的最佳日期的准确性。结果：数据集被分成一个包括 1,864 个周期的训练集和 2 个测试集。在测试集中，排卵是通过专家意见或由 2 名独立的生育专家确定排卵日（“专家”）（496 个周期）或根据连续 2 天的超声检查之间主要卵泡的消失来确定的（“确定排卵”）（107 个周期）。训练了两种算法：一种是 NGBoost 机器学习模型，用于估计每个周期发生排卵的概率；一种是治疗管理算法，使用学习模型来确定最佳授精日或是否应进行另一次血液测试。最后一次测试的雌二醇孕酮和黄体生成素水平是该模型使用的最具影响力的特征。“确定排卵”和“专家”测试集的平均测试次数分别为 2.78 和 2.85。在“专家”组中，92.9% 的病例中，该算法正确预测了排卵并建议在第 1 天或第 2 天进行授精。在 2.9% 的病例中，该算法预测为“失误”，这意味着上次测试日已经是排卵日或以后，建议避免进行授精。在 4.2% 的病例中，该算法预测为“错误”，建议进行授精，但事实上应该在非最佳日期（0 或 3）进行。“确定排卵”组也有类似的结果。结论：据我们所知，这是第一项仅基于血液测试实施机器学习模型以高精度安排授精或 TI 的研究，这归因于算法能够整合多种因素而不是仅仅依赖黄体生成素激增。引入该模型的功能可能会提高排卵预测的准确性和效率，并增加受孕的机会。临床试验注册号：HMC-0008-21。（Fertil Steril 2023；120：1004 – 2023 年 12 月，美国生殖医学会。）本文最后提供西班牙语版本。
对基于FPGA的优化和深度学习卷积神经网络的应用
Petri Nets [1]通常用作业务流程管理领域方法和技术的数学基础。因此，拥有用于建模和分析培养皿网的工具支持对学科很重要。这种支持促进了基于培养皿网理论的新方法和技术的发展。同时，它可以用来向学生讲授培养皿。鉴于Python中分析方法和技术的发展不断增长，因此拥有一个支持创建此类方法的Python库是非常有益的。SIMPN提供了这样的基于Python的库，用于建模和模拟定时的彩色培养皿网。它提供了可视化Petri Net模拟的高级功能，以及重复，热身时间和报告等基本仿真功能。这包括以事件日志的形式报告，以允许使用过程挖掘工具进行分析。此外，它支持开发高级建模语言的模拟，包括业务流程模型和符号（BPMN），利用同一库进行可视化。库还支持Python函数的集成。如果使用此类功能来建模（代码）计划或优化功能，这特别有用，因为这样可以在正在模拟的业务过程的背景下评估此类功能。
暂时降低增值税可能有助于刺激经济，但前提是时机正确
政府考虑财政刺激措施是自然而然的。英国目前正处于有记录以来最严重的经济萎缩之中，进一步降息以支持经济的空间极其有限。除了规模庞大之外，此次衰退还很不寻常，因为它主要是由于出于公共卫生考虑而故意关闭某些部门的结果。家庭消费支出急剧下降，但这主要是因为过去几个月一些商品和服务无法供应。1 随着经济重新开放，很大一部分需求将恢复。一些家庭在封锁期间被迫储蓄，甚至可能有一些被压抑的商品和服务需求（例如旅行和餐厅用餐）。然而，有三个因素特别意味着，一旦社会疏离措施结束，经济不太可能简单地反弹到危机前的状态。首先，许多消费者的支出大幅下降
通过定量分析的定量分析和GO（TUG）
摘要 - 轻度认知障碍（MCI）是异常的认知能力下降，而不是预期的正常下降。MCI患者中对阿尔茨海默氏病（AD）的进展率估计在6年内为80％。但是，在老年人中识别正常认知的MCI仍然是早期AD检测的临床挑战。我们研究了一种基于患者的步态和平衡来检测MCI的新方法。我们的方法基于Kinect V.2摄像机的首次应用来记录并提供运动措施和机器学习，以区分有MCI和健康对照组（HC）的两组，对定时和GO测试（TUG）进行了全面分析（TUG）。，我们通过Kinect V.2摄像头从身体的25个关节收集了运动数据，作为30 HC和25名MCI受试者进行了TUG。收集的数据提供了步态和平衡度量的全面列表，其中包括61个功能，包括拖船持续时间，过渡阶段的持续时间和速度以及微观和宏步态特征。我们的分析证明了MCI和HC受试者之间的25个特征有显着差异，其中20个是独特的特征，如我们的相关分析所示。使用三个不同的支持矢量机（SVM），随机森林和人工神经网络的分类结果表明，我们方法检测具有最高性能的MCI受试者的能力是使用SVM的精度为94％，精度为100％，精度为93.33％的F-SCORE和0.94 AUC。这种工具非常适合在临床环境和疗养院中广泛应用，以检测认知障碍的早期迹象并促进健康的衰老。这些观察结果表明，我们的方法可能是一种低成本，易于使用的MCI筛选工具，可客观地检测出高风险开发AD的受试者。
在学习自定时反应持续时间任务的过程中，时间编码从前额叶皮质迁移到背侧纹状体
摘要 尽管时间是生命的一个基本维度，但我们不知道大脑各个区域如何协作来跟踪和处理时间间隔。值得注意的是，对学习过程中神经活动的分析很少，主要是因为计时任务通常需要很多天的训练。我们研究了当动物学习计时 1.5 秒间隔时，时间编码是如何演变的。我们设计了一种新颖的训练方案，让大鼠在一次训练中从幼稚到熟练的计时表现，这让我们能够研究非常早期学习阶段的神经元活动。我们使用药理学实验和机器学习算法来评估内侧前额叶皮层和背侧纹状体的时间编码水平。我们的结果显示，在时间学习过程中，内侧前额叶皮层和背侧纹状体之间存在双重分离，前者致力于早期学习阶段，而后者在动物熟练掌握任务时参与其中。
