XiaoMi-AI文件搜索系统
World File Search System变色
散弹枪蛋白质组学用于鉴定导致商业乳制品变色为粉红色/红色的酵母
粉红色/红色变色包括一系列相对常见的商业乳制品腐败缺陷。在本研究中，我们使用散弹枪蛋白质组学来识别导致新打开的商业涂抹奶酪和酸奶样品表面产生深红色粘液的微生物。对微生物蛋白质的全蛋白质组表征分别允许在涂抹奶酪和酸奶样品中识别出来自红酵母属的 1042 种和 687 种基因产物，而没有记录到来自其他微生物的显著蛋白质评分。随后的微生物学分析和 26S rRNA 基因区域测序支持了蛋白质组学结果，表明所涉及的微生物是红酵母，一种产生类胡萝卜素的担子菌，可能对人类致病，尤其是对免疫功能低下的人。这是首次使用散弹枪蛋白质组学来识别导致乳制品腐败的微生物，它被认为是一种相对快速、灵敏且可靠的传统微生物鉴定方法的替代或补充。
暴力是“真正的变色龙” - ZMSBw - 德国联邦国防军
流程：讨论、书写、勾画、保存结果 交流从领导的欢迎和对流程的解释开始。在每一轮中，参与者在纸上写下、画出、勾勒出他们的想法等，并将其钉在提供的板上。领队发出信号后，各参与者在20分钟后交换位置并再次混在一起。我们的世界咖啡馆将进行三轮活动。主持人留在各自的岗位上，欢迎新来者，总结迄今为止的对话并重新开始讨论。显示板上的结果被保存并重复使用。讨论是开放的，旨在加深对电台主题的了解。
超薄AL2O3保护层，以稳定无定形WOX薄膜的电致变色转换性能
尽管人口不断增长，并且主要能源需求的增加，但为了抵消全球气候变化，对节能和能够维持的技术的需求是增加优先级。[1,2]由于它们的多样性和多功能性，过渡金属氧化物在能源相关的应用中起着核心作用[3-7]，例如锂离子电池，超级电容器，照相和电含量和电载体或电元素或电代理（EC）设备。[8-17]为了稳定氧化物针对不希望的侧反应，可以使用薄的惰性保护层，如所示，例如，用于锂离子蝙蝠中的阴极材料。[18–21] EC设备具有在建筑业节能中发挥关键作用的潜力，该建筑业占欧洲能源征服的42％。[22,23]为此，电铬效应用于所谓的智能窗口。电色素是基于外部电压刺激的光吸收的可逆变化，这会导致（脱）对EC材料中电位的（例如H +，Li +或Na +）的（例如H +，Li +或Na +）的氧化还原反应。结果，材料中发生的着色或漂白过程。通常，EC材料可以分为两种不同类型。一种类型由所谓的阳极EC材料表示，其中离子的去分离会导致着色。其中包括Ni或IR的氧化物。[24]另一种类型是由阴极EC材料表示的。它们在离子插入时表现出着色。典型的代表是MOO 3或WO 3。氧化钨氧化物可以被视为最概述的EC材料，从那以后，它一直受到密集研究。[25–27]其阴极EC机制在离子插入时产生强烈的着色。因此，光态调节从不透明到深蓝色。根据
变色龙处理器导向方法...
1 MCA 系 1 尼赫鲁工程学院与研究中心，帕姆巴迪，印度 摘要：目前，芯片设计中跨越了太多的架构界限。没有人找到如何让芯片满足理想消费产品的所有需求的方法。但我认为我们正在接近目标。一种新型芯片现在可以通过擦除现有硬件设计并创建适合运行所需软件的新硬件来适应任何编程要求。可重构处理器是用来描述这些半导体的术语。这些新芯片可以立即重新连接自身，以构建以最高速度执行软件所需的精确硬件。这种新芯片的名称是 CHAMELEON CHIP。索引术语 - 全局概览、通用仿真流程、测试用例生成。
暴力是一条“真正的变色龙”
第 62 届 ITMG 国际军事史会议 暴力是“真正的变色龙” 军事暴力的转变、持续和出现 概念和组织：Frank Reichherzer 和 Friederike Hartung 地点：德累斯顿，mightyTwice 会议酒店和德国联邦国防军军事史博物馆 时间：12-14。 2023年9月 普鲁士将军、战争哲学家、名言提供者卡尔·冯·克劳塞维茨在其著作《战争论》中使用了一个有趣的比喻：战争就像一条“真正的变色龙”。克劳塞维茨选择的关于战争的多变性和军事暴力形式的变化的论述，体现了当前的研究趋势。暴力研究越来越关注暴力复杂的时间性和过程性。因此，第 62 届 ITMG 询问了军事暴力的时间性——在战争和和平时期，以及其间的阶段和过渡时期。因此，德国联邦国防军军事历史和社会科学中心为讨论当前的研究提供了一个跨学科的论坛。我们可以通过三个时间形象来理解暴力的时间性，它们单独或者结合起来可以引发具体的问题。综合起来，时间数字指向了（军事）暴力拓扑中的关系和格局。
有机电致变色储能材料及器件设计
在不影响储能器件电化学性能的同时，将电致变色等多功能特性集成到储能器件中，可以有效促进器件多功能化的发展。与无机电致变色材料相比，有机材料具有制备简便、成本低、颜色对比度大等显著优势，其中大部分聚合物材料表现出优异的电化学性能，可广泛应用于储能器件的设计和开发。本文重点介绍有机电致变色材料在储能器件中的应用，详细讨论了不同类型有机物的作用机理、电化学性能以及有机电致变色材料在相关器件中的不足之处。
Chameleo：利用人工智能检测变色龙行走方式
