XiaoMi-AI文件搜索系统
World File Search System其聚类
聚己内酯
使用顺序渗透合成 (SIS) 将无机氧化物渗透到聚合物内部是一种有效的方法，可用于创建广泛应用的材料。各种聚合物官能团与有机金属/无机前体之间的反应是独一无二的，因此了解一系列前体和聚合物之间的特定相互作用对于实现预测性工艺设计和将 SIS 的效用扩展到应用至关重要。在本文中，在三种不同的均聚物中的 Al 2 O 3 和 TiO 2 SIS 期间进行了原位傅里叶变换红外光谱 (FTIR) 测量：聚甲基丙烯酸甲酯 (PMMA)、聚己内酯 (PCL) 和聚 2-乙烯基吡啶 (P2VP)。从前体暴露后和随后的吹扫时间内的 FTIR 强度变化可以定量表明，这些聚合物与金属前体的相互作用动力学以及中间复合物的稳定性存在很大差异。这项比较研究的一个重要发现是，尽管 PCL 的羰基 (C=O) 和酯基 (COR) 官能团与相互作用较弱的 PMMA 相似，但 PCL 与金属前体的相互作用要强得多。这种行为表明，除了官能团的特性之外，还有其他因素决定了聚合物与 SIS 中的金属化合物的相互作用方式。PCL 以前从未在 SIS 工艺中出现过，它可能是一种有吸引力的聚合物模板，可用于实现均匀性和成本效益更高的 SIS。
聚（乙二醇...
羟基磷灰石（HA）已获得了一种在多种生物医学领域（如骨科和牙科）中广泛利用的生物陶瓷的认可。本研究的目的是将羟基磷灰石与Rohu鱼骨分离，并将其整合到具有牙科使用潜力的生物材料中。纳米复合膜。SEM研究将HA确定为纳米球，晶体尺寸低于30 nm。掺入PEGDMA中时，这些纳米颗粒会聚集，可能会破坏聚合物链相互作用并影响膜的机械性能。从经受较高温度钙化的鱼骨获得的XRD模式表现出高度强和尖锐的峰，表明去除了有机部分。FTIR结果证实，由于成功的自由基聚合反应，碳对碳双键的消失。PEGDMA和IRGACURE 2952（86.1409 kJ/mol）的融合焓高焓建议，他们需要高能量才能熔化，而其放热结晶焓（21.35378 kJ/mol）表示，固化后热量释放。添加羟基磷灰石减少了这些焓，表明更容易熔化和凝固，这可能有助于加工为生物医学应用开辟新的可能性，尤其是在牙科中。
一种用于精确脑功能映射的启发式信息聚类搜索方法
图 3 (a) 与 ICS 算法相比，探照灯程序的步骤和输出的说明。灰色体素是探照灯方法中的搜索球中心体素，也是 ICS 算法中的起始体素。此示意图中探照灯的半径是一个体素，探照灯球的信息（每个球体用特定颜色表示）被分配给球体中心的体素，也就是说，输出图中的每个体素都具有与其搜索球相同的颜色（信息）。另一方面，ICS 方法的输出是一组通过数据驱动的启发式方法从起始体素扩展而来的聚类。每个聚类的信息都用特定的颜色表示。(b) 左：ICS 创建的重叠聚类的示例说明。右：单独描绘的相同聚类。黑点表示的体素是起始体素 vs，根据判别分析启发式方法进行扩展，从而为每个聚类得出特定的判别分数
基于Minkowski距离的新型脑电图聚类方法提高癫痫智能诊断能力
本文介绍了一种基于闵可夫斯基数学相似性的新型聚类方法，以改进用于分类的EEG特征选择，并在机器学习的背景下实现高效的粒子群优化（PSO）。鉴于高维医学数据集的复杂性，特征选择在预防疾病和促进公共健康方面起着至关重要的作用。通过采用闵可夫斯基聚类，目标是将数据集记录分组为两个具有高特征一致性的聚类，从而通过应用 PSO 等优化技术来选择最优特征，从而提高准确性。此外，所提出的模型可以扩展到智能数据集，包括EEG和其他数据集。由于精确分类所需的特征较少，因此智能特征选择是机器学习的一个高级步骤。本文研究了影响波恩大学EEG数据集中特征选择的关键因素。将所提出的系统与各种优化和特征选择方法进行了比较，结果表明，在基于准确度测量分析和分类EEG信号方面具有卓越的性能。实验结果证实了所提出的模型作为脑电图数据分类的有用工具的有效性，准确率高达 100%。这项研究的成果有可能通过简化识别和诊断脑部疾病的过程，使相关专业的医学专家受益。从技术上讲，机器学习算法 RF、KNN、SVM、NB 和 DT 用于对选定的特征进行分类。
