XiaoMi-AI文件搜索系统
World File Search System体积
通过机器学习预测体积城市形态的气温
环境参数（例如空气温度）是人类生活质量和能源效率管理的关键终端。城市地区人口稠密，并且通过城市形态和景观空间模式与其中一些自然现象高度相关。因此，预测城市计划对环境参数的影响对于适当的决定和计划以增强城市的生活条件至关重要。先前的研究强调了乌拉巴形态与空气温度之间的密切相关性，强调了在这些分析中采用三维数据的重要性。在这项研究中，我们首先引入了一种将CityGML数据转换为VoxEls的方法，该方法在大规模数据集（例如城市）的高分辨率上可以有效，快速地工作，但通过牺牲了一些建筑细节，从而限制了先前的Voxelization方法的局限性，这些方法限制了对大型量表的较高量表的较高范围，以较高的量化和无效的范围，以使其对Voxel的高度分配为高分。来自多个城市的那些体素化的3D城市数据和相应的空气温度数据用于开发机器学习模型。在模型训练之前，在输入数据上实施了高斯模糊以考虑空间关系，因此，在高斯模糊之后，空气温度和体积建筑物形态之间的相关率也会增加。这个受过训练的模型能够通过使用相应像素的构建体积信息作为输入来预测空气温度的空间分布。在模型训练之后，预测结果不仅是用均方根误差（MSE）评估的，而且一些图像相似性指标，例如结构相似性指数量度（SSIM）和学习的知觉图像贴片相似性（LPIPS）能够在评估过程中检测和考虑空间关系。这样做，该研究旨在帮助城市规划人员将环境参数纳入其计划策略，从而促进更可持续和居民的城市环境。
声学特征与大脑体积之间的关联
1，波士顿大学chobanian和Avedisian医学院解剖学和神经生物学系，美国马萨诸塞州波士顿，美国2号弗雷明汉心脏研究，波士顿大学chobanian and Chobanian和Avedisian医学院，波士顿，波士顿，波士顿，马萨诸塞州波士顿，马萨诸塞州，美国卫生学院3.公共卫生，美国马萨诸塞州波士顿公共卫生，5 Slone流行病学中心，波士顿大学Chobanian和美国马萨诸塞州波士顿的Avedisian医学院，美国马萨诸塞州波士顿，肺部医学和医学系6级，贝丝以色列Deaconess医学中心，美国马萨诸塞州波士顿，医学院，医学院，医学院，医学院，医学院，医学院和医学院。马，美国1，波士顿大学chobanian和Avedisian医学院解剖学和神经生物学系，美国马萨诸塞州波士顿，美国2号弗雷明汉心脏研究，波士顿大学chobanian and Chobanian和Avedisian医学院，波士顿，波士顿，波士顿，马萨诸塞州波士顿，马萨诸塞州，美国卫生学院3.公共卫生，美国马萨诸塞州波士顿公共卫生，5 Slone流行病学中心，波士顿大学Chobanian和美国马萨诸塞州波士顿的Avedisian医学院，美国马萨诸塞州波士顿，肺部医学和医学系6级，贝丝以色列Deaconess医学中心，美国马萨诸塞州波士顿，医学院，医学院，医学院，医学院，医学院，医学院和医学院。马，美国
足月早产儿的 MRI 脑体积
摘要 背景 MRI 可以详细评估早产儿的大脑结构，其效果优于头颅超声。基于 MRI 的早产儿新生儿脑体积可作为早期大脑发育的客观、定量和可重复的替代参数。迄今为止，尚无足月年龄早产儿脑体积的参考值。 目的 系统回顾文献，确定足月年龄极早产儿 MRI 脑体积的参考范围。 方法 于 2020 年 4 月 6 日在 PubMed 数据库中搜索基于 MRI 的脑体积研究，这些研究报告了在足月年龄（定义为 MRI 时平均月经后年龄为 37-42 周）检查的具有代表性的未经选择的极低出生体重婴儿群体的脑体积。分析仅限于 3 项以上研究中报告的体积参数。计算并模拟了每个参数的加权平均体积和 SD。 结果 最初确定了 367 篇出版物。根据排除标准，来自 8 个国家的 13 项研究被纳入分析，得出四个参数。总脑容量的加权平均值为 379 毫升（SD 72 毫升；基于 n=756）。小脑体积为 21 毫升（6 毫升；n=791），皮质灰质体积为 140 毫升（47 毫升；n=572），无髓鞘白质的加权平均体积为 195 毫升（38 毫升；n=499）。结论这项荟萃分析报告了多个大脑和小脑体积的汇总数据，可为未来评估基于 MRI 的体积参数作为神经发育替代结果的研究以及解释基于 MRI 的个体或群组体积发现提供参考。
