XiaoMi-AI文件搜索系统
World File Search Systemaset
典型和极端天气数据集用于研究建筑物对气候变化和热浪的弹性
我们介绍了当前和未来的预计天气文件的前所未有的数据集，用于在全球10个气候区域分发的15个主要城市建立模拟。数据集包括环境空气温度，相对湿度，大气压，直接和弥漫性太阳辐照度以及小时分辨率下的风速，这是进行建筑模拟所需的必不可少的气候元素。数据集包含Energy Plus天气文件（EPW）格式（EPW）格式的典型和极端天气年份，以及三个时期的逗号分隔价值（CSV）格式的多年预测：历史（2001- 2020年），未来的中期（2041-2060）（2041-2060），以及未来的长期（2081-2100）。数据集是从一个区域气候模型的预测中生成的，这些模型是使用每个城市的多年观察数据对其进行偏差校正的。所使用的方法使数据集成为第一个在极端温度的频率，持续时间和幅度中纳入未来气候中复杂变化的数据集。这些数据集在IEA EBC附件80“建筑物的弹性冷却”中创建，可以用于不同类型的建筑适应和弹性研究，以进行气候变化和热浪。
scrnaseq：公共单细胞RNA-seq数据集的收集
螺丝包装。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。3。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。4个backercelldata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。5 5 Bachmarydata。。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>6 Baronpancreasdata。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>7 Bhaduri Organica Suitata。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 8个对接Anescdata。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div>7 Bhaduri Organica Suitata。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>8个对接Anescdata。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div>8个对接Anescdata。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。9 BunishSpcdata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。10 CampbellbrainData。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。11 Chenbraindata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。12个反机分子。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。13 Darmanisbraindata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。14 erccspikeinconenentations。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。15 Ernstsermatogentesisdata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。16提取。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>18 Gilaihdihscdata。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>20 Grunhscdata。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>21 grunpancreasdata。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>22 Heorganatlasda。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>23 Hermannstattotonesissdata。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>24 Hucortexdata。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>25 Jessabraindata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。27 Kolodziejczykescdata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。28 Kotliarovpbmcdata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。29 Lamannobraindata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。30 Lawlorpancreasdata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。32 Ledergormyelomadata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。33 lengescdata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。34个列表。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。35个列表。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。35星期一。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。36 MacCoretinadata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。37 mairpbmcdata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。38 MarquesbrainData。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。39 Messmerescdata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。40 Muraropancreasdata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。41 Netorowahscdata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。42 Nowawskiciceortexdata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。44 Paulhscdata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。45波兰人。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。46 Pollngliadata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。47个重新效果。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。48重新处理。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。49 RichardCelldata。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 5149 RichardCelldata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。51
