XiaoMi-AI文件搜索系统
World File Search Systemconstrained
使用 αDdCBE 进行无约束的精确线粒体基因组编辑
未经同行评审认证）是作者/资助者。保留所有权利。未经许可不得重复使用。此预印本的版权所有者（此版本于 2024 年 5 月 13 日发布。；https://doi.org/10.1101/2024.05.13.593977 doi：bioRxiv preprint
Frequency-constrained Co-planning of Generation and ...
摘要 - 大规模可再生能源整合会降低系统的惯性并限制频率调节。为了使频率稳定性提高，分配适当的频率端口来源对计划者构成了关键的挑战。在此内容中，我们提出了一个频率约束的协调计划模型的热单元，风电场和电池储能系统（BESS），以提供令人满意的频率支持。首先，使用同步发电机和网格连接的逆变器的动态响应来说明了修改的多机频率响应（MSFR）模型，该模型是用预设功率主管构建的。其次，频率变化（ROCOF）和频率响应功率被推论以构建频率约束。基于超平面拟合和数据分类的数据驱动的分段线性化（DDPWL）方法可用于线性化高度非线性频率响应功率。第三，将频率组合插入我们的计划模型中，而基于热力发生混合系统的协调操作的单位承诺。终于将提出的模型应用于IEEE RTS-79测试系统。结果证明了我们共同计划模型保持频率稳定性的有效性。
gldm：用约束图潜扩散模型击中分子生成
Conghao Wang获得了中国西安北大学的计算机科学技术学士学位。 他目前是新加坡南南技术大学计算机科学与工程学院的博士候选人。 他的重点是将可解释的AI应用于药物机理预测的应用，以及使用生成模型的小分子和生物制剂的从头设计。 Hiok Hian Ong获得了新加坡南南技术大学的工程科学学士学位（计算机科学）和科学硕士（技术管理）。 他目前正在担任机器学习工程师。 他的研究兴趣在于生物信息学，神经网络和机器学习之间的交集。 Shunsuke Chiba于2006年在东京大学Koichi Narasaka教授的监督下获得了博士学位。 2007年，他从事独立职业，担任新加坡南南技术大学（NTU）学院的独立职业，他目前是化学教授。 他的研究小组着重于从根本上新颖和实用的合成反应和催化的发展，这些反应和催化对于有效供应了药物兴趣的复杂有机分子。 Jagath Rajapakse是新加坡南南技术大学计算机科学与工程学教授。 他拥有莫拉图瓦大学，斯里兰卡大学的电子和电信工程学士学位，以及美国布法罗大学的电气和计算机工程的MS和PHD学位。 收到：2023年11月19日。Conghao Wang获得了中国西安北大学的计算机科学技术学士学位。他目前是新加坡南南技术大学计算机科学与工程学院的博士候选人。他的重点是将可解释的AI应用于药物机理预测的应用，以及使用生成模型的小分子和生物制剂的从头设计。Hiok Hian Ong获得了新加坡南南技术大学的工程科学学士学位（计算机科学）和科学硕士（技术管理）。他目前正在担任机器学习工程师。他的研究兴趣在于生物信息学，神经网络和机器学习之间的交集。Shunsuke Chiba于2006年在东京大学Koichi Narasaka教授的监督下获得了博士学位。2007年，他从事独立职业，担任新加坡南南技术大学（NTU）学院的独立职业，他目前是化学教授。他的研究小组着重于从根本上新颖和实用的合成反应和催化的发展，这些反应和催化对于有效供应了药物兴趣的复杂有机分子。Jagath Rajapakse是新加坡南南技术大学计算机科学与工程学教授。他拥有莫拉图瓦大学，斯里兰卡大学的电子和电信工程学士学位，以及美国布法罗大学的电气和计算机工程的MS和PHD学位。收到：2023年11月19日。他正在德国的认知和脑科学学院和美国国家心理健康研究所访问科学家。他正在马萨诸塞州理工学院的生物工程系访问教授。Rajapakse教授的研究工作在数据科学，机器学习，大脑成像以及计算和系统生物学领域。他目前的研究重点是开发用于诊断和治疗脑部疾病的技术和工具。他还在深入学习中研究抗癌药物发现。修订：2024年3月8日。接受：2024年3月3日©作者2024。牛津大学出版社出版。这是根据Creative Commons归因非商业许可（https://creativecommons.org/licenses/by-nc/4.0/）发行的开放访问文章，该媒介在任何媒介中允许非商业重复使用，分发和复制，前提是原始工作被正确引用。有关商业重复使用，请联系journals.permissions@oup.com
物理限制的深度偏置点扩散函数模型：朝向非视线成像重建