[4] Linda Evans、Fred Hardtke、Emily Corbin 和 Wouter Claes。2020 年。伪装的变色龙：在埃及 el-Hosh 遗址的新发现。《考古学和人类学》12，8 (2020)，1–9。[5] 欧洲宠物食品工业联合会 (FEDIAF)。2020 年。事实与数据 2020。https://www.fediaf.org/images/FEDIAF_Facts_and_Figures_2020.pdf [6] Martin S Fischer、Cornelia Krause 和 Karin E Lilje。2010 年。变色龙运动能力的进化，或如何成为树栖爬行动物。《动物学》113，2 (2010)，67–74。[7] Olivier Friard 和 Marco Gamba。 2016. BORIS：一款免费、多功能的开源事件记录软件，可用于视频/音频编码和实时观察。《生态学与进化方法》7，11（2016），1325–1330。[8] Klaus Greff、Rupesh K Srivastava、Jan Koutník、Bas R Steunebrink 和 Jürgen Schmidhuber。2016. LSTM：搜索空间漫游。《IEEE 神经网络与学习系统汇刊》28，10（2016），2222–2232。[9] Anthony Herrel、Krystal A Tolley、G John Measey、Jessica M da Silva、Daniel F Potgieter、Elodie Boller、Renaud Boistel 和 Bieke Vanhooydonck。2013. 缓慢但坚韧：变色龙奔跑和抓握能力分析。 《实验生物学杂志》216，6（2013），1025–1030。[10] Timothy E Higham 和 Bruce C Jayne。2004。蜥蜴在斜坡和栖木上的运动：树栖专化者和陆栖通才者的后肢运动学。《实验生物学杂志》207，2（2004），233–248。[11] Mayank Kabra、Alice A Robie、Marta Rivera-Alba、Steven Branson 和 Kristin Branson。2013。JAABA：用于自动注释动物行为的交互式机器学习。《自然方法》10，1（2013），64–67。 [12] Mary P Klinck、Margaret E Gruen、Jérôme RE del Castillo、Martin Guillot、Andrea E Thomson、Mark Heit、B Duncan X Lascelles 和 Eric Troncy。2018 年。通过随机临床试验，开发了供看护人/主人 MI-CAT (C) 使用的蒙特利尔猫关节炎测试工具，并对其初步效度和信度进行了评估。《应用动物行为科学》200 期 (2018)，第 96-105 页。[13] JB Losos、BM Walton 和 AF Bennett。1993 年。《肯尼亚变色龙的冲刺能力与粘着能力之间的权衡》。《功能生态学》(1993)，第 281-286 页。[14] Tom Menaker、Anna Zamansky、Dirk van der Linden、Dmitry Kaplun、Aleksandr Sinitica、Sabrina Karl 和 Ludwig Huber。 2020 年。面向数据驱动的动物行为模式自动分析方法。第七届动物-计算机交互国际会议论文集。1-6。[15] Nikola Mijailovic、Marijana Gavrilovic、Stefan Rafajlovic、M Ðuric-Jovicic 和 D Popovic。2009 年。从加速度和地面反作用力识别步态阶段：神经网络的应用。Telfor 杂志 1, 1（2009 年），34-36。[16] Hung Nguyen、Sarah J Maclagan、Tu Dinh Nguyen、Thin Nguyen、Paul Flemons、Kylie Andrews、Euan G Ritchie 和 Dinh Phung。2017 年。使用深度卷积神经网络进行动物识别和鉴别，用于自动野生动物监测。2017 年 IEEE 数据科学与高级分析国际会议 (DSAA)。IEEE，40–49。[17] Matthias Ott。2001 年。变色龙有独立的眼球运动，但在扫视猎物追踪过程中双眼会同步。实验脑研究 139，2（2001 年），173–179。[18] Veronica Panadeiro、Alvaro Rodriguez、Jason Henry、Donald Wlodkowic 和 Magnus Andersson。2021 年。28 款免费动物追踪软件应用程序回顾：当前功能和局限性。实验室动物（2021 年），1–9。[19] Anika Patel、Lisa Cheung、Nandini Khatod、Irina Matijosaitiene、Alejandro Arteaga 和 Joseph W Gilkey。 2020. 揭示未知：使用深度学习实时识别加拉帕戈斯蛇类。动物 10, 5 (2020), 806。[20] Zachary T Pennington、Zhe Dong、Yu Feng、Lauren M Vetere、Lucia Page-Harley、Tristan Shuman 和 Denise J Cai。