来自线弧的共同注册的现场式 - 现场数据集...
传感技术和数据分析工具的最新进展已显着加速了电弧添加剂制造（WAAM）系统的开发。这种以数据为中心的方法强调了在整个生产过程中可用的传感器数据以优化性能。广泛的数据分析的集成为改善精度，减少废物和提高生产零件的质量提供了机会。此方法依赖于AI/ML模型和优化技术，这些技术是使用从各种来源收集的数据（包括原位传感器，前坐姿成像和制造过程参数）开发的。这些数据的质量和多样性以及不同数据流（通过时空注册实现）之间的对齐对于成功开发AI/ML和优化模型至关重要。在这项工作中，我们提出了在矩形块沉积过程中生成的时空注册数据集。数据集包括对沉积过程，过程参数，焊接特性和原位收集的声学数据的全面描述以及构建的X射线计算机断层扫描数据。
数据集描述符
随着电动汽车（EV）的运营寿命终结，其电池保留了巨大的经济价值，并为二人使用和物质回收提供了有希望的机会。这对于全球南部和其他欠发达地区特别有说服力，在这里，可靠的能源存储对于解决弱甚至不存在的电网和能源基础设施所带来的关键挑战至关重要。，尽管存在这种潜力，但围绕第二次生命电池的技术性能，安全性和重新认证的严重不确定性阻碍了广泛的采用。在重新部署它们的情况下，估计和实际性能之间的不匹配通常会使电池在技术上不合适或危险，从而使他们成为打算受益的社区的责任。这种严重的未对准加剧了能源访问差异，并破坏了能源正义的更广泛的愿景，强调了迫切需要强大而可扩展的解决方案以释放潜力。在Pulsebat数据集中，作者测试了464个退休的锂离子电池，涵盖了3种阴极材料类型，6种历史用法，3种物理格式和6种容量设计。对每个第二寿命电池进行重复进行脉冲测试实验，其脉冲宽度，10个脉冲幅度，多重电荷和健康状况，例如，从0.37到1.03（由于不一致而导致的名义容量）。pulsebat数据集的一部分用于自然通信出版物，该出版物解决了在随机分布状态的收费状态下解决了最先进的估计问题1。PulseBat数据集记录了这些测试条件，电压响应以及受注入的脉冲电流约束的温度信号，这些脉冲电流可用作关键诊断任务的宝贵数据资源，例如电荷估计，最新估计，最先进的健康估计，PORTODE材料类型识别，开放式电流电流重新构造，热管理，热管理，以及其他。
胎儿心率信号数据集用于训练形态分析方法并根据专家共识进行评估
摘要 - 胎儿心率（FHR）是预防分娩过程中胎儿缺氧的筛查信号。专家分析此信号时，他们必须定位基线并确定减速和加速度。这些步骤可能是自动化的，并通过数据处理分析更加客观，但是需要培训和评估数据集。在这里，我们描述了155个FHR记录的数据集，其中参考基线，加速度和减速已由专家共识注释。66 FHR记录和共享的专家分析已包含在培训数据集中，并且评估数据集中还包括了90个其他具有非共享专家分析的FHR记录。希望评估其自动分析方法的研究人员应提交其结果，以与专家共识进行比较。数据集还包含文献中11种重新编码的自动分析方法产生的结果。所有数据均可在http：//utsb.univ-catholille.fr/fhr-review中获得。
一个高质量的基因组和两个针对新的梅托纳斯种类的转录组数据集，这是一个深部的真核生物
mantamonads被认为代表了真核生物树中的“孤儿”谱系，可能在真核生物根部最常假定的位置附近分支。最近的系统基因分析将它们与“ crums”超组的一部分以及胶状果糖和核纤维相同。这个超组似乎是在氨甲基底部分支的，这对于理解真核生物的深层进化历史至关重要。但是，缺乏代表性物种和与之相关的完整基因组数据阻碍了其生物学和进化的研究。在这里，我们隔离并描述了两种新的Mantamonads，Mantamonas vickermani sp。nov。和mantamonas sphyraenae sp。nov。，对于我们生成的转录组序列数据以及后者的高质量基因组。Sphyraenae基因组的估计尺寸为25 MB；我们的从头组装似乎是高度连续的，并具有9,416个预测的蛋白质编码基因。这个近染色体规模的基因组组装是CRUMS超级组的第一个描述。
celldex：参考单元类型数据集的索引
蓝图编码。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。2个数据库Munecellexpressiondata。。。。。。。。。。。。。。。。。。。。。。。。。。。3提取。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。5人类primarycellatlasdata。。。。。。。。。。。。。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>6 Meremara。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 8列表流。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 9摩纳哥imimedata。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div>6 Meremara。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>8列表流。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>9摩纳哥imimedata。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。。。。。。。。。。。。。。。。。。。10 Mousernaseqdata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。12 Novershternhematopoieticdata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。13个重新效果。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。16省力。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。16个系列参考。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。17个监视。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。18
MLCQ数据集的比较研究
摘要。代码气味是软件代码中潜在问题的指标，可以使维护更具挑战性。传统的检测代码气味的方法主要依赖于手工制作的规则和启发式方法，而最近的进步探索了机器学习（ML）和深度学习（DL）技术。在本文中，我们研究了基于迅速的大语言模型（LLM）在代码气味检测中的应用，利用最先进的模型，即经过生成的预训练的预训练的Transformer-4（GPT-4）和大型语言模型Meta AI（LLAMA）。我们对机器学习代码质量（MLCQ）数据集进行了广泛的分析，重点介绍这些LLM在提示识别和分类代码气味时的性能。通过系统地评估每个模型的性能，我们提供了对它们的精确，召回和能够跨越不同类型的代码气味的能力的见解。我们的结果旨在证明LLM的潜力是自动化某些类型的代码气味的有前途的工具，同时表现不佳。
关于阿尔茨海默氏病和其他痴呆症国际注册中心（INRAD）和其他登记处的现实世界中的现实数据集：国际共识
此预印本版的版权持有人于2025年2月19日发布。 https://doi.org/10.1101/2025.01.12.25320418 doi：medrxiv preprint