XiaoMi-AI文件搜索系统
World File Search Systembinary
通过稳健加权评分对高维二分类不平衡基因表达数据进行特征选择
摘要：本文提出了一种针对不平衡数据的稳健加权评分 (ROWSU)，用于在存在类别不平衡问题的高维基因表达二分类问题中选择最具判别性的特征。该方法解决了基因表达数据集中类别分布高度倾斜这一最具挑战性的问题之一，该问题会对分类算法的性能产生不利影响。首先，通过从少数类观测值中合成数据点来平衡训练数据集。其次，使用贪婪搜索方法选择最小基因子集。第三，引入一种新的加权稳健评分，其中权重由支持向量计算，以获得一组优化的基因。将基于该方法得分最高的基因与通过贪婪搜索方法选择的最小基因子集相结合，形成最终的基因集。即使在类别分布倾斜的情况下，新方法也能确保选择最具判别性的基因，从而提高分类器的性能。在6个基因表达数据集上评估了所提出的ROWSU方法的性能。以分类准确率和灵敏度作为性能指标，将所提出的ROWSU算法与其他几种最先进的方法进行比较。为了更好地理解结果，还绘制了箱线图和稳定性图。结果表明，所提出的方法优于现有的基于k近邻(kNN)和随机森林(RF)分类器分类性能的特征选择程序。
开发了基于形态学的预测模型，用于考虑界面效应的二元信用聚合物混合物的机械性能
这项研究旨在开发一种基于形态学的模型，以预测聚合物与相分离结构的聚合物混合物的模量和拉伸强度。分析模型采用了打结和互连的骨骼结构（KISS）模型的几何方法，结合了不混合聚合物混合物的形态变化和组件的渗透阈值。通过假设各个形态态的特定厚度的薄界面层，可以解释聚合物/聚合物界面对机械性能的影响。使用IPP/PA，PP/PET和LDPE/PP聚合物混合物的实验数据评估了所提出的模型的预测能力，这些数据来自现有文献。结果在预测数据和观察到的数据之间建立了合理的规定。该模型的预测也与已建立的抗拉强度和杨氏混合物混合物模量的模型的预测进行了比较，这表明了其有效性。将界面区域纳入机械性能的建模过程中代表了所提出的模型的关键区别特征，从而增强了其与聚合物混合物的实际微结构的兼容性。此外，该模型对相对简单的数学计算的依赖提出了另一个关键优势。
用于碳化硅和氮化镓电子设备的高介电常数二元氧化物薄膜的结构和绝缘行为
摘要：高κ电介质是介电常数高于二氧化硅的绝缘材料。这些材料已经在微电子领域得到应用，主要用作硅 (Si) 技术的栅极绝缘体或钝化层。然而，自过去十年以来，随着宽带隙 (WBG) 半导体的广泛引入，如碳化硅 (SiC) 和氮化镓 (GaN)，后硅时代开始了，这为高κ材料在这些新兴技术中的应用开辟了新的前景。在此背景下，铝和铪的氧化物（即 Al 2 O 3 、HfO 2 ）和一些稀土氧化物（例如 CeO 2 、Gd 2 O 3 、Sc 2 O 3 ）是有前途的高κ二元氧化物，可用作基于 SiC 和 GaN 的下一代大功率和高频晶体管的栅极介电层。本综述论文概述了用于后硅电子器件的高介电常数二元氧化物薄膜。特别地，重点关注通过原子层沉积在 WBG 半导体（碳化硅和氮化镓）上生长的高 κ 二元氧化物，无论是非晶态还是晶体膜。讨论了沉积模式和沉积前或沉积后处理的影响。此外，还介绍了这些薄膜的介电行为，并报告了一些应用于 SiC 和 GaN 晶体管的高 κ 二元氧化物的示例。强调了这些技术的潜在优势和当前的局限性。
2 COMPUTER ORGANISATION
But inside the computer, the steps followed are quite complex than what we actually see on the monitor or screen. In computer's memory both programs and data are stored in the binary form. You have already been introduced with decimal number system, that is the numbers 1 to 9 and 0. The binary system has only two values 0 and 1. These are called bits. As human beings, we all understand deci- mal system but the computer can only understand binary system. It is because a large number of integrated circuits inside the com- puter can be considered as switches, which can be made ON or OFF. If a switch is ON it is considered 1 and if it is OFF it is 0. A number of switches in different states will give you a message like this: 110101…10. So the computer takes input in the form of 0 and 1 and gives output in the form 0 and 1 only. Is it not absurd if the computer gives outputs as 0's & 1's only? But you do not have to worry about. Every number in binary system can be converted to decimal system and vice versa; for example, 1010 meaning decimal 10. Therefore it is the computer that takes information or data in decimal form from you, convert it into binary form, process it pro- ducing output in binary form and again convert the output to deci- mal form to make it understandable.
