XiaoMi-AI文件搜索系统
World File Search SystemTransformer
用于患者的局部不变散射变压器......
基于连续脑电图 (cEEG) 的视觉频谱表示的患者独立癫痫活动检测已广泛用于诊断癫痫。然而，由于不同受试者、通道和时间点的细微变化，精确检测仍然是一项相当大的挑战。因此，捕获与高频纹理信息相关的脑电图模式的细粒度、判别性特征尚未解决。在这项工作中，我们提出了散射变压器 (ScatterFormer)，这是一种基于不变散射变换的分层变压器，它特别关注细微特征。特别是，解缠结的频率感知注意力 (FAA) 使变压器能够捕获具有临床信息的高频成分，基于多通道脑电图信号的视觉编码提供了一种新的临床可解释性。在两个不同的癫痫样检测任务上的评估证明了我们方法的有效性。我们提出的模型在 Rolandic 癫痫患者中实现了 98.14% 和 96.39% 的中位 AUCROC 和准确率。在新生儿癫痫发作检测基准上，其平均 AUCROC 比最先进的方法高出 9%。
2 输出：5V 和 12V - 反激变压器
S1 9 - 10 6 3.3 – 7 Vdc 3 Adc S2 7 - 8 14 8 – 16.5 Vdc 1.4 Adc 74021 18 w Pri 4 - 6 108 65 – 130 (VOR) 1.1 Apeak 900µH Aux 2 - 1 12 7 – 14 Vdc 0.1 Adc S1 9 - 10 6 3.3 – 7 Vdc 3 Adc S2 7 - 8 14 8 – 16.5 Vdc 1.4 Adc 集成电路应用示例：MYRRA 控制 IC 控制 IC 输入电压 电源频率
2 输出：5V 和 12V - 反激变压器
尺寸 E16 - 2 输出：5 和 12v - 反激变压器 初级/次级绝缘 ≥ 4000V 初级/辅助绝缘 ≥ 1500V 初级/次级爬电距离 ≥ 6mm 环境温度 < 70°C 结构符合 IEC950、IEC335、IEC61558 加强绝缘标准 仅使用 UL94-V0 列出的材料
变压器的弹性和高级组件（...
迄今为止，许多“智能网格”转换都集中在将高级数字信息和通信技术应用于电网上，以提高系统的可靠性，弹性，效率，灵活性和安全性。要意识到现代化的电网的全部潜力，还需要在电网物理硬件中进步。下一代网格组件可以改善设备性能和寿命，而不是当前的设计，简化高级技术的集成，并提供未来网格所需的新功能。TRAC计划支持旨在提高技术和方法的研发活动，以最大程度地提高现有网格组件的价值和寿命，并使下一代的网格硬件更具适应性，更灵活，更可靠，更可靠，并且比当今可用的技术更具成本效益。
staso变压器流体iko
提供的数据是当前生产的典型数据，可能会发生特征的变化，用户所设想的申请产品的最终确定仅是他们的责任，有关进一步的信息，请访问+49（0）4661-93495-0，info@nf-oel.de或wwwwwwww.starkeundly.starparkeundlo＆sehne.del starke＆sohn nieb，gmbh， 2021
抗病毒肽产生预训练的变压器
摘要：传统的抗病毒肽（AVP）发现是一个耗时且昂贵的过程。这项研究介绍了AVP-GPT，这是一种新型的深度学习方法，利用基于变压器的语言模型和专门为AVP设计设计的多模式体系结构。AVP-GPT表现出非凡的效率，在GPU系统上产生了10,000个独特的肽，并在两天内识别潜在的AVP。在呼吸道合胞病毒（RSV）数据集（AVP-GPT）中预先训练，成功地适应了流感病毒（INFVA）和其他呼吸道病毒。与LSTM和SVM等最新模型相比，AVP-GPT的困惑性显着降低（2.09 vs. 16.13）和较高的AUC（0.90 vs. 0.82），表明肽序列序列预测和AVP分类。AVP-GPT产生了一套具有出色新颖性的肽，并确定了抗病毒成功率明显高于常规设计方法的候选者。值得注意的是，AVP-GPT对RSV和INFVA产生了新的肽，具有出色的效力，其中包括四种肽，其EC50值在0.02 um左右，这是迄今为止报告的最强的抗RSV活性。这些发现突出了AVP-GPT彻底改变AVP发现和开发的潜力，从而加速了新型抗病毒药。未来的研究可以探索AVP-GPT在其他病毒靶标上的应用，并研究替代AVP设计策略。
3D 医学轴向变压器：用于 3D 脑肿瘤分割的轻量级变压器模型
近年来，基于 Transformer 的模型在医学图像分割领域备受关注，研究也在探索将其与 Unet 等成熟架构相结合的方法。然而，这些模型对计算的要求很高，导致当前大多数方法都侧重于分割 MRI 或 CT 图像的 2D 切片，这会限制模型学习深度轴上语义信息的能力，导致输出边缘不均匀。此外，医学图像数据集（尤其是用于脑肿瘤分割的数据集）规模较小，这对训练 Transformer 模型构成了挑战。为了解决这些问题，我们提出了 3D 医学轴向 Transformer (MAT)，这是一种用于 3D 脑肿瘤分割的轻量级端到端模型，它采用轴向注意机制来降低计算需求，并通过-distillation 来提高在小数据集上的性能。结果表明，我们的方法比其他模型具有更少的参数和更简单的结构，实现了卓越的性能并产生了更清晰的输出边界，使其更适合临床应用。代码可在 https://github.com/AsukaDaisuki/MAT 上找到。关键词：深度学习、3D 脑肿瘤分割、3D Transformer、轴向注意力、自我蒸馏
理解 Transformer
摘要：本文是“了解变压器”应用笔记系列的第二部分。虽然第一部分介绍了变压器的基本参数，但本文将简要介绍这些参数在为不同应用选择变压器类型过程中的重要作用，以及这些参数的存在如何导致变压器的频率行为不理想。本文将更详细地讨论频率行为（电压增益和相移）以及如何在实验室中使用频率响应分析 (FRA) 对其进行测量。此外，还将使用包含所有参数的非理想模型进行模拟，以说明变压器的频率行为。