以孕酮为基础的印度牛定时人工授精方案 II：人工授精时使用或不使用 GnRH 的 EB 或 GnRH 类型方案的生殖结果
这些实验的目的是研究使用不同激素治疗的 7 天孕酮 (P4) 固定时间人工授精 (FTAI) 方案的 Bos indicus 肉牛的卵巢动力学和生育力。在实验 1 中，2 岁的 Nelore 小母牛 (n = 973) 被随机分配到四个治疗组之一：EB-0（苯甲酸雌二醇，D0 使用 EB，人工授精时不使用 GnRH），EB-G（D0 使用 EB，人工授精时使用 GnRH），G-0（D0 使用 GnRH，人工授精时不使用 GnRH）或 GG（D0 和人工授精时使用 GnRH）。在 D0，小母牛接受阴道内 P4 植入物（0.5 克）7 天，并接受 EB（1.5 毫克）或 GnRH（16.8 毫克）。在第 7 天，撤回 P4 植入物，小母牛接受氯前列醇 (PGF；0.5 mg) 和环戊丙酸雌二醇 (EC，0.5 mg) 治疗。G 组的小母牛在第 6 天也接受 PGF 和 eCG (200 IU) 治疗，而 EB 小母牛在第 7 天接受 eCG 治疗。在第 9 天的 FTAI 中，只有 EB-G 和 GG 组接受 GnRH (8.4 mg)。在实验 2 中，Nelore 奶牛 (n = 804) 接受相同的治疗 (EB-0、EB-G、G-0 或 GG)，使用 1.0 g P4 植入物、2.0 mg EB 和 300 IU eCG。当 P 0.05 时，效果被认为显著。治疗后，D0 时，G 组小母牛排卵数多于 EB 组（60.3 [287/ 476] vs. 12.7% [63/497]）和母牛排卵数多于 EB 组（73.7 [83/112] vs. 24.4% [28/113]）。D0 后，EB 组小母牛黄体溶解多于 G 组（39.2 [159/406] vs. 20.0% [77/385]）和母牛排卵数多于 G 组（25.5 [14/55] vs. 1.6% [1/64]）。G 组小母牛在 D7（10.3 ± 0.2 vs. 9.2 ± 0.2）和 AI（11.9 ± 0.2 vs. 11.3 ± 0.2）时卵泡（mm）大于 EB 组。母牛在 D7 时 G 阶段的卵泡比 EB 阶段大（11.0 ± 0.3 vs. 9.9 ± 0.3），但在 AI 阶段则不然。小母牛（80.3 [382/476] vs. 69.6% [346/497]）和母牛（67.6 [270/400] vs. 56.2% [227/404]）在 G 阶段的发情率高于 EB 阶段。D0 和 D9 处理对小母牛每 AI 妊娠率 (P/AI) 没有相互作用（EB-0：56.7 [139/245]、EB-G：53.6 [135/252]、G-0：52.6 [127/241] 和 GG：57.5% [135/235]）。然而，EB-G 母牛的 P/AI 高于 EB-0（69.5 [142/204] vs. 60.2% [120/200]），而 G-0 的 P/AI（62.7% [127/203]）与 GG（60.9% [120/197]）相似。在小母牛中，GnRH 在 AI 与发情期没有相互作用，但是，如果在 AI 时接受 GnRH，未出现发情的母牛的 P/AI 会更高（GnRH ¼ 59.1 [91/ 154] vs. 未接受 GnRH ¼ 48.2% [78/162]）。因此，对 Bos indicus 小母牛和母牛使用 EB 或 GnRH 的方案具有不同的卵巢动力学，但总体生育力相似，因此可用于生殖管理计划。在 AI 期间使用 GnRH 治疗在某些情况下可以提高 Bos indicus 奶牛的生育能力，但对小母牛则没有影响。© 2020 Elsevier Inc. 保留所有权利。
AMT：基于属性的模拟系统监控工具*
算法验证领域一直以模型检查时序逻辑公式的决策程序为中心。时序逻辑 [MP95] 是一种严格的规范形式主义，用于描述系统所需的行为。已经开发了许多将时序逻辑公式转换为相应自动机的有效算法 [VW86、SB00、GPVW95、GO01]，从而成功开发了 L TL 和 C TL 等逻辑，并将它们共同集成到主要验证工具中。基于时序逻辑的形式主义已被硬件行业采用，并成为标准 P SL [HFE04] 规范语言。为了推理定时系统，人们提出了许多实时形式化方法，它们要么是时间逻辑的扩展（M TL [Koy90]、M ITL [AFH96]、T CTL [Y97]），要么是正则表达式（定时正则表达式 [ACM02]）。然而，与非定时情况不同，这些逻辑与定时验证工具中使用的定时自动机 [AD94] 之间没有简单的对应关系。随着混合自动机 [MMP92] 的出现，连续域中的验证成为可能，混合自动机作为描述具有带开关的连续动态系统的模型，以及用于探索其状态空间的算法。尽管最近取得了很大进展 [ADF + 06]，但由于状态空间的爆炸式增长，可扩展性仍然是混合系统穷举验证的主要问题。此外，基于属性的混合系统验证才刚刚起步 [FGP06]。因此，连续系统的首选验证方法仍然是模拟/测试。然而，有人指出，验证的规范元素