薄膜形态，电荷载体动力学和光伏性能之间的定量关系
作者的完整列表：Zhu，Weigang;天津大学化学系李，盖珀；西北大学，化学； Mukherjee，Subhrangsu；纳塔利亚国家标准和技术材料测量实验室大战； Slac，Pulse Institute； Slac Jones，Leighton；西北大学，艾略特化学甘恩；国家标准与技术研究所，物质测量实验室Kline，R。Joseph；国家标准与技术研究所，物质测量实验室Herzing，Andrew；詹娜（Jenna）SMSD Logsdon国家标准与技术研究院；西北大学，化学系弗拉格，卢卡斯；夏洛特国家标准和技术材料科学与工程实验室船尾；西北大学，瑞安（Ryan）的化学Young；西北大学，凯文化学系Kohlstedt；西北大学，乔治的化学Schatz；西北大学，院长化学DeLongchamp；国家标准技术研究所，聚合物Wasielewski，迈克尔；西北大学，费迪南德的化学系；西北大学，安东尼奥的化学Facchetti；西北大学，化学系和材料研究中心标记，托宾；西北大学，化学
符合 EMC 标准的隔离式 2 通道二进制或数字输入模块，适用于宽范围 AC/DC 输入参考设计 (Rev. A)
使用隔离电源推挽驱动器 SN6501DBV 生成 MCU、数字隔离器和用于感测二进制输入的信号调节电路的隔离电源。本应用使用的变压器是 750313638。选择的变压器封装具有 > 5 kV 的隔离电压。选择更大的变压器封装便于轻松迁移到增强型隔离器。齐纳二极管 PTZTE253.9B 用于保护电源免受过压和 ESD 的影响。隔离电源采用单个 3.3 V 输入运行。主机接口为二进制模块运行提供所需的电源。LDO TPS70933DBVT 用于改善 ADC 动态范围和输出电源电压的准确性。
噪声数据集的二元分类器：现有量子机器学习框架和一些新方法的比较研究
量子机器学习是最有希望获得实际优势的研究领域之一，它是量子计算和传统机器学习思想相互影响的产物。在本文中，我们应用量子机器学习 (QML) 框架来改进金融数据集中普遍存在的噪声数据集的二元分类模型。我们用来评估量子分类器性能的指标是受试者工作特征曲线下面积 (ROC/AUC)。通过结合混合神经网络、参数电路和数据重新上传等方法，我们创建了受 QML 启发的架构，并利用它们对非凸二维和三维图形进行分类。对我们的新 FULL HYBRID 分类器与现有量子和经典分类器模型进行广泛的基准测试表明，与已知的量子分类器相比，我们的新模型对数据集中的非对称高斯噪声表现出更好的学习特性，并且对于现有的经典分类器表现同样出色，并且在高噪声区域内比经典结果略有改善。
使用T2 MRI脑图像和CNN二元分类器和DWT
摘要：目的：放射线学家使用磁共振成像（MRI）数据对脑肿瘤进行了手动和无创诊断和非侵入性分类。可能由于人为因素（例如缺乏时间，疲劳和相对较低的经验）而存在误诊的风险。深度学习方法在MRI分类中变得越来越重要。为提高诊断准确性，研究人员强调需要通过使用深度学习方法（例如卷积神经网络（CNN））来开发基于人工智能（AI）系统的计算机辅助诊断（CAD）计算诊断，并通过将其与其他数据分析工具（如波动型波现变换）相结合来改善CNN的性能。在这项研究中，开发了一个基于CNN和DWT数据分析的新型诊断框架，用于诊断大脑中的神经胶质瘤肿瘤以及其他肿瘤和其他疾病，并进行了T2-SWI MRI扫描。