加压体积太阳接收机的进步
摘要。 div>＆rquhqwudwhg vrodu srzhu＆63 kdv wkh srwhqwldo iru k \ eulgl] dwlrq zlwk zlwk jhrwkhupo hqhuj \ wr wr wr wr lpsuryh wkh wkh wkh wkh wkh wkh wkhupdo hilrflo hilrfllfllfllfllfllflhqf \ ri ri jhrwkhupdo sodqwv dqg khos fripdw folpdw fkdqjhh e \ xwlol] lqj uhqzdeoh hqhuj \ vrxufhv 7kh vrodu uhfhlyhu lv dq dq lpsruwdqw frpsrqhqw lq dq＆63 v \ vwhp 7kxv wkh ghvljq ri wkh uhfhlyhu pxvw eh frqvlghuhuhgg dqg rswlpl] hg wr pd [lpl] h wkh hiilflhqf \ ri wkh v \ vwhp 7klv sdshu uhylhzv suhvxul] hg yroxphwulf vrodu uhfhlyhuv wr sucylgh dq ryhuylhz ri wkh fxuhqw uhvhufufk lq $ 395 RQ WKH WKHRUHWLFDO DQDO \ vlv ri Uhfhlyhuv frpsduhg wr hh [shulphqwdo whvwlqj 5hfhlyhu surwrw \ shv zhuh whuh whuh whv zhuh whvwhvwhgwhvwhg xqghu vrodu vrodu vrodu udgldwlrq udgldgldwlrq ru vrodu vlpxdwru frqlwlrqv 7kh wkhupdo hiilflhqf \ ri 395 ydulhv iurp zkloh wkh wkh rxwohw dlu whpshudwxuh ydulhv iurp＆6rph vwxglhv dovr ydolgdwhg wkh wkhruhwlfo prghov xvlqj h [shulphqwdo gdwd wr wr ghuplqh wkh wkh dfxudf \ ri wkh uhvxowv 7kh lpsurwddhfh ri wkh uhylhz ilqlqjv lv lv wkdw wkh \ ghprqvwudwh wkdw wkh dgydqfhv lq qxphulfdo prghoolqj ri 395 du du du du du du du du du du du du d du d duh dufxudwh hqrxjk wr eh eh eh frpsDudeOh wr wkh uhvxowv rewdlqhg e \ h： lv uhfrpphqgg wr txdqwli \ wkh euhdnhyhq srlqw ri wkh frpsxwlqj frvw ri 395 prgholqj div div div>
视觉导航的体积环境表示
Vision语言导航（VLN）要求代理在基于视觉观察和自然语言说明的3D环境中导航。很明显，成功导航的关键因素在于全面的场景理解。以前的VLN代理使用单眼框架直接提取透视视图的2D特征。虽然很简单，但他们为捕获3D几何和语义而努力，导致部分不完整的环境代表。为了实现具有细粒细节的全面3D表示，我们引入了体积环境（VER），将物理世界脱氧于结构化的3D细胞中。对于每个单元格，通过2D-3D采样将多视图2D特征归纳到如此统一的3D空间中。通过对VER的粗略到纤维特征进行推断和多任务学习，我们的代理人可以共同预测3D占用率，3D房间布局和3D边界框。基于在线收集的vers，我们的代理构成了体积状态估计，并构建情节内存以预测下一步。实验结果表明，我们从多任务学习的环境表示导致了VLN的可观绩效提高。我们的模型在VLN基准（R2R，Reverie和R4R）之间实现了最新的性能。
监视锂的充电状态和体积扩展...
