XiaoMi-AI文件搜索系统
World File Search Systemclustering
具有基于图的聚类
异质多尺度方法（HMM）能够同时使用Exascale超级计算机的出现，能够同时使用多个尺度模拟多个尺度。但是，幼稚的实现显示大量裁员，并且非常昂贵。宏观模型通常需要计算大量非常相似的显微镜模拟。在层次方法中，这几乎不是一个问题，因为现象学组成模型很便宜。但是，当微观模拟需要例如高维分子动力学（MD）或有限元（Fe）模拟时，必须避免冗余。我们提出了一种适用于HMM工作流的聚类算法，该算法会自动分类并消除冗余显微镜模拟。该算法具有条纹的组合，以呈现微观模拟的参数配置和基于其相似性的图网络表示的低维表示。该算法可以将相似的参数配置聚类为单个参数，以减少所需的显微镜模拟数量。我们描述了算法在HMM应用耦合Fe和MD的背景下的实现，以预测聚合物 - 透明烯纳米复合材料的化学机械行为。该算法提供了计算效果的三倍降低，准确性损失有限。
通过其时间表达模式聚类精神分裂基因有助于功能解释
1心理健康与成瘾司，挪威精神障碍研究中心（诺门特），奥斯陆大学医院和挪威奥斯陆奥斯陆大学临床医学研究所； 2荷兰马斯特里赫特市马斯特里赫特大学心理健康与神经科学学院卫生，医学和生命科学学院； 3挪威奥斯陆奥斯陆大学心理学系； 4耶鲁大学医学院精神病学系，康涅狄格州纽黑文； 5荷兰乌得勒支乌得勒支大学医学中心精神病学系； 6 Cardiff大学神经精神遗传学与基因组学中心心理医学和临床神经科学系，英国加的夫大学的卡迪夫大学医学院； 7挪威奥斯陆奥斯陆大学医院医学遗传学系； 8挪威卑尔根大学精神障碍研究中心临床科学系； 9 K.G.Jebsen神经发育障碍中心，奥斯陆奥斯陆大学，挪威； 10精神病学和心理治疗系，TüBingen心理健康中心，德国TüBingenTüBingen大学； 11德国心理健康中心（DZPG），德国TüBingenJebsen神经发育障碍中心，奥斯陆奥斯陆大学，挪威； 10精神病学和心理治疗系，TüBingen心理健康中心，德国TüBingenTüBingen大学； 11德国心理健康中心（DZPG），德国TüBingen
社会互动的时间聚类交易疾病传播和知识扩散
非药品措施，例如预防隔离，远程工作，学校和工作场所关闭，锁定等。从流行病控制的角度表现出了有效性。但是，它们也对社会生活和人际关系，工作训练和社区参与产生重大负面影响。特别是，，复杂的思想，工作和学校合作，创新的发现以及弹性的规范形成和维护，通常需要开发和协同协同协调的两个或多个聚会的面对面互动。 在这项研究中，我们提出了一种替代杂种解决方案，该解决方案可以平衡流行病扩散的放缓与维护面对面相互作用的保存，我们测试了模拟疾病的模拟和知识在接触网络上同时扩散的知识。 我们的方法涉及对人口的两步分区。 首先，我们调整节点聚类的水平，创建“社交气泡”，而每个气泡内部的接触增加，外部较少，同时保持每个网络中的平均触点数。 第二，我们通过对特定社交气泡的节点进行配对来调整时间聚类的水平。 我们的结果表明，混合方法可以在流行病控制和复杂的知识扩散之间实现更好的权衡。 我们模型的多功能性使调整和精炼聚类水平可以根据疾病或知识扩散过程的可能变化的特征来最佳实现所需的权衡。，复杂的思想，工作和学校合作，创新的发现以及弹性的规范形成和维护，通常需要开发和协同协同协调的两个或多个聚会的面对面互动。在这项研究中，我们提出了一种替代杂种解决方案，该解决方案可以平衡流行病扩散的放缓与维护面对面相互作用的保存，我们测试了模拟疾病的模拟和知识在接触网络上同时扩散的知识。我们的方法涉及对人口的两步分区。首先，我们调整节点聚类的水平，创建“社交气泡”，而每个气泡内部的接触增加，外部较少，同时保持每个网络中的平均触点数。第二，我们通过对特定社交气泡的节点进行配对来调整时间聚类的水平。我们的结果表明，混合方法可以在流行病控制和复杂的知识扩散之间实现更好的权衡。我们模型的多功能性使调整和精炼聚类水平可以根据疾病或知识扩散过程的可能变化的特征来最佳实现所需的权衡。
