XiaoMi-AI文件搜索系统
World File Search System主成分
定量重金属源分配和污染途径识别的修改模型
摘要：当前的源分配模型已成功识别出排放源并量化了其贡献。但是，当用于土壤中的重金属源分配时，就需要提高其准确性，以提高迁移方式。因此，这项工作旨在改善先前存在的主成分分析和具有距离（PCA-MLRD）模型的多个线性回归，以有效定位污染途径（交通排放，灌溉水，大气沉积等）并实现更精确的量化。土壤重金属的数据集是从2021年在中国匈奴的昌湖地区的典型地区收集的。通过富集因子和地壳参考元素来实现土壤父材料的贡献。同时，通过主成分分析和测量器确定人为发射。GeoDeTector用于准确指向污染源。随后，确定了与确定来源相关的污染途径。非金属制造工厂被发现是当地土壤污染的重要人为来源，主要是通过河流和大气沉积。此外，灌溉水对重金属的影响显示出更明显的效果，在1000 m的距离之内，此后变得较弱，然后逐渐消失。该模型可以为实用生产和土壤重金属污染的管理提供改进的技术指导。
使用隐藏的马尔可夫模型和
滚动元件轴承的健康管理对工业资产的生产力，可靠性和降低成本的重要性越来越重要。早期故障检测是健康管理的关键支柱，这是不断发展的预后和健康管理理念的一部分。本文提出了一种故障检测方法，该方法首先将从轴承检测到的振动信号分割为重叠块。然后将主成分分析应用于分段信号。数据分割和主成分分析的组合是一种信号处理方法，可捕获振动信号的二阶结构。该方法通过训练隐藏的马尔可夫模型，该模型使用处理的信号，其中k均值聚类应用于设置隐藏的马尔可夫模型的状态参数数量。最后，训练有素的隐藏马尔可夫模型与合适的测试一起使用，通过处理实时振动数据来评估轴承健康降解。该方法已在俄亥俄州辛辛那提大学的智能维护系统中心提供的轴承测试床数据集上进行了测试。实验结果表明，所提出的方法优于此数据集的最新方法和基准结果。
大脑连接的新工具
在分析大脑连接数据时，解剖复杂性和数据维数是主要问题。大脑中发生的连接的功能和解剖方面实际上同样相关且紧密交织在一起。然而，由于理论挑战和计算问题，它们的关系在神经科学和临床研究中常常被忽视。在这项工作中，我们建议通过平滑功能主成分分析来解决这个问题，该分析能够执行降维并探索功能连接图中的变异性，符合灰质体积极其复杂的解剖结构。具体来说，我们分析了一个包括对照组和受精神分裂症影响的受试者的群体，从静息时和任务切换范式期间获取的 fMRI 数据开始。对于这两个会话，我们首先确定整个人群的常见变异模式。因此，我们探讨了对照组和病理受试者在这些常见变异模式下的表达是否不同。在每个会话中，我们发现健康受试者和病理受试者的主要成分表达存在显著差异（p 值 < 0.001），突出了两个亚群之间的连接性存在明显可解释的差异。例如，休息会话的第二和第三个主成分捕捉到了精神分裂症患者的默认模式和执行网络之间的不平衡。
在衰老和老年疾病的测量中，机器学习的应用：系统评价
在NCD，糖尿病，高血压，慢性肾脏疾病，癌症和心血管疾病中。 糖尿病在老年人群中非常普遍，机器学习已被广泛应用于检测，预测和识别疾病的危险因素。 研究已经基于有监督的ML（逻辑回归，XG提升，决策树等）开发了预测模型（39,40） 和一些研究使用聚类算法（如主成分分析），逻辑回归分类器和其他受监督的ML算法确定了相关的风险因素（41,42）。 通过使用基于人群的数据集（43）与高腰围（44），认知障碍（45）和睡眠和肺措施（46）等危险因素的关联开发育种模型（43）。糖尿病在老年人群中非常普遍，机器学习已被广泛应用于检测，预测和识别疾病的危险因素。研究已经基于有监督的ML（逻辑回归，XG提升，决策树等）开发了预测模型（39,40）和一些研究使用聚类算法（如主成分分析），逻辑回归分类器和其他受监督的ML算法确定了相关的风险因素（41,42）。通过使用基于人群的数据集（43）与高腰围（44），认知障碍（45）和睡眠和肺措施（46）等危险因素的关联开发育种模型（43）育种模型（43）