基因表达光谱：单个和多OMIC数据的快速密度感知光谱聚类
动机：聚类患者的浮躁数据是开发精确医学不可或缺的，因为它允许鉴定疾病亚型。当前的主要挑战是识别共享结构并降低噪声的集成多摩管数据。群集分析也越来越多地应用于单粒数据，例如，在单细胞RNA-SEQ分析中用于聚类单个细胞的转录组。该技术具有临床意义。因此，我们的动机是为了为单个和多摩尼克数据开发一种灵活而有效的光谱聚类工具。结果：我们提出了一种用于复杂的Omic数据的新光谱聚类方法。Spectrum使用一种自我调节密度感知的内核，我们开发了共享共同最近邻居的点之间的相似性。它使用张量产品图数据集成和扩散程序来减少噪声并揭示基础结构。频谱包含一种新方法，用于查找涉及特征向量分布分析的最佳簇数（K）。频谱可以自动发现高斯和非高斯结构的k。我们在21个真实表达数据集中证明了频谱相对于其他方法提供了改进的运行时间和更好的簇结果。可用性和实现：频谱可作为R cran https：//cran.r-project的R软件包提供。org/web/packages/spectrum/index.html。联系人：Christopher.john@qmul.ac.uk补充信息：补充数据可在Online BioInformatics获得。
层次谱聚类揭示了 C9orf72 无症状携带者的大脑大小和形状变化
用于检测神经退行性疾病（例如阿尔茨海默病或额颞叶变性）中无症状脑部变化的传统方法通常是在预定义的粒度级别上评估体积变化，例如逐体素或先验定义的感兴趣皮质体积。在这里，我们应用一种基于层次谱聚类的方法，这是一种基于图的分区技术。我们的方法使用多级分割，在标准统计框架内以数据驱动、无偏见、全面的方式检测变化。此外，谱聚类可以检测形状变化和大小变化。我们使用层次谱聚类进行了基于张量的形态测量，以检测遗传性额颞叶痴呆症倡议无症状和有症状的额颞叶变性突变携带者的变化，并将结果与更传统的基于体素张量和体素的形态测量分析的结果进行了比较。在有症状组中，基于层次谱聚类的方法产生的结果与基于体素的方法获得的结果大致一致。在无症状的 C9orf72 扩增携带者中，谱聚类检测到了内侧颞叶皮质的大小变化，而基于体素的方法只能在症状期检测到。此外，在无症状和有症状期，谱聚类方法检测到了 C9orf72 的运动前皮质形状的变化。总之，本研究显示了层次谱聚类在数据驱动的分割和检测单基因额颞叶变性的有症状和无症状阶段的结构变化方面的优点。
与机器学习和使用NDEA在开发计划中进行聚类：石化两阶段SSC
这项研究利用机器学习（ML）来改善伊朗石化行业两级可持续供应链中决策单位（DMU）的评估。在90个时间段内进行了28个单位的效率计算。根据可持续性标准选择了供应链的输入和输出，通过使用机器学习和网络数据信封分析（NDEA）的混合方法来促进生产计划和单位开发的准确估计。目标是将ML聚类方法与网络NDEA模型一起使用，以确定用于对均质单元进行分类的最有效的聚类算法。我们研究的主要目标是利用机器学习技术来提高决策过程的准确性，特别是在类似单元的聚类中以评估效率。主要目标是通过将它们与每个集群中最有效的单元进行比较来创建提高低效单元的性能的策略。通过实施深层嵌入式聚类算法，我们发现了效率评估和开发计划的实质性改善。聚类结果与传统NDEA模型之间的对比突出了聚类在评估有效边界和启用集中发展策略的近端方面的重要性。这项研究强调了使用ML进行聚类的重要性，以提高工业设施可持续发展的效率评估和战略计划。结果表明，与使用DEA的非聚类方法相比，使用聚类来评估单位的相对效率，可以平均降低与群集效率边界效率低下的单位距离的18％，这代表了效率低效率单位的更可实现的理想目标。
