XiaoMi-AI文件搜索系统
World File Search SystemWeight
基于地理加权回归的水 - 土壤 - 能源溶液的预测
摘要：由于全球城市化，城市地区遇到了许多环境，社会和经济挑战。已经提出和实施了不同的解决方案，例如基于自然的解决方案以及绿色和蓝色基础设施。考虑到与这些解决方案相关的外源性因素是评估其可能影响的关键问题。这项研究研究了可能的解释性因素及其演变，直到2054年对紫外线地区的几种解决方案进行了研究：废水恢复，地表地热能和区域的热量减震能力。此研究由一系列统计模型，即普通最小二乘（OLS）和地理位置加权回归（GWR）进行，这些回归（GWR）集成在地理信息系统中。主要的驱动因素被确定为土地使用/土地覆盖和人口分布。结果表明，GWR模型捕获了空间自相关的很大一部分。的预测结果，低，中和高潜力实施特定溶液的区域。此外，将解决方案的实施能力与所描述的需求进行了比较，因为需要减慢地表城市热岛的影响和对化石能量的依赖。此外，降温能力始终与人类活动有明显的联系。需要进一步研究以发现剩余的原因，尤其是空气质量，水，植被和气候变化。
增强超高分子量块共聚物链迁移率的策略，以访问大时尺寸（> 100 nm）
Cian Cummins，Alberto Alvarez-Fernandez，Ahmed Bentaleb，Georges Hadziioannou，Virginie Pon-Sinet等。Langmuir，2020，36（46），pp.13872-13880。10.1021/acs.langmuir.0c02261。hal-03033202
在高分子量DNA提取
数十亿美元致力于推进测序技术。这导致了通过数量级的顺序和基于测序的应用程序爆炸的降低。但是，样品制备过程仍然是一个重要的瓶颈。手动处理样品时，样本质量，费力的协议和高样本成本仍然是可伸缩性和一致性的重要障碍。自动化液体处理程序可实现更高的吞吐量，但实施的重大障碍持续存在：昂贵的方法开发，高资本支出，对多重
深部脑刺激自动轨迹规划的帕累托前沿与加权和
摘要。深部脑刺激 (DBS) 的术前路径规划是一个多目标优化问题，即在多个放置约束之间寻找最佳折衷点。它的自动化通常通过使用聚合方法将问题转变为单目标来解决。然而，尽管这种方法很直观，但它以无法找到所有最优解而闻名。在本文中，我们引入了一种基于多目标优势的 DBS 路径规划方法。我们将它与经典的多个约束的聚合加权和以及由神经外科医生对 14 个 DBS 病例进行的回顾性研究的手动规划进行了比较。结果表明，基于优势的方法优于手动规划，并且与传统的加权和方法相比，它涵盖了更多相关的最佳切入点选择，因为传统的加权和方法会丢弃外科医生可能喜欢的有趣解决方案。
用智能物联网，体重分析和机器学习彻底改变金库安全
摘要 - 尽管数字支付方法的增加，但持续使用实物货币，对存储钞票和硬币的保险库构成了安全挑战。传统的金库安全措施，包括物理障碍，时间锁，双控制系统和监视，容易受到复杂的攻击和内部威胁的影响。本文通过合并智能物联网（IoT）设备和机器学习算法来监视保险库货架上的钞票的重量，从而提出了一种新颖的方法来增强跳马安全性。通过跟踪和分析重量变化，该系统旨在检测差异和潜在盗窃。该系统采用各种机器学习模型，包括线性回归，套索回归，K-Nearest邻居（KNN），支持向量机（SVM）和随机森林，以预测基于重量和面额的钞票数量。评估表明，线性回归和LASSO回归达到了最高的精度，使其成为该应用的最有效模型。挑战，例如有限的数据，计算资源限制以及对更精致功能的需求，以及潜在的改进，例如数据增强和增强的解释性。这种方法通过整合现代技术来保护盗窃和未经授权的访问，从而在保险库安全方面取得了重大进步。
儿童身体虐待对孩子的影响...
电锯广泛用于森林作业中木材收集活动的树切阶段。通常，有两种类型的电锯：汽油动力和电池供电。汽油和电池电锯的性能受到不同因素的影响，包括木材的水分含量，树种，环境条件，操作员的经验以及电锯的不同技术特征（功率，重量，链条旋转速度和棒状长度）。本研究旨在确定影响汽油动力电锯和电池供电的电锯的性能的技术标准的重量。在研究中，熵方法用于确定标准的重量。作为技术标准，最大功率的链速度，总圆柱体容量，功率，条形长度，链条音高和重量标准，并考虑了汽油电锯。在电池供电的电锯中，以最大功率，条形长，链条，重量和电池电压标准处于最大功率，链速度。一般评估技术标准的重量值时，汽油驱动的电锯中最重要的性能标准是功率标准，而电池供电锯中最大功率标准的链速度。基于该电源的功率因数对于两种电锯都是重要的。通常，这项研究的结果将使用户了解技术标准在替代选择不同类型的链锯的性能方面的有效性，这些链锯经常用于不同的活动，例如在森林砍伐阶段，修剪，修剪和花园维护的城市地区。
神经网络权重的几何流量模型
深层生成模型（例如流量和扩散模型）已被证明在建模高维和复杂的数据类型（例如视频或蛋白质）方面具有有效性，这激发了它们在不同数据模式（例如神经网络重量）中的使用。神经网络权重的生成模型对于贝叶斯深度学习，学习优化和转移学习等多种应用程序将很有用。但是，重量空间生成模型的现有工作通常忽略神经网络权重的对称性，或者仅考虑其中的一个子集。对这些对称性进行建模，例如MLP中的子顺序之间的置换对称性，卷积网络中的滤波器或通过使用非线性激活而产生的比例对称性，具有通过有效地降低问题的降低降低问题的重量模型的潜力。从这个角度来看，我们旨在在重量空间中设计生成模型，以更加仔细地尊重神经网络重量的对称性。我们以流量匹配的生成建模为基础，而权重空间图神经网络设计以设计三个不同的重量空间流。我们的每个流量都采用不同的方法来建模神经网络权重的几何形状，因此使我们能够以原则上的方式探索权重空间流的设计空间。我们通过列出了在重量空间的常规模型上列出未来工作的潜在方向来得出结论。我们的结果证实，建模神经网络的几何形状更忠实地导致更有效的流量模型，可以推广到不同的任务和体系结构，并且我们表明，尽管我们的流量以比以前的工作少的参数获得竞争性能，但可以进一步改进它们，通过扩展它们。
使用电阻RAM使用单一感官操作实现三元重量
摘要 - 实施具有新兴记忆（例如电阻随机访问记忆（RRAM））的系统设计的系统是减少人工智能能源消耗的重要铅。为了在此类系统中实现最大的能量效率，应尽可能紧密地集成逻辑和内存。在这项工作中，我们关注三元神经网络的情况，其中突触权重假设三元值。我们提出了一种使用预感的两种晶体管/两抗记忆体系结构，其中可以在单个感觉操作中提取重量值。基于对具有这种感觉放大器的杂交130 nm CMOS/RRAM芯片的实验测量，我们表明该技术在低供应电压下特别适合，并且对于处理，电压和温度变化具有弹性。我们表征了方案中的位错误率。我们基于CIFAR-10图像识别任务的神经网络模拟显示，三元神经网络的使用显着提高了神经网络的性能，而对于二进制二进制，这通常是推理硬件而言是优先的。我们最终证明了神经网络对我们方案中观察到的位误差的类型免疫，因此可以在没有误差校正的情况下使用。
