XiaoMi-AI文件搜索系统
World File Search Systemlatent
Microsoft Word - 尝试从生成对抗网络的潜在空间生成新的桥梁类型-2024.01.01.docx
摘要：尝试利用生成式人工智能技术生成新型桥梁类型。采用三跨梁桥、拱桥、斜拉桥、悬索桥的对称结构化图像数据集。基于Python编程语言、TensorFlow和Keras深度学习平台框架，以及Wasserstein损失函数和Lipschitz约束，构建并训练生成式对抗网络。从获得的低维桥型潜空间采样，可以生成具有非对称结构的新桥梁类型。生成式对抗网络可以在人类原有桥梁类型的基础上，通过有机地组合不同的结构构件来创建新的桥梁类型。具有一定的人类原创能力。生成式人工智能技术可以开拓想象空间，启发人类。
局部操纵后全球大脑重新配置
深神经网络（DNN）的几何描述有可能发现神经科学中计算模型的核心代表原理。在这里，我们通过量化其自然图像表示的潜在维度来检查视觉皮层的DNN模型的几何形状。流行的观点认为，最佳DNNS将其表示形式压缩到低维子空间以实现不变性和鲁棒性，这表明更好的视觉皮层模型应具有较低的维几何形状。令人惊讶的是，我们发现相反方向的强烈趋势 - 具有高维图像子空间的神经网络在预测猴子电生理学和人类FMRI数据中对持有刺激的皮质反应时倾向于具有更好的概括性能。此外，我们发现，在学习新的刺激类别时，高维度与更好的性能相关，这表明更高的维度表示更适合于概括其训练领域。这些发现提出了一个一般原则，高维几何形状赋予了视觉皮层DNN模型的计算益处。
管壳式潜热存储系统中热回收的革命：弧形翅片
a 沙特阿拉伯哈伊勒大学工程学院工业工程系；b 伊拉克巴格达巴格达大学能源工程系；c 伊拉克卡尔巴拉瓦里斯安比亚大学工程学院；d 伊朗德黑兰塔比亚特莫达雷斯大学机械工程系；e 伊拉克巴格达法拉希迪大学医疗器械工程系；f 伊拉克巴士拉巴士拉石油天然气大学石油天然气工程系；g 加拿大自然资源部 CanmetENERGY 研究中心，加拿大渥太华；h 英国诺丁汉大学电力电子、机械与控制 (PEMC) 研究组；i 英国曼彻斯特大学工程学院流体与环境系曼彻斯特 CFD 团队
最低 - 水合盐的实验研究潜在的热量热能储存用乙酸钠三水合物作为相变材料
1婴儿耶稣工程学院航空工程系助理教授，印度泰米尔纳德邦Thoothukudi 628 851。2印度泰米尔纳德邦Tiruchengode 637 215机械工程学系助理教授。3印度泰米尔纳德邦索勒姆技术学院土木工程学院土木工程系助理教授。4,5印度泰米尔纳德邦的南达技术学院机械工程学系助理教授。6卡尔帕加姆高等教育学院电气和电子工程系助理教授，印度泰米尔纳德邦的哥印拜陀641 021。 7尼赫鲁理工学院航空工程系助理教授，哥印拜陀641 105，印度泰米尔纳德邦。6卡尔帕加姆高等教育学院电气和电子工程系助理教授，印度泰米尔纳德邦的哥印拜陀641 021。7尼赫鲁理工学院航空工程系助理教授，哥印拜陀641 105，印度泰米尔纳德邦。
免疫神经内分泌模式和对压力的反应。英国纵向衰老研究中的潜在概况分析
心理社会压力会干扰免疫系统、神经系统和内分泌系统之间的通讯信号，而这些信号旨在维持体内平衡。这种失调会在每个具有高病理风险的系统之间引发负反馈回路。在这里，我们探索免疫神经内分泌活动的模式和压力的作用。利用英国老龄化纵向研究 (ELSA) 的数据，我们首先使用潜在概况分析 (LPA) 在基于人群的队列中确定了免疫神经内分泌活动的潜在结构（以高敏感性 C 反应蛋白 [CRP]、纤维蛋白原 [Fb]、毛发皮质醇 [皮质醇] 和胰岛素生长因子-1 [IGF-1] 为指标）。然后，我们确定生活压力是否与不同免疫神经内分泌概况的成员身份有关。我们在四年期间 (2008-2012) 跟踪了 4,934 名男性和女性参与者，平均年龄为 65 岁。三类 LPA 解决方案与数据中潜在的免疫神经内分泌结构最吻合，其中 36%、40% 和 24% 的人口分别属于 1（低风险）、2（中等风险）和 3（高风险）。在调整遗传易感性、社会人口统计学、生活方式和健康状况后，与四年后的低风险情况相比，较高的压力暴露与属于高风险情况的风险增加 61%（RRR：1.61；95%CI=1.23-2.12，p =0.001），但与中等风险情况无关（RRR=1.10，95%CI=0.89-1.35，p =0.401）。我们的研究结果扩展了现有的关于心理神经免疫过程的知识，揭示了炎症和神经内分泌活动在老年人代表性样本中的聚集方式，以及压力暴露如何与随时间推移的免疫神经内分泌反应相关。
基于物理的波纹翅片潜热储能系统建模与数据驱动优化