使用聚类和2D区域生长方法剥去MRI
我们开始特定的质心，并执行2D区域的生长过程，直到它触及另一个质心为止。然后将第二个质心用于进一步的区域生长。我们重复了这个2D区域的生长过程，该过程将所有质心连接起来，在大脑周围具有轮廓，边框厚度约为5像素宽度。然后，我们在轮廓周围形成滑动线。在每个像素上，位于水平线中的像素的平均值并具有质心的值±3的值，最接近平均值作为边界点固定。在每个像素的轮廓周围都重复这一点。连接在每个水平线上选择的点，从而为大脑提供了线边界。该边界被用作标记，并且封闭面罩内部的区域给出了大脑部分。
有缺陷的卫星DNA聚集到铬果中的染色体中，果蝇中的混合不相容性
尽管理论上阐明了牙粒卫星DNA重复的快速演变以促进混合不兼容（HI）（Yunis和Yasmineh 1971； Henikoff等； Henikoff等。2001; Ferree and Barbash 2009； Sawamura 2012; Jagannathan和Yamashita 2017），如何影响杂种细胞的发散重复量仍然很少了解。 最近，我们证明了从多个染色体到“染色体”的序列特异性DNA结合蛋白簇DNA，从而将染色体捆绑在单个核中（Jagannathan等人。 2018，2019）。 在这里，我们表明，果蝇杂交细胞中发散卫星DNA的无效聚类导致铬成分破坏，相关的微核形成和组织萎缩。 我们进一步证明，先前鉴定的HI因子触发了杂种中心的染色体破坏和微核，将其功能与保守的细胞过程联系起来。 一起，我们提出了一个统一的框架，该框架解释了密切相关的物种之间广泛观察到的卫星DNA差异如何引起生殖分离。2001; Ferree and Barbash 2009； Sawamura 2012; Jagannathan和Yamashita 2017），如何影响杂种细胞的发散重复量仍然很少了解。最近，我们证明了从多个染色体到“染色体”的序列特异性DNA结合蛋白簇DNA，从而将染色体捆绑在单个核中（Jagannathan等人。2018，2019）。在这里，我们表明，果蝇杂交细胞中发散卫星DNA的无效聚类导致铬成分破坏，相关的微核形成和组织萎缩。我们进一步证明，先前鉴定的HI因子触发了杂种中心的染色体破坏和微核，将其功能与保守的细胞过程联系起来。一起，我们提出了一个统一的框架，该框架解释了密切相关的物种之间广泛观察到的卫星DNA差异如何引起生殖分离。
使用多组学聚类和量子猫群优化增强癌症亚分类
癌症因其复杂性和严重性一直是医学界面临的最大挑战之一 [1]。癌症分类至关重要，因为确定癌症的具体类型对于确定适当的治疗方法至关重要，而适当的治疗方法最终将提高患者的生活质量 [2]。先前对癌症亚型分类的研究依赖于临床和组织病理学特征，但这些方法往往不足以捕捉癌症的分子异质性 [3]。随着高通量技术的进步，多组学数据（包括基因组学、转录组学、蛋白质组学和代谢组学）变得更容易获取。多组学数据的整合可以更准确、更全面地了解癌症亚型 [4]。然而，这些矩阵中的高维度和海量数据给分析和解释带来了重大挑战。
确定空中交通管制员的熟练程度使用聚类识别客观指标