全脑放射组学在脑肿瘤分割中的聚类联合个性化
联邦学习及其在医学图像分割中的应用最近已成为一个热门的研究课题。这种训练范式存在参与机构本地数据集之间的统计异质性问题，与传统训练相比，会导致收敛速度减慢以及潜在的准确性损失。为了减轻这种影响，联邦个性化应运而生，即每个机构一个模型的联邦优化。我们提出了一种新颖的个性化算法，该算法针对不同机构使用不同扫描仪和采集参数引起的特征变化而量身定制。该方法是第一个考虑机构间和机构内特征变化（单个机构使用多台扫描仪）的方法。它基于在每个中心内计算一系列放射组学特征，捕捉每个 3D 图像体积的整体纹理，然后进行聚类分析，将所有特征向量从本地机构传输到中央服务器。然后，每个计算出的聚类分散数据集（可能包括来自不同机构的数据）用于微调通过经典联邦学习获得的全局模型。我们在联邦脑肿瘤分割 2022 挑战数据集 (FeTS2022) 上验证了我们的方法。我们的代码可在 (https://github.com/MatthisManthe/radiomics_CFFL) 上找到。关键词：联邦学习、联邦个性化、分割、脑肿瘤分割。
CMS电磁量热计中能量聚类的深度学习技术
CMS电磁热量表（ECAL）是由约75000铅钨（PBWO 4）晶体制成的同型热量表。它位于跟踪器和辐射热量计之间，分为两个主要部分：枪管（crystal size：2。2 x 2。2 x 23厘米），覆盖伪to | η| <1。479和端盖（晶体大小：2。9 x 2。9 x 23厘米），覆盖假性1。479 <| η| <3。0。ECAL对于重建光子和电子是必需的，以及喷气机能量和缺失横向动量的测量[1]。当电子或光子横穿ECAL时，它将能量沉积在多个晶体中（“充值”）。簇是通过收集最大能量的能量沉积物来建造的。每个群集归因于一个粒子或几个隔板颗粒。但是，电子和光子可以与ECAL前面的材料相互作用。在这种情况下，电子发射Bremsstrahung光子和光子转换为电子对，在ECAL中产生附近的多个簇。这些簇必须合并以重建初始粒子的能量。此组合称为超级收集器[2]。当前，几何方法用于重建供应商。首先，找到具有在给定阈值较高的（种子）上方的能量的簇[2]。然后，在种子周围打开一个窗口，其形状类似于（η，ϕ）平面中的胡须。之所以选择这种形状，是因为簇沿横向ϕ轴而不是由于CMS磁场引起的纵向η轴（3.8 t）。窗口的大小在种子的η位和cluster的能量上。最后，所有落入定义窗口中的群集被认为是超集群的一部分。由于几何窗口的形状，所述算法称为“胡须”。
GIIST_潜在导师名单_博士联合项目_2425.xlsx
类脑计算是借鉴脑科学基本原理，打破 “ 冯诺依曼 ” 架构束缚的新型计算技术。本研究组将从理论和器件两个方向对类脑计算展开协同 研究。 理论方面：研究类脑计算架构、模型和算法，探索基于类脑计算的类脑智能的基础理论；借鉴神经元模型、神经环路传导、神经编码 及认知、学习、记忆、决策等神经机制，逐步建立和完善类脑处理信息处理的数学 / 计算原理和模型；构建类脑计算和智能的统一理论 框架。为类脑计算器件及系统的发展提供理论基础。 器件方面：基于新材料和新技术，研究新型高性能类脑神经器件，解决一致性差、可靠性差、规模化难等痛点；研究基于类脑神经器 件的网络架构，构建大规模阵列，开展外围电路的研发与设计；研究基于新型类脑器件的感知和计算架构，发展感存、存算、感存算 一体系统。