研究了相变材料在带有波纹翅片的矩形外壳中的固液相变。采用基于物理的模型，探索了翅片长度、厚度和波幅对热场和流体流场的影响。将翅片纳入热能存储系统可增加传热表面积和热穿透深度，从而加速熔化过程。波纹翅片比直翅片产生更多的流动扰动，从而提高熔化性能。更长更厚的翅片可提高熔化速度、平均温度和热能存储容量。然而，翅片厚度对热特性的影响似乎微不足道。较大的翅片波幅会增加传热表面积，但会破坏自然对流，从而减慢熔化前沿的进程。开发了一种基于人工神经网络和粒子群优化的替代模型来优化翅片几何形状。与平面翅片相比，优化后的几何形状使每单位质量的热能存储提高了 43%。数据驱动模型预测的液体分数与基于物理的模型的差异小于 1%。所提出的方法提供了对系统行为的全面理解，并有助于热能存储系统的设计。
新兴认知能力的潜在结构
众所周知，从儿童期到成年的遗传因素最多占认知变异性的70％。但是，对生命的第一年知之甚少。这项研究研究了婴儿早期新兴认知和运动能力不同领域的个人变异性的病因因素，以及遗传和环境影响在何种程度上是独特的或在不同领域共享的。我们比较了多变量双胞胎模型基于5个月大的单卵和二氮基双胞胎的社区样本中的穆伦早期学习量表（MSEL）的五个量表（n = 567）。结果表明了一个分层病因结构，因此，一般的遗传潜在因子占了新出现的认知和运动能力不同领域的差异的54％（a = 0.54，terval ci = [0; 0.82]的信心）。我们还发现了针对早期运动和语言发展的其他遗传影响。与以前对年长儿童的发现不同，我们没有发现共享环境对共享因素的重大影响（C = 0，CI = [0，0.57]）或任何特定的量表。此外，包括测量误差在内的独特环境的影响是中等且具有统计学意义的（E = 0.46，CI = 0.18; 0.81]）。这项研究为新兴认知不同领域的统一分层结构提供了有力的证据。证据表明，我们称之为婴儿G的单一常见病因因素有助于一系列不同的能力，这支持了这样一种观点，即在年轻婴儿中，内在和一般的神经发育过程是特定领域可观察到的行为差异的关键驱动因素。
潜在类别分析方法 Comportam
摘要本横断面研究旨在确定生活方式行为模式及其与社会人口特征的关系。 2019 年国家健康调查被用作数据库，其中包含患有糖尿病的成年人（≥ 18 岁）。潜在类别分析将健康模式分为四个领域：吸烟、饮酒、体力活动和饮食。采用多项回归分析来确定行为模式与感兴趣的社会人口变量之间的关联。确定了三种行为模式：第 1 类对应样本的 17%，包括更有可能出现与食物相关的危险行为的个体；第 2 类（体力活动和水果蔬菜消费量较低）占样本的 71.2%；第 3 类（占人口的 11.8%）包括出现危险行为的可能性最低的个体。 45 岁或以上、受教育程度较低且没有医疗保险的个人不太可能属于第 1 类。不定期去看医生的男性更有可能属于第 2 类，45 岁或以上且受教育程度较低的人也是如此。关键词 健康行为，潜在类别分析，糖尿病，健康调查
特征融合和潜在特征学习引导脑肿瘤分割和缺失模态恢复网络
准确的脑肿瘤分割是临床诊断和外科治疗的重要步骤。多模态脑肿瘤分割在很大程度上依赖于有效的融合方法和优秀的分割网络。然而，由于图像损坏、采集协议、扫描仪可用性和扫描成本等原因，临床场景中经常会缺少一些 MR 模态，这会严重降低肿瘤分割准确性，也会导致下游疾病分析的信息丢失。为了解决这个问题，我提出了一种新颖的多模态特征融合和潜在特征学习引导的深度神经网络。一方面，当一个或多个模态缺失时，所提出的网络可以帮助分割脑肿瘤。另一方面，它可以检索缺失的模态以补偿不完整的数据。所提出的网络由三个关键组件组成。首先，提出一个多模态特征融合模块 (MFFM) 来有效地融合来自不同模态的互补信息，包括跨模态融合模块 (CMFM) 和多尺度融合模块 (MSFM)。其次，提出了一种基于空间一致性的潜在特征学习模块 (SC-LFLM)，以利用多模态潜在相关性并提取相关特征以有利于分割。第三，集成多任务学习 (MTL) 路径来监督分割并恢复缺失的模态。在 BraTS 2018 数据集上对所提出的方法进行了评估，与最先进的方法相比，当一个或多个模态缺失时，它可以实现更好的分割结果。此外，所提出的模块可以轻松适应其他多模态网络架构和研究领域。
神经网络中非线性潜在结构的动态灵活推理
流形潜在因子和神经观测之间的关系用带有 MLP 编码器和解码器网络的自动编码器 154 建模，其中流形潜在因子是瓶颈 155 表示。从神经观测到流形潜在因子的虚线仅用于 156 推理，不是生成模型的一部分。动态和流形潜在因子共同形成 157 LDM，其中流形因子是动态因子的噪声观测，构成 158 LDM 状态。动态潜在因子的时间演变用线性动态 159 方程描述。所有模型参数（LDM、自动编码器）都是在单次优化中联合学习的，通过最小化未来神经观测与过去的预测误差。在无监督 161 版本中，在训练 DFINE 模型之后，我们使用映射器 MLP 网络来学习 162 流形潜在因子和行为变量之间的映射。我们还扩展到监督式 DFINE，其中映射器 MLP 网络与所有其他模型参数同时进行训练，以达到优化效果，现在可以最小化神经和行为预测误差（方法）。（b）显示了使用 DFINE 的推理过程。我们首先使用每个时间点的非线性流形嵌入来获得流形潜在因子的噪声估计。借助动态方程，我们使用卡尔曼滤波来推断动态潜在因子 𝐱𝐱 𝑡𝑡|𝑘𝑘 并改进我们对流形潜在因子 𝐚𝐚 𝑡𝑡|𝑘𝑘 的估计，下标为