XiaoMi-AI文件搜索系统
World File Search System动态特性
2024; 20（3）：864-879。 doi：10.7150/ijbs.89795回顾子宫内膜干细胞：编排子宫内膜的动态再生及其含义
人子宫内膜是子宫的重要组成部分，在月经周期内经历动态变化，以创造一个接受胚胎的接受环境。其显着的再生能力可以归因于子宫内膜内组织居住的干细胞群体的存在。尽管不同亚型之间的特征变化，但子宫内膜干细胞表现出明显稳健的自我更新能力以及分化为多个谱系的能力。本综述提供了有关当前文献的全面洞察力，以及有关子宫内膜动态再生期间各种子宫内膜干细胞类型在月经周期中的作用的最新进展。此外，新出现的证据表明，子宫内膜干细胞的功能障碍或耗竭可能在各种子宫内膜异位症的发育和进展中起关键作用，例如子宫内膜异位症，子宫纤维辅助，子宫肌病，疾病，不育和内膜癌。因此，我们还强调了子宫内膜干细胞在这些子宫内膜疾病的发育和进展中的潜在作用，包括它们积累遗传突变和与子宫内膜疾病相关的表达基因的能力。了解子宫内膜的动态特性以及子宫内膜干细胞在各种子宫内膜疾病中的作用，将揭示潜在的治疗策略来管理这些疾病并改善妇女的生育能力。
ZF在Smotion Active底盘阻尼的连续产生中
•在德国跑车的高级模型中，阻尼技术的第一卷生产应用•主动底盘技术在转向，加速和制动操作期间减少了车辆的投球和滚动•ZF是行业领导者，具有25年的电子控制底盘阻尼系统开发Friedrichshafen的经验。潮湿技术的新时代已经开始，因为ZF的Smotion现在正在将稳定性和动态融合在一起，以提高舒适性和驾驶性能。这个革命性系统将阻尼力完全适应相应的驾驶状况，同时还为每个车轮启动非常快速的垂直运动，从而积极抬起车辆以确保最佳的道路持有性能，同时增强更愉快的驾驶体验。Smotion的这种能力创造了独特的驾驶体验。该系统的阻尼器技术现已用于两种新的德国高级制造商的新型号。在汽车底盘的情况下，将出色的动态特性与高级舒适性相结合通常是具有挑战性的。对汽车制造商来说更容易，因为几乎消除了动态转向，制动和加速的投球和滚动操作。“我们完全活跃的Smotion底盘系统几乎可以在某些驾驶情况下完全防止车身运动，” ZF管理委员会成员，底盘解决方案部门负责人Peter Holdmann博士解释说。“同时，配备了Smotion的车辆的舒适特性大大增加。”
利用时空注意力机制学习大脑连接组的动态图形表征
大脑各区域之间的功能连接 (FC) 可以通过用功能神经成像模式测量的时间相关程度来评估。基于这些连接构建网络的事实，基于图的大脑连接组分析方法为人类大脑的功能提供了见解。能够从图结构化数据中学习表示的图神经网络 (GNN) 的发展，导致人们对学习大脑连接组的图形表示的兴趣日益浓厚。尽管最近将 GNN 应用于 FC 网络的尝试已显示出有希望的结果，但仍存在一个常见的限制，即它们通常不包含随时间波动的 FC 网络的动态特性。此外，一些尝试使用动态 FC 作为 GNN 输入的研究报告称，与静态 FC 方法相比，性能有所下降，并且不能提供时间上的可解释性。在这里，我们提出了 STAGIN，一种使用时空注意来学习大脑连接组的动态图形表示的方法。具体来说，将脑图的时间序列输入到 STAGIN 以获得动态图表示，而新颖的 READOUT 函数和 Transformer 编码器分别提供具有注意力的空间和时间可解释性。在 HCP-Rest 和 HCP-Task 数据集上的实验证明了我们提出的方法的卓越性能。时空注意力的分析还提供了与神经科学知识的并发解释，这进一步验证了我们的方法。代码可在 https://github.com/egyptdj/stagin 获得
使用脑电图的动态功能连接图对运动任务进行早期分类
摘要。目的。在开发脑机接口 (BCI) 时，使用短记录间隔对脑电图 (EEG) 信号进行高精度分类一直是一个难题。本文提出了一种新颖的 EEG 记录特征提取方法来解决这个问题。方法。所提出的方法基于大脑以动态方式运作的概念，并利用动态功能连接图。首先将 EEG 数据分割成功能网络维持其连接的间隔。然后定位每个识别出的段的功能连接网络，并构建图形，这些图形将用作特征。为了利用生成的图的动态特性，采用长短期记忆 (LSTM) 分类器进行分类。主要结果。从与运动执行和想象任务相关的不同持续时间的刺激后 EEG 数据中提取的特征用于测试分类器的性能。结果显示平均准确率为 85。 32% 的准确率仅使用从刺激后 500 毫秒数据中提取的特征。意义。我们的结果首次证明，使用所提出的特征提取方法，仅使用几百毫秒的数据就可以对 EEG 记录中的运动任务进行分类。这个持续时间比以前报告的要短得多。这些结果对于提高 BCI 的有效性和速度具有重要意义，特别是对于辅助技术中使用的 BCI。