2019. ezTrack：用于研究动物行为的开源视频分析流程。科学报告 9, 1 (2019), 1–11。[21] Talmo D Pereira、Diego E Aldarondo、Lindsay Willmore、Mikhail Kislin、Samuel SH Wang、Mala Murthy 和 Joshua W Shaevitz。2019. 使用深度神经网络快速估计动物姿势。自然方法 16, 1 (2019), 117–125。[22] Jane A Peterson。 1984. 蜥蜴（爬行动物：蜥蜴）的运动方式，特别是前肢。《动物学杂志》202，1（1984），1-42。[23] Nagifa Ilma Progga、Noortaz Rezoana、Mohammad Shahadat Hossain、Raihan Ul Islam 和 Karl Andersson。2021. 基于 CNN 的毒蛇和无毒蛇分类模型。在国际应用智能与信息学会议上。Springer，216-231。[24] Joseph Redmon、Santosh Divvala、Ross Girshick 和 Ali Farhadi。2016. 您只需看一次：统一的实时物体检测。在 IEEE 计算机视觉与模式识别会议论文集上。779-788。 [25] Karl Patterson Schmidt、Robert F Inger 和 Roy Pinney。1957 年。世界现存爬行动物。纽约花园城汉诺威大厦。[26] Martin Stevens 和 Graeme D Ruxton。2019 年。行为在动物伪装中的关键作用。生物学评论 94, 1 (2019)，116–134。[27] Atsushi Yamazaki、Kazuya Edamura、Koji Tanegashima、Yuma Tomo、Makoto Yamamoto、Hidehiro Hirao、Mamiko Seki 和 Kazushi Asano。2020 年。一种新型活动监测器在评估猫的身体活动和睡眠质量方面的实用性。Plos one 15, 7 (2020)，e0236795。实验动物（2021），1-9。 [19] Anika Patel、Lisa Cheung、Nandini Khatod、Irina Matijosaitiene、Alejandro Arteaga 和 Joseph W Gilkey。 2020。揭示未知：利用深度学习实时识别加拉帕戈斯蛇种。动物 10, 5 (2020), 806。 [20] Zachary T Pennington、Zhe Dong、Yu Feng、Lauren M Vetere、Lucia Page-Harley、Tristan S human 和 Denise J Cai。 2019. ezTrack：用于研究动物行为的开源视频分析管道。科学报告 9、1 (2019)、1-11。 [21] 塔尔莫·D·佩雷拉、迭戈·E·阿尔达隆多、林赛·威尔莫尔、米哈伊尔·吉斯林、塞缪尔·SH·王、马拉·穆尔蒂和约书亚·W·沙维茨。 2019. 使用深度神经网络快速估计动物姿势。《自然方法》16，1（2019），117–125。[22] Jane A Peterson。1984. 蜥蜴（爬行动物：蜥蜴）的运动方式，特别是前肢。《动物学杂志》202，1（1984），1–42。[23] Nagifa Ilma Progga、Noortaz Rezoana、Mohammad Shahadat Hossain、Raihan Ul Islam 和 Karl Andersson。2021. 基于 CNN 的毒蛇和无毒蛇分类模型。在国际应用情报与信息学会议上。Springer，216–231。[24] Joseph Redmon、Santosh Divvala、Ross Girshick 和 Ali Farhadi。 2016. 只需看一次：统一的实时物体检测。在 IEEE 计算机视觉与模式识别会议论文集上。779–788。[25] Karl Patterson Schmidt、Robert F Inger 和 Roy Pinney。1957. 世界上的现存爬行动物。纽约花园城汉诺威大厦。[26] Martin Stevens 和 Graeme D Ruxton。2019. 行为在动物伪装中的关键作用。生物学评论 94, 1 (2019)，116–134。[27] Atsushi Yamazaki、Kazuya Edamura、Koji Tanegashima、Yuma Tomo、Makoto Yamamoto、Hidehiro Hirao、Mamiko Seki 和 Kazushi Asano。2020. 新型活动监测器在评估猫身体活动和睡眠质量中的实用性。 Plos one 15, 7 (2020), e0236795。实验动物（2021），1-9。 [19] Anika Patel、Lisa Cheung、Nandini Khatod、Irina Matijosaitiene、Alejandro Arteaga 和 Joseph W Gilkey。 2020。揭示未知：利用深度学习实时识别加拉帕戈斯蛇种。