XiaoMi-AI文件搜索系统
World File Search Systempropagation
表面ECG的心脏电生理模型的数字孪生：一种测量反向传播方法
Eikonal方程已成为准确有效地对心脏电活激活进行建模的必不可少的工具。原则上，通过匹配临床记录和核心心电图（ECG）的匹配，可以纯粹的非侵入性方式构建患者特异性心脏生理学模型。尽管如此，拟合程序仍然是一项具有挑战性的任务。本研究介绍了一种新的方法，即测量BP，以解决逆向敌军问题。Geodesic-BP非常适合GPU加速机器学习框架 - 使我们能够优化Eikonal方程的参数以重现给定的ECG。我们表明，即使在存在建模不准确的情况下，Geodesic-BP也可以在合成测试案例中以高精度重建模拟的心脏激活。fur-hoverore，我们将算法应用于双心脑兔模型的公开数据集，并具有令人鼓舞的结果。鉴于未来向个性化医学的转变，Geodesic-BP具有帮助未来功能的心脏模型的功能 - 符合临床时间段落的同时保持最先进的心脏模型的生理准确性。
Huang，Y.，Lu，J.，Lu，Y。和Liu，B。（2023）研究紧急喷雾剂对锂离子蝙蝠中热逃亡的繁殖的影响 dapagliflozin以及减少射血分数的心力衰竭中的身体和社会活动限制 dapagliflozin和心力衰竭的死亡模式，并改善了射血分数，均事事后分析
Huang，Y.，Lu，J.，Lu，Y。和Liu，B。 （2023）对紧急喷雾剂对锂离子电池内热失控传播的影响进行了研究。 储能杂志，66，107505。 （doi：10.1016/j.est.2023.107505）Huang，Y.，Lu，J.，Lu，Y。和Liu，B。（2023）对紧急喷雾剂对锂离子电池内热失控传播的影响进行了研究。储能杂志，66，107505。（doi：10.1016/j.est.2023.107505）
香蕉植物Cavendish的微繁殖（Musa ...
引言人口增加将增加食物需求。提高食品生产力以实现国内粮食主权的一种方法是应用生物技术。生物技术解决了包括印度尼西亚在内的世界粮食危机的挑战和威胁。必须进行具有生物技术的食品作物，以预测世界粮食危机的危险，预计将从2050年开始达到顶峰。生物技术还可以回答全球气候变化，水危机以及减少农药和世界碳排放。fao预测，食品需求将增加多达60％，以使世界人口不会陷入贫困和饥饿状态。香蕉植物是发展中国家之后的第四大作物，仅次于大米，小麦和玉米。从营养的角度来看，香蕉是使印度尼西亚主食多样化的绝佳机会。根据中央统计局（BPS）记录，印度尼西亚的香蕉生产在2022年达到960万吨。显示出比上一年高9.79％的图，为874万吨。
基于充电特性和反向传播神经网络的健康状态评估
等效电路模型 (ECM)、电化学模型和经验退化模型 (EDM) 是常用的 SOH 估算模型。基于 ECM 的方法不研究电池内部复杂的物理化学反应过程，而是基于电路模型，采用滤波算法进行参数辨识，并更新模型参数进行 SOH 估算。例如，余 [3] 采用递归最小二乘 (RLS) 法辨识 ECM 的参数，然后采用自适应 H∞ 滤波算法估计 SOH。徐 [4] 也采用 RLS 辨识参数，然后估算 SOH。基于模型的方法虽然简单、计算成本低，但自适应性较差，且估算结果更多地依赖于参数辨识和滤波算法的有效性。
TTBK1和CK1抑制剂恢复了TDP-43病理，并避免了阿尔茨海默氏病患者的淋巴细胞中疾病传播
阿尔茨海默氏病（AD）是痴呆症最常见的形式，全球超过3500万人受到影响。它被认为是一种慢性疾病，也是对世界健康问题的高度疾病。作为主要危险因素是年龄，并且不同的研究预测人口预期寿命的增加，预计接下来的几年AD患者人数会升级（阿尔茨海默氏症的协会报告，2022年）。在这种痴呆症中，海马中的胆碱能神经元逐渐导致不同的症状，例如：认知障碍，学习障碍和依赖性（Lane等，2018）。已经描述了分子水平的多种病理事件，是这些神经元降解的最普遍的假设是由热磷酸化的蛋白质tau和细胞外plaques组成的细胞内神经缠结的积累。尽管这些病理事件已知数十年，但它们使用不同方法的直接调节尚未提供有效的治疗方法，能够阻止疾病的进展。在可用的药物中减轻了AD症状，我们可以不同，我们可以不同，我们可以不同地抑制乙酰胆碱酯酶的抑制剂（舒适，多奈哌齐，甘坦胺和Rivastigmine）和n-甲基 - d-甲基 - d-天冬氨酸（美美尼诺普尔和Papageerou和papageageerou和20202020202020202020202号）的受体拮抗剂。在过去的几年中，一种新的蛋白质吸引了神经退行性疾病领域的焦点：43 kDa的交易反应DNA结合蛋白（TDP-43）。过度磷酸化的TDP-43被鉴定为在肌萎缩性侧面硬化症（ALS）和额叶痴呆（FTLD）患者中发现的泛素化蛋白聚集体的主要成分（Neumann等人，2006年）。从那时起，不同的研究已经评估了该关键细胞调节剂在其他疾病中的病理作用，例如：洪廷顿病，亚历山大氏病和进行性性核上麻痹等（Schwab等，2008; Palomo等，2019）。尤其是在AD中，几项研究确定了TDP-43在患者大脑中沉积的影响，使其加剧了记忆力丧失和海马萎缩。此外，在一半被认为患有阿尔茨海默氏病的患者中发现了TDP-43病理学（James等，2016； Meneses等，2021）。与此同时，在过去的几年中，一种新的脑部疾病，称为边缘促销与年龄相关的TDP-43脑病（已故）（已晚），通常会表现出与AD相似的症状（Nelson等，2019）。据估计，迟到是15-20％的痴呆症，而大约40％的痴呆症患者的大脑中有一些TDP-43脑病（Besser等人，2020年）。TDP-43是涉及许多RNA的转录，剪接和运输的重要蛋白质，它主要在其发挥其主要功能的核中发现。但是，在生理条件下，它具有与细胞质的定位平衡，可以在蛋白质总数的5-20％中找到它（Woo等，2017）。在病理条件下，不同的翻译后修饰改变了其动态控制和溶解度。在这些变化中，25和35 kDa和高磷酸化形式的片段是细胞质聚集体的最常见特征（Neumann等，2009; Medina等，2014）。