摘要。非线视线（NLOS）成像已成为一种突出的技术，用于从经历多种弥漫性反射的图像中重建遮盖的对象。这种成像方法由于其广泛的潜在应用而引起了各种领域的关注，包括遥感，救援操作和智能驾驶。然而，准确地对入射光方向进行建模，该方向携带能量并由检测器捕获，并在随机扩散反射方向中捕获，这构成了巨大的挑战。这一挑战阻碍了NLOS成像的精确前进和逆物理模型的获取，这对于实现高质量重建至关重要。在这项研究中，我们提出了一个使用随机角度跟踪的NLOS成像系统的点扩散函数（PSF）模型。此外，我们引入了一种重构方法，称为物理受限的反向网络（PCIN），该方法通过利用PSF约束和卷积神经网络的优化来建立准确的PSF模型和逆物理模型。PCIN方法在正向PSF模型的约束下随机初始化参数，从而消除了传统深入学习方法需要的广泛训练数据集的需求。通过交替的迭代和梯度下降算法，我们迭代优化了PSF模型和神经网络参数中的分散反射角。结果表明，PCIN不需要大量实际的地面数据组来实现有效的数据利用。此外，实验发现证实了所提出的方法可以高精度有效地恢复隐藏的对象特征。
在接下来的100年及以后的碳受限世界中为建筑环境带来的挑战和机遇
1塞缪尔大学工程学院，加利福尼亚大学洛杉矶分校，加利福尼亚州洛杉矶，美国，2伦敦可持续能源中心2机械师，哥伦比亚大学，纽约，纽约，纽约州，密歇根大学6机械工程系，美国密歇根州安阿伯市，美国7号民用，建筑与环境工程系，新墨西哥州新墨西哥州，新墨西哥州阿尔巴克斯基大学，美国，美国化学与生物分泌工程系，宾夕法尼亚州，美国，美国纽约市8号。
使用深度约束的球形反卷积进行扩散加权的磁共振IMA
摘要。目的：扩散加权磁共振成像（DW-MRI）是一种关键成像方法，用于以毫米尺度捕获和建模组织微体系结构。对测量的DW-MRI信号进行建模的常见做法是通过光纤分布函数（FODF）。此功能是下游拖拉学和连通性分析的重要第一步。具有数据共享的最新优势，大规模多站点DW-MRI数据集可用于多站点研究。但是，在获得DW-MRI期间，测量变化（例如，间和内部变异性，硬件性能和序列设计）是不可避免的。大多数基于模型的方法[例如，受约束的球形反卷积（CSD）]和基于学习的方法（例如，深度学习）并未明确考虑FODF建模中的这种变异性，从而导致在多现场和/或纵向扩散研究上的性能下降。
约束优化问题的有效隐式约束处理方法
许多现实世界的优化问题，尤其是工程优化问题，都涉及约束条件，这使得寻找可行解变得十分困难。许多研究人员已经针对受约束的单目标和多目标优化问题研究了这一挑战。具体而言，本研究扩展了 Gandomi 和 Deb（《计算机方法与应用机械工程》363:112917, 2020）提出的用于约束优化问题的边界更新 (BU) 方法。BU 是一种隐式约束处理技术，旨在通过迭代削减不可行搜索空间，从而更快地找到可行区域。这样做会扭曲搜索空间，使优化问题更具挑战性。为此，我们实施了两种切换机制，当找到可行区域时，将景观连同变量一起转换为原始问题。为了实现这一目标，我们考虑了两个阈值，分别代表不同的切换方法。在第一种方法中，当约束违规达到零时，优化过程将转换为不使用 BU 方法的状态。在第二种方法中，当目标空间不再发生变化时，优化过程将转入不使用 BU 方法的优化阶段。为了验证该方法的有效性，我们考虑使用著名的进化单目标和多目标优化算法来解决基准测试和工程问题。本文分别在整个搜索过程中使用和不使用 BU 方法对所提出的方法进行了基准测试。结果表明，该方法可以显著提高收敛速度，并能够更好地解决约束优化问题。
偶然受限的温室生产系统的随机MPC具有参数不确定性
温室气候控制对于以经济和可持续的方式为不断增长的人群提供足够的新鲜食品很重要。然而，开发的农作物气候模型通常具有参数不确定性的复杂性，而远非准确地描述实际系统，这会影响控制系统的性能。为了提高控制过程中的最佳性并确保鲁棒性，我们为考虑参数不确定性的温室生产系统开发并实施了随机模型预测控制（MPC）方案。通过利用模型线性化的优势，与直接使用非线性模型相比，提出的机会受限的MPC方法可以更直接地制定不确定性约束和计算廉价优化。最后，在温室气候控制案例研究中证明了拟议方法的功效。
研究文章|语言学习对感知和概念处理的行为/认知因果影响：脑约束深度
研究文章| Behavioral/Cognitive Causal influence of linguistic learning on perceptual and conceptual processing: A brain- constrained deep neural network study of proper names and category terms https://doi.org/10.1523/JNEUROSCI.1048-23.2023 Received: 6 June 2023 Revised: 1 December 2023 Accepted: 6 December 2023 Copyright © 2024 Nguyen et al.这是根据Creative Commons Attribution 4.0国际许可条款分发的开放访问文章，只要将原始工作正确归因于任何媒介，它允许在任何媒介中进行无限制的使用，分发和复制。