这是一种二元CNN分类，将“神经胶质瘤肿瘤”视为阳性，而其他病理为阴性，导致非常不平衡的二元问题。该研究包括对经过MRI的小波变换数据而不是其像素强度值的CNN进行比较分析，以证明CNN和DWT分析在诊断脑胶质瘤时的性能提高。还将提出的CNN体系结构的结果与使用DWT知识的VGG16传输学习网络和SVM机器学习方法进行了比较。此外，没有对原始图像应用预处理。使用的图像是与轴向平面平行的T2-SWI序列的MRI。方法：为了提高CNN分类器的准确性，拟议的CNN模型用作知识，通过将原始MRI图像转换为频域而提取的空间和时间特征，通过执行离散小波转换（DWT），而不是传统上使用的原始扫描以Pixel Intomesition的形式进行。首先，对每次MRI扫描进行了一个压缩步骤，该DWT施加了三个级别的分解级别。这些数据用于训练2D CNN，以将扫描分类为显示神经胶质瘤。拟议的CNN模型对MRI切片进行了培训，该模型源自382名各种男性和女性成年患者，显示出疾病选择的健康和病理图像（显示出神经胶质瘤，脑膜瘤，垂体，垂体，坏死，水肿，非onsence肿瘤，肿瘤，出血性焦点，水肿，缺血性，缺血性区域等）。这些图像由医学图像计算和计算机辅助干预（MICCAI）的数据库以及缺血性的中风病变细分（ISLE）对脑肿瘤细分（BRATS）挑战2016和2017的挑战以及2017年和2017年的挑战，以及在Chania，Crete，Crete，Crete，Crete，Crete，Crete，Saint George中保存的许多记录。结果：通过检查源自190名不同患者的MRI切片（未包含在训练集中），在实验中评估了所提出的框架，其中56％的胶质瘤显示了最长的两个轴小于2 cm，而44％的轴是其他病理效应或健康的病例。结果表明，当使用AS信息时，令人信服的性能是原始扫描提取的空间和时间特征。使用拟议的CNN模型和DWT格式的数据，我们实现了以下
“我做得更好”：通过脑机接口检查虚拟现实中的具身化对二元运动想象任务中的主体感的影响
基于运动想象的脑机接口 (MI-BCI) 已被提议作为一种中风康复手段，它与虚拟现实相结合，可以将基于游戏的互动引入康复中。然而，MI-BCI 的控制可能难以获得，用户可能会面临糟糕的表现，这会让他们感到沮丧，并可能影响他们使用该技术的积极性。通过增加用户对系统的代理感，可以减少积极性的下降。本研究的目的是了解虚拟现实中描绘的手的化身（所有权）是否可以增强代理感，从而减少 MI-BCI 任务中的挫败感。22 名健康参与者参加了一项受试者内研究，在两种不同的化身体验中比较了他们的代理感：1) 化身手（与身体），或 2) 抽象块。两种表征都以相似的运动闭合以实现空间一致性，并因此弹出气球。手/块通过在线 MI-BCI 控制。每种情况都包括 30 次 MI 激活化身手/块的试验。在每种情况之后，一份问卷调查了参与者的自主感、所有权和挫败感。之后，进行了一次半结构化访谈，参与者详细说明了他们的评分。这两种情况都支持相似水平的 MI-BCI 性能。观察到所有权和自主性之间的显著相关性（r = 0.47，p = 0.001）。正如预期的那样，虚拟手比积木产生更高的所有权。在控制性能时，所有权增加了自主感。总之，基于 BCI 的康复应用程序的设计者可以利用拟人化虚拟形象来对训练过的肢体进行视觉映射，以提高所有权。虽然不能减少挫败感，但只要 BCI 性能足够好，所有权就可以提高感知到的自主性。在未来的研究中，应该在中风患者中验证这些结果，因为他们对自主性和所有权的感知可能与健全用户不同。