卷积神经网络中赫布学习与反向传播在图像分类中的比较
摘要 — 目前常用的图像识别卷积神经网络与人脑有一些相似之处。然而，它们之间存在许多差异，而且成熟的反向传播学习算法在生物学上并不合理。Hebbian 学习是一种可以最小化这些差异并可能为图像识别网络提供类似大脑的有利特征的算法。在这里，我们探讨了 Hebbian 学习和反向传播之间的差异，包括准确性和隐藏层数据表示。总体而言，Hebbian 网络的表现比传统的反向传播训练网络差得多。使用不完整的训练数据和失真的测试数据的实验导致性能差异较小但仍然可见。然而，事实证明，Hebbian 网络的卷积滤波器结构比反向传播更简单、更易于解释。我们假设，改进 Hebbian 网络的扩展能力可以使它们成为具有更像大脑行为的图像分类网络的强大替代方案。
激光束在随机介质中的传播
5.0 简介 135 5.1 PDF 模型 136 5.1.1 对数正态 (LN) 模型 136 5.1.2 负指数 (NE) 模型 136 5.1.3 伽马-伽马 (GG) 模型 137 5.1.4 逆高斯伽马 (IGG) 模型 138 5.1.5 正态 (N) 模型 139 5.1.6 分数指数 (FE) 模型 139 5.1.7 指数威布尔 (EW) 模型 139 5.1.8 三参数威布尔 (W3) 模型 140 5.2 PDF 模型的数值比较：球面波 140 5.2.1 实验数据和计算机模拟数据 140 5.2.2 计算机模拟数据分析 146 5.2.3 大口径情况146 5.3 长距离传播的计算机模拟：高斯光束波 147 5.3.1 结果 148 5.3.2 总结 149 5.3.3 误码率数据分析 150 5.4 海洋环境中的实验数据：跟踪准直光束 150 5.4.1 结果 150 5.4.2 总结 151 5.5 PDF 模型的统计比较 152 5.5.1 统计测试 153 5.5.2 弱辐照度波动：质心跟踪实验数据 154 5.5.2.1 单像素孔径：D = 0.16 毫米 155 5.5.2.2 像素孔径：D = 4.57 毫米 156 5.5.2.3 像素孔径：D = 8.96 毫米 158 5.6 PDF 模型的数值比较：未跟踪的准直光束 159 5.6.1 PDF 模型对平均 BER 和衰落概率的影响 159 5.6.2 计算机模拟结果 160 5.7 准直高斯光束的室外测量 169
CAS12A R环的结构基础在DNA裂解途径上
（未通过同行评审认证）是作者/资助者。保留所有权利。未经许可就不允许重复使用。该预印本版的版权持有人于2023年6月22日发布。 https://doi.org/10.1101/2023.03.13.13.532460 doi：Biorxiv Preprint
关于量子反向传播、信息重用和欺骗测量崩溃
摘要 现代深度学习的成功取决于大规模训练神经网络的能力。通过巧妙地重用中间信息，反向传播通过梯度计算促进训练，总成本大致与运行函数成正比，而不是产生与参数数量成正比的额外因素——现在参数数量可能达到数万亿。人们天真地认为量子测量崩溃完全排除了反向传播中量子信息的重用。但阴影断层扫描的最新发展（假设可以访问量子态的多个副本）挑战了这一观点。在这里，我们研究参数化量子模型是否可以像经典神经网络一样高效地训练。我们表明，如果不能访问状态的多个副本，就不可能实现反向传播缩放。有了这种额外的能力，我们引入了一种以阴影断层扫描为基础的算法，该算法与量子资源中的反向传播缩放相匹配，同时降低了阴影断层扫描中未解决问题的经典辅助计算成本。这些结果突出了将量子信息重用于实际目的的细微差别，并阐明了训练大型量子模型的独特困难，这可能会改变量子机器学习的进程。
电池老化估计的反向传播神经网络的设计
电动汽车的充电状态（SOC）对于预测剩余电池水平并安全保护电池免受过度电荷和过度充电条件非常重要。在这方面，已经提出了使用反向传播（BP）的神经网络（NN）算法来准确估计电池的SOC。锂聚合物电池在其估计的SOC与电流，电压和温度之间具有非线性关系。在这项研究中，施加了3.7 V/16 AH的锂聚合物电池。在恒定电流和温度条件下以0.5C的排放速率进行了电荷/放电实验。实验数据用于训练返回传播神经网络（BPNN），用于在充电条件下预测SOC和在排放条件下派遣（DOD）绩效的深度（DOD）。由于实验，发现拟议的BPNN模型的误差为排出DOD中平均绝对误差的0.22％，而在10、50、100和150个周期中，充电SOC中的平均绝对误差的0.19％。因此，确认了设计的BP算法的SOC学习模型的高性能。