利用局部场电位的功能连接解码人类认知控制
摘要 — 许多患有以认知控制受损为特征的精神疾病的患者无法从金标准临床治疗中得到缓解，因此迫切需要新的替代疗法。本文开发了一种神经解码器，用于检测十名人类受试者在基于冲突的行为任务（称为多源干扰任务 (MSIT)）中的任务参与度。任务参与度在这里特别令人感兴趣，因为在这些状态下的闭环大脑刺激可以增强决策能力。提取电极的功能连接模式。对这些模式进行主成分分析，并将排序的主成分用作输入来训练特定于受试者的线性支持向量机分类器。在本文中，我们表明，任务参与度可以与背景大脑活动区分开来，中位准确率为 89.7%。这是通过从任务执行期间记录的局部场电位构建分布式功能网络来实现的。另一个挑战是，目标导向的努力发生在更高的时间分辨率上。因此，必须以类似的速率检测任务参与度以进行主动干预。我们表明，我们的算法可以在不到 2 秒的时间内从神经记录中检测任务参与度；这可以使用特定于应用的设备进一步改进。
不同包装条件下切片熟火腿中生物胺与腐败相关微生物生长的关系
摘要 ：腐败和病原微生物是影响食品安全和质量的最重要因素，而食品包装是食品在运输过程中抑制腐败和病原微生物最重要的技术环节。本研究旨在探讨不同商品包装条件下4 ℃贮藏火腿中生物胺（色胺、2-苯乙胺、腐胺、尸胺、组胺、酪胺、亚精胺、精胺）和致腐微生物的发展情况。实验包装系统分别为Pack-1（多层板+多层袋）、Pack-2（聚偶片+金属化袋）和Pack-3（聚偶片+铜袋）。结果表明，与另外两个包装系统相比，Pack-2的包装效率非常高。对主成分1（PC1）进行主成分分析（PCA）的结果是包装条件差异中最重要的变量，因为它解释了；包装1、包装2和包装3中PC1分别占总变异的71.7%、57.8%和83.5%。PC1与微生物分析和蛋白质含量变化（部分生物胺含量）呈正相关。PC1将指标与包装条件区分开来。PC1与微生物分析和蛋白质变化呈正相关。因此，尸胺、色胺和苯乙胺可作为火腿腐败的指标，其含量可能反映腐败程度。
![机器学习[2：0：2 = 3]课程内容](/simg/3\3c3c5fbc077e812f9f79c8e1f3d650d5b5baa120.webp)
机器学习[2：0：2 = 3]课程内容
机器学习简介。必需图书馆和工具（Scipy，Numpy，Pandas，Graphviz，Seaborn，Matplotlib软件包）。学习类型 - 受监督和无监督的学习。问题类型 - 回归，分类和聚类；机器学习的应用。讨论关键概念，例如成本函数，优化 - 梯度下降算法。采样，决策界限，模型不合适和过度拟合以及偏见变化权衡，成本敏感模型，电感偏见。贝叶斯学习：概率的基础，贝叶斯规则，生成与判别模型，贝叶斯规则 - 参数估计，最大似然。监督学习：解决回归问题 - 线性回归，正则化 - 脊和拉索。解决分类问题 - 逻辑回归，SVM，决策树。合奏 - 决策森林，包装和增强。无监督的学习：聚类-DBSCAN和桦木。异常检测 - 密度估计。加强学习简介。通过主成分分析缩小维度，内核主成分分析。人工神经网络简介。模型验证和选择：准确性，置信区间，混淆矩阵，精度，召回和其他指标，超参数调整，交叉验证，引导程序和ROC曲线，R平方等等。模型部署 - 在基于云的服务器中部署机器学习模型。
同态加密数据的量子密文减小方案