![arXiv:2004.02951v1 [eess.SY] 2020 年 4 月 6 日](/simg/a\a841810a1e931d9335054d129280274145b29767.webp)
arXiv:2004.02951v1 [eess.SY] 2020 年 4 月 6 日
传统上，电力系统中的惯性是通过考虑所有直接连接到电网的旋转质量来确定的。在过去十年中，可再生能源（主要是光伏装置和风力发电厂）的整合导致电力系统的动态特性发生了显著变化。这种变化主要是由于大多数可再生能源在电网接口处都有电力电子设备。对电力系统稳定性和可靠性分析的总体影响非常显著。电力系统变得更加动态，需要一套新的策略来修改传统的发电控制算法。事实上，可再生发电机组通过电子转换器与电网分离，从而降低了电网的整体惯性。“隐藏惯性”、“合成惯性”或“虚拟惯性”是目前用来表示由可再生能源的转换器控制产生的人工惯性的术语。然后，在具有高渗透率可再生能源的新电力系统中需要替代旋转备用，其中必须模拟直接连接到电网的旋转质量的缺乏以保持可接受的电力系统可靠性。本文回顾了惯性概念的数值及其在过去几十年的演变，以及阻尼因子值。还对传统和当前平均发电组合场景的旋转电网惯性进行了比较。此外，本文还广泛讨论了风力发电厂和光伏发电厂及其在频率控制策略方面对惯性的贡献。
人工智能及其在营销中的应用概述，重点关注大型语言模型
物联网、大数据分析、区块链和人工智能 (AI) 等新兴技术极大地改变了业务运营。其中，AI 脱颖而出，成为最新、最具影响力的革命性营销实践。全球专业人士正在积极寻求适合其营销需求的 AI 解决方案。对现有文献的系统回顾可以突出 AI 在营销中的重要性并揭示未来的研究途径。将大数据源和 AI 工具整合到营销实践中代表着对传统方法的背离，开创了营销教育的新时代。本文探讨了营销领域 AI 的最新进展，重点介绍了这些发展如何使从业者能够有效地导航和利用广泛而复杂的数据集进行预测分析。通过整合大数据和 AI，营销策略现在可以直接与执行保持一致，从而增强战略规划和营销结果预测。然而，采用这些技术需要转向自适应学习方法，超越传统的评估方法，以更好地适应当今营销环境的动态特性。向大数据和人工智能驱动方法的过渡使专家能够满足现代营销格局不断变化的需求。这种转变通过利用大型语言模型等尖端人工智能技术超越了传统分析，并通过角色扮演模拟等创新学习体验提高了大数据的利用率。这种整合不仅拓宽了营销人员的分析能力，而且还促进了对数据驱动决策的更身临其境和体验式的理解。
2024 年 CIRP 年鉴论文
A1 - 一种确定电动汽车电池绝对环境可持续性目标的分步方法。Abdur-Rahman Ali、Mauricio Schlösser Castillo、Felipe Cerdas、Christoph Herrmann (2) A2 - 包容性制造：人机交互学习对装配过程的贡献 Alessandro Simeone、Yuchen Fan、Dario Antonelli、Angioletta R. Catalano、Paolo C. Priarone (2)、Luca Settineri (1) A3 - 一种基于 LLM 的方法，用于实现装配中的无缝人机协作。Christos Gkournelos、Christos Konstantinou、Sotiris Makris (2) A4 - 由自主机器人驱动的基于视觉 AI 的人机协作装配。 Sichao Liu、Jianjing Zhang、Lihui Wang (1)、Robert X. Gao (1) A5 - 增强现实增强人机协作的手势交互模型 Sebastian Blankemeyer、David Wendorff、Annika Raatz / HK Toenshoff (1) A6 - 面向高级机器人认知的生成式人工智能和神经网络 Christoforos Aristeidou、Nikos Dimitropoulos、George Michalos (2) A7 - 精密优化工艺设计，用于使用铰接式工业机器人进行高度可重复的处理 Philip Gümbel、Klaus Dröder (2) A8 - 背部支撑外骨骼 3D 打印摆线执行器的动态特性和控制 Charbel Barsomian、Narayana Babu Paulsamy Eswaran、Mattia Pesenti、Marta Gandolla、Francesco Braghin、Emanuele Carpanzano (1)、Loris Roveda