该角色通常由电池管理系统（BMS）提供，该系统利用简单的电流，电压和脾气测量值来监视SOC和SOH在包装或模块级别上。流行的EV模型利用细胞组织为由中央BMS控制的模块。例如，特斯拉模型S包含7140×18 650个细胞（在16个平行和6个串联细胞的16个模块中），2个和2个串联电池，以及BMS MONI-MONI-MONI-MONI-MONI-MONI-MONI-MON-MONI-MON-MON-TOUCTION电池电压和温度，并防止过电压。3日产叶包含一个30 kW h电池组，该电池组由192个小袋单元组成，该小袋单元在8细胞模块，4和通过开路电压（OCV）和电荷计数（CC）方法组成。5此模块化BMS设计的可用数据范围有限，因此显示的范围值充其量是一个粗略的估计值。此外，模块级方法意味着它无法响应单个单元失败
对体积电子显微镜的嵌入树脂的定量评估
最佳环氧树脂嵌入对于从大组织样品中获得一致的串行切片至关重要，尤其是对于跨度> 1 mm 2的块面而言。我们报告了一种使用块面的块硬度测量值来量化树脂固化中不均匀性的方法。我们确定导致不均匀固化的条件以及监测用于体积电子显微镜的广泛常见环氧树脂的块硬度的程序。我们还通过使用样品安装的力传感器来量化超薄分段期间的横向和分段切割力来评估切割的可重复性和均匀性。我们的发现表明需要筛选和优化树脂制剂以在截面厚度方面达到最佳重复性。最后，我们探索了在嵌入环氧树脂的明胶基质中不规则形状的组织样品的封装，以产生更多均匀的切片。
使用人工智能的体积软件工具评估无先兆偏头痛患者局部灰质和白质体积变化
患者：本前瞻性研究已获得机构审查委员会 (IRB) 的批准。在进行 MRI 检查之前，已获得所有患者的知情同意。根据患者主诉，临床怀疑患有无先兆偏头痛的患者接受了临床检查，以排除单侧头痛的任何其他原因，例如鼻窦炎、屈光不正或牵涉性牙痛。排除患有任何 MRI 禁忌症的患者，例如幽闭恐惧症患者、使用和事佬的患者或任何其他头颈部假体的患者，以及其他脑部病变，例如炎症性病变、肿瘤或脱髓鞘疾病。最后，本研究纳入了 20 名无先兆偏头痛患者，年龄从 13 岁到 52 岁不等（平均年龄=33.65 岁，标准差=10.68）。研究包括 1 名男性和 19 名女性患者（分别为 5% 和 95%），他们患有偏头痛 1 至 25 年（平均=10.5 年，SD=7.92），发作频率为每月 2 至 6 次（平均=3.6/月，SD=1.38），最后一次发作
复合材料的声学辅助体积 3D 打印
复合材料增材制造技术的进步已经改变了航空航天、医疗设备、组织工程和电子产品。增强 3D 打印物体性能的一个关键方面是通过在结构中嵌入和定向增强材料来微调材料。现有的定向这些增强材料的方法受到图案类型、排列和粒子特性的限制。声学提供了一种通用的方法来控制粒子，而不受其大小、几何形状和电荷的影响，从而实现复杂的图案形成。然而，将声学集成到 3D 打印中一直具有挑战性，因为声场在聚合层和未聚合树脂之间散射，从而产生不必要的图案。为了应对这一挑战，开发了一种创新的声学辅助体积 3D 打印机 SonoPrint，它可以同时对整个结构进行增强图案化和打印。SonoPrint 通过在制造的结构中嵌入增强颗粒（例如微观玻璃、金属和聚苯乙烯）来生成机械可调的复合几何形状。该打印机采用驻波场在感光树脂中直接创建目标粒子图案（包括平行线、径向线、圆形、菱形、六边形和多边形），只需几分钟即可完成打印。SonoPrint 增强了结构特性，有望推进体积打印，解锁组织工程、生物混合机器人和复合材料制造中的应用。