目前，面对云计算中巨大而复杂的数据，量子计算的平行计算能力尤为重要。量子主成分分析算法用作量子状态断层扫描的方法。我们在特征分解后对密度矩阵的特征值矩阵进行特征提取以实现尺寸降低，拟议的量子主成分提取算法（QPCE）。与经典算法相比，该算法在某些条件下实现了指数的加速。给出了量子电路的特定实现。考虑到客户端的有限计算能力，我们提出了一个量子同型密文减少方案（QHEDR），客户端可以加密量子数据并将其上传到云中进行计算。以及通过量子同构加密方案以确保安全性。计算完成后，客户端将在本地更新密钥，并解密了密文结果。我们已经实施了在量子云中实施的量子密文减少方案，该方案不需要交互并确保安全。此外，我们在IBM的真实计算平台上的QPCE算法上进行了实验验证，并给出了一个简单的示例，即在云中执行混合量子电路以验证我们方案的正确性。实验结果表明，该算法可以安全有效地进行密文减少。
天然和恢复红树林的沉积物红树林中的碳固相率
背景和目标：红树林的主要功能是沉积物中的碳固执。这项研究旨在确定各种红树林和环境参数中沉积物中碳含量的差异。方法：这项研究是在佩萨瓦兰（Pesawaran）作为天然红树林进行的，在南坎普（South Lampung）作为印度尼西亚修复的红树林进行。目的抽样方法。使用直径为47.46千米的聚氯乙烯管和高度为30厘米的聚氯乙烯管进行沉积物采样。 所测得的沉积物参数是块状密度，碳储量和固存。 测量的环境参数包括沉积物纹理，氢的潜力，温度，盐度和总溶解固体。 使用主成分分析进行了统计分析，以确定有机碳库存与环境参数之间的关系。 的发现：研究结果表明，天然红树林（Pesawaran）的有机碳值比修复的红树林（South Lampung）的有机碳值高2.2±0.32％，为0.9±0.25％。 主成分分析结果表明，有机碳，二氧化碳当量，碳储备和碳固换具有正相关特性受盐度，淤泥和粘土影响，而负相关特性则受温度，总溶解固体和沙子的影响。 沉积物质地的分布倾向于在修复的红树林中显示出更多的淤泥，而天然红树林往往在沙子和淤泥之间具有相同的成分。沉积物采样。所测得的沉积物参数是块状密度，碳储量和固存。测量的环境参数包括沉积物纹理，氢的潜力，温度，盐度和总溶解固体。使用主成分分析进行了统计分析，以确定有机碳库存与环境参数之间的关系。的发现：研究结果表明，天然红树林（Pesawaran）的有机碳值比修复的红树林（South Lampung）的有机碳值高2.2±0.32％，为0.9±0.25％。主成分分析结果表明，有机碳，二氧化碳当量，碳储备和碳固换具有正相关特性受盐度，淤泥和粘土影响，而负相关特性则受温度，总溶解固体和沙子的影响。沉积物质地的分布倾向于在修复的红树林中显示出更多的淤泥，而天然红树林往往在沙子和淤泥之间具有相同的成分。自然和修复的红树林中氢条件的潜力没有明显的值差异。佩萨瓦兰的盐度被归类为天然红树林，由于潮汐的影响，直接面对海岸线。与此同时，在南坎普（South Lampung）被归类为已修复的红树林，由于较长的干旱季节，盐度较低，而运河无法支撑进入红树林的水。结论：研究地点的有机碳含量受到根茎型叶片的年龄较大的影响，而根瘤菌粘膜粘膜和ceriop thakal类型的红树林的影响。自然红树林的碳固相值值为1.65–3.14，而修复的红树林的碳固化速率值则显示为0.29–1.25，因此，自然红树林中的速率比康复的成熟楼层高（2-3倍）。
CS184A/284A 生物和医学中的人工智能
● 简介。课程框架 ● 最近邻方法、线性回归 ● 感知器、逻辑回归、支持向量机、决策树 ● 应用 1：基因表达分析、生物标志物发现、精准医疗 ● 无监督学习、主成分分析、聚类 ● 应用 2：单细胞 RNA-seq 分析、其他基因组应用 ● 概率模型、马尔可夫模型、EM 算法 ● 应用 3：基因发现、调控基序发现、CpG 岛 ● 神经网络、深度学习 ● 应用 4：生物医学图像分析