研究论文混合可再生能源发电用于电池存储光伏系统的建模和控制
全球能源需求的很大一部分可能由大量可再生能源满足。另一方面，可再生能源的产出由于其来源的动态特性而变化。将这些可变电源整合到现有电网中，对世界各地的电力系统运营商来说都是困难的。可再生能源系统的基本问题是，由于可再生能源的随机性，电力产量在不同时期都有所不同。最近对可再生能源技术的研究和开发可以确保岛屿的长期电力供应。另一方面，可再生能源受到其不可预测性和严重依赖天气条件的限制。为了弥补这个缺点，必须将几种可再生能源和转换器结合起来。为了平衡发电量和负载功率，提出了一种用于独立应用的混合可再生能源发电。太阳能发电厂模型由串联的 170 W 光伏 (PV) 板组成，能量转换使用最大功率点跟踪 (MPPT) 算法完成，该算法调节降压-升压转换器调制。转换器控制步骤中使用的 MPPT 方法基于扰动和观察 (P&O)，并通过 PI 控制器增强。双向降压-升压 DC-DC 转换器 (BBDC) 用于保持 DC 链路电压稳定。这还将额外的混合能量存储在大型电池中并分配给系统负载；然后出现混合动力短缺。负载电流功率根据频率进行调节，并使用三个矢量控制技术电压源逆变器 (VSI) 来实现。结果展示了该组织的混合性能。
使用数字量子计算机模拟量子材料
摘要。量子材料表现出一系列奇异的现象和实用的特性。更好地了解这些材料可以更深入地了解量子领域的基础物理学，并推动娱乐、医疗保健和可持续发展领域的技术进步。数字量子计算机 (DQC) 的出现为测试和分析量子材料非凡且通常违反直觉的行为提供了一条有希望的道路，它可以有效地执行传统计算机上无法完成的量子模拟。有了这些新工具，来自不同领域的科学家正在竞相实现物理量子优势（即使用量子计算机通过无法在任何传统计算机上运行的计算来学习新物理学）。因此，本综述的目的是提供物理科学领域科学家可以访问的实现这一目标的进展摘要。我们将首先回顾可用的技术和算法，并详细介绍在量子计算机上表示材料的无数方法。接下来，我们将展示已在当前可用的 DQC 上成功执行的模拟，强调可以使用这项新兴技术研究的各种静态和动态特性。最后，我们将通过两个示例来说明如何将材料问题映射到 DQC 上，完整代码包含在补充材料中。我们希望这篇评论可以作为领域专家对该领域进展的有组织的概述，并为有兴趣开始在 DQC 上进行自己的量子材料模拟的相关领域科学家提供易于理解的介绍。
深度池计算与 5G MIMO-OFDM 系统在符号检测中的融合
传统的储存器计算 (RC) 是一种浅层循环神经网络 (RNN)，具有固定的高维隐藏动态和一个可训练的输出层。它具有只需要有限训练的优点，这对于训练数据极其有限且获取成本高昂的某些应用至关重要。在本文中，我们考虑了两种将浅层架构扩展为深度 RC 的方法，以在不牺牲潜在优势的情况下提高性能：（1）将输出层扩展为三层结构，促进对神经元状态的联合时频处理；（2）顺序堆叠 RC 以形成深度神经网络。利用深度 RC 的新结构，我们重新设计了具有正交频分复用 (MIMO-OFDM) 信号的多输入多输出物理层接收器，因为 MIMO-OFDM 是第五代 (5G) 蜂窝网络的关键支持技术。 RNN 动态特性与 MIMO-OFDM 信号时频结构的结合，使深度 RC 能够处理非线性 MIMO-OFDM 信道中的各种干扰，从而实现比现有技术更高的性能。同时，与依赖大量训练的深度前馈神经网络不同，我们引入的深度 RC 框架可以使用与 5G 系统中基于传统模型的方法相同数量的导频提供不错的泛化性能。数值实验表明，基于深度 RC 的接收器可以提供更快的学习收敛，并有效减轻未知的非线性射频 (RF) 失真，与浅层 RC 结构相比，误码率 (BER) 提高了 20%。