摘要：空中交通管制 (ATC) 是一项复杂且要求严格的工作，只有训练有素的专业人员才能胜任。培训 ATC 候选人具有挑战性，因为受训人员会受到教员的主观评估，而教员的工作方式会带有偏见。为了客观地确定控制专业知识，本研究对现有数据集采用了聚类技术，其中课程和专业管制员参与了中等保真度模拟实验。结果确定了一组八项指标，形成了两个独特而稳定的专业知识集群。随后的敏感性分析能够揭示每个课程参与者与专家集群的距离（或接近程度），以及这些参与者在哪些指标上偏离了专家。然而，在这个阶段，很难将这些结果转化为关于如何提高欠发达技能的具体建议。尽管这项探索性研究的样本量很小，结果的普遍性有限，但该方法似乎是确定描述 ATC 专业知识的客观因素的有希望的示范，值得进一步研究。
基于无监督学习
在人工智能中了解了机器学习的过程。机器学习过程使工具具有从其经验中学习并改善自己的能力，而无需任何编码。在机器学习中，我们以用户希望通过机器完成的工作方式对计算机或机器进行编程。它可以提供此类工作，在此过程中，计算机根据数据已经与数据进行了工作并提供其性能。撰写论文的目的是基于无监督学习的模型数据集应用k-意味着聚类算法。我们过去在监督学习中将功能数据和标签标签传递给机器学习模型。但是，无监督学习算法的方法是不同的。在此中，我们不将功能数据和目标数据提供给模型。数据集模型仅使用输入数据进行处理，并且输出数据在模型中没有含义。基于数据和模型中的相似性预测所需的输出。k-means基于无监督的学习聚类算法，其中数据和对象分为不同的簇，以使具有相似属性的对象放在一个群集中，并且具有不同属性的对象被放置在单独的群集中。
使用K-均值聚类方法和LSVM
引言人类与计算机之间的关系是近年来进行许多投资的研究领域之一。在过去的二十年中，已经设计了各种人类计算机间接位置，它利用了试听，视觉，节感或它们的组合。自从过去十年以来，就已经根据大脑电子信号分析将计算机与环境联系起来。这些系统的主要目的是帮助具有皮质脊髓损伤的人。尽管拥有健康的大脑，但这些人通常无法与周围环境移动或建立正常自然的关系。神经科学，生理学，信号分析，机器学习和硬件的最新进展使设计直接的脑部计算机通信系统，称为脑部计算机间隙（BCI），这使身体残疾的患者能够在没有其他人的帮助的情况下进行事务。通常，大脑计算机界面是一个系统，它允许残疾人操作电气设备，例如计算机指针，机器人手臂，甚至是脑电图。关于其实施，BCI系统评估了大脑活动的特定特征，因此翻译
使用聚类来了解热浪中的城市内变暖：对巴黎，蒙特利尔和苏黎世的见解
摘要我们通过将近地表的近表面空气温度与行星边界层高度进行聚类，从而引入了新的方法论进步，以表征分析的城市内群集。为了说明这种方法，我们分析了三个热浪（HWS）：2019年在巴黎，2018年的HW，蒙特利尔的2018 HW和Zurich的2017 HW。我们在热波事件发生之前，期间和之后评估基于群集的特征。，尽管该聚类通过中等分辨率成像光谱仪（MODIS）土地覆盖数据获得的建筑区域确定的城市群集与内置区域保持一致，但也可以识别出跨越几公里的其他当地热点，并扩展到建筑区域之外。使用客观的滞后模型，我们进一步确定了地面存储通量和全波向下辐射通量之间的磁滞循环的总体强度系数，在热浪期间，农村簇的城市群集的范围从0.414到0.457，从0.126到0.126到0.157。在所有城市中，随着热浪的进展，我们观察到累积的地面热通量中的加油率模式。这种提出的两组分聚类方法的未来发展，并将更具影响力的物理学和空间和时间分辨率的进步整合在一起，将为城市气候分析的城市提供更全面的特征。