使用实验室（HAXPE）和飞行次级离子质谱（TOF-SIMS）
如今，“更多的摩尔”和“超过摩尔”设备体系结构已大大提高了新型材料的重要性，从而需要提供适当的表征和计量，以实现可靠的过程控制。 例如，在多通道场效应设备或升高来源中使用的SIGE或SIP化合物的引入导致需要确定所得膜的精确组成。 在这项工作中，已经使用主要无损haxpes和TOF-SIMS研究了二进制材料（例如SIP和SIGE）的定量。 的确，虽然使用RB的主要障碍是薄膜的表征，但具有适当定量功能（例如Atom探针断层扫描和传输电子显微镜）的技术既耗时又耗时，并且由于其高度局部的分析量而缺乏灵敏度。 对于定量表征，常规的X射线光电子光谱（XPS）是一个强大的工具。 然而，其低分析深度仍然是研究掩埋界面的主要限制因素，尤其是在本研究中，因为所获得的基于SI的层在环境条件下被氧化（或者应该受到一些纳米计的金属层保护）。 ，由于电子在二元材料表面的化学组成和SIO 2在层中的深入分布，因此使用了一种基于实验室的硬X射线源（HAXPE），这既要归功于层次的SIO 2的深度分布，这要归功于电子的非弹性平均自由路径随光子能量增加的增加（铬Kα，Hν= 5414.7 ev）[1] [1]。如今，“更多的摩尔”和“超过摩尔”设备体系结构已大大提高了新型材料的重要性，从而需要提供适当的表征和计量，以实现可靠的过程控制。例如，在多通道场效应设备或升高来源中使用的SIGE或SIP化合物的引入导致需要确定所得膜的精确组成。在这项工作中，已经使用主要无损haxpes和TOF-SIMS研究了二进制材料（例如SIP和SIGE）的定量。的确，虽然使用RB的主要障碍是薄膜的表征，但具有适当定量功能（例如Atom探针断层扫描和传输电子显微镜）的技术既耗时又耗时，并且由于其高度局部的分析量而缺乏灵敏度。对于定量表征，常规的X射线光电子光谱（XPS）是一个强大的工具。然而，其低分析深度仍然是研究掩埋界面的主要限制因素，尤其是在本研究中，因为所获得的基于SI的层在环境条件下被氧化（或者应该受到一些纳米计的金属层保护）。，由于电子在二元材料表面的化学组成和SIO 2在层中的深入分布，因此使用了一种基于实验室的硬X射线源（HAXPE），这既要归功于层次的SIO 2的深度分布，这要归功于电子的非弹性平均自由路径随光子能量增加的增加（铬Kα，Hν= 5414.7 ev）[1] [1]。确认通过HAXPES测量获得的感兴趣材料的组成并计算出适当的相对灵敏因子（RSF），相同的膜以TOF-SIMS为特征。但是，例如Haxpes，SIP/SIGE层的次级离子质谱法（SIMS）表征通常由于p/ge含量的电离产量的非线性变化而受到基质效应。通过分析参考样本，遵循MCS 2+辅助离子或使用完整的光谱协议[2]，可以通过分析参考样品来超越此限制。最后，计算了次级离子束的P和GE（Si）组成，并将其与X射线衍射确定的参考组成进行比较。还研究了测量值的可重复性和层氧化的影响。得出结论，通过将haxpes结果与TOF-SIM耦合，准确评估了层的深入组成和表面氧化物的厚度。