动物 10, 5 (2020), 806。 [20] Zachary T Pennington、Zhe Dong、Yu Feng、Lauren M Vetere、Lucia Page-Harley、Tristan S human 和 Denise J Cai。 2019. ezTrack：用于研究动物行为的开源视频分析管道。科学报告 9、1 (2019)、1-11。 [21] 塔尔莫·D·佩雷拉、迭戈·E·阿尔达隆多、林赛·威尔莫尔、米哈伊尔·吉斯林、塞缪尔·SH·王、马拉·穆尔蒂和约书亚·W·沙维茨。 2019. 使用深度神经网络快速估计动物姿势。《自然方法》16，1（2019），117–125。[22] Jane A Peterson。1984. 蜥蜴（爬行动物：蜥蜴）的运动方式，特别是前肢。《动物学杂志》202，1（1984），1–42。[23] Nagifa Ilma Progga、Noortaz Rezoana、Mohammad Shahadat Hossain、Raihan Ul Islam 和 Karl Andersson。2021. 基于 CNN 的毒蛇和无毒蛇分类模型。在国际应用情报与信息学会议上。Springer，216–231。[24] Joseph Redmon、Santosh Divvala、Ross Girshick 和 Ali Farhadi。 2016. 只需看一次：统一的实时物体检测。在 IEEE 计算机视觉与模式识别会议论文集上。779–788。[25] Karl Patterson Schmidt、Robert F Inger 和 Roy Pinney。1957. 世界上的现存爬行动物。纽约花园城汉诺威大厦。[26] Martin Stevens 和 Graeme D Ruxton。2019. 行为在动物伪装中的关键作用。生物学评论 94, 1 (2019)，116–134。[27] Atsushi Yamazaki、Kazuya Edamura、Koji Tanegashima、Yuma Tomo、Makoto Yamamoto、Hidehiro Hirao、Mamiko Seki 和 Kazushi Asano。2020. 新型活动监测器在评估猫身体活动和睡眠质量中的实用性。 Plos one 15, 7 (2020), e0236795。在国际应用情报与信息学会议上。Springer，216–231。[24] Joseph Redmon、Santosh Divvala、Ross Girshick 和 Ali Farhadi。2016 年。你只需看一次：统一的实时物体检测。在 IEEE 计算机视觉和模式识别会议论文集上。779–788。[25] Karl Patterson Schmidt、Robert F Inger 和 Roy Pinney。1957 年。世界上现存的爬行动物。纽约花园城汉诺威大厦。[26] Martin Stevens 和 Graeme D Ruxton。2019 年。行为在动物伪装中的关键作用。生物学评论 94, 1 (2019)，116–134。 [27] Atsushi Yamazaki、Kazuya Edamura、Koji Tanegashima、Yuma Tomo、Makoto Yamamoto、Hidehiro Hirao、Mamiko Seki 和 Kazushi Asano。2020 年。新型活动监测器在评估猫体力活动和睡眠质量方面的实用性。Plos one 15, 7 (2020)，e0236795。在国际应用情报与信息学会议上。Springer，216–231。[24] Joseph Redmon、Santosh Divvala、Ross Girshick 和 Ali Farhadi。2016 年。你只需看一次：统一的实时物体检测。在 IEEE 计算机视觉和模式识别会议论文集上。779–788。[25] Karl Patterson Schmidt、Robert F Inger 和 Roy Pinney。1957 年。世界上现存的爬行动物。纽约花园城汉诺威大厦。[26] Martin Stevens 和 Graeme D Ruxton。2019 年。行为在动物伪装中的关键作用。生物学评论 94, 1 (2019)，116–134。 [27] Atsushi Yamazaki、Kazuya Edamura、Koji Tanegashima、Yuma Tomo、Makoto Yamamoto、Hidehiro Hirao、Mamiko Seki 和 Kazushi Asano。2020 年。新型活动监测器在评估猫体力活动和睡眠质量方面的实用性。Plos one 15, 7 (2020)，e0236795。
多功能电致变色器件
电致变色 (Electrochromic, EC) 是材料的光学属 性 ( 透过率、反射率或吸收率 ) 在外加电场作用下发 生稳定、可逆颜色变化的现象 [1] 。 1961 年 , 美国芝 加哥大学 Platt [2] 提出了 “ 电致变色 ” 的概念。到 1969 年 , 美国科学家 Deb [3] 首次报道了非晶态三氧化钨 (Tungsten Trioxide, WO 3 ) 的电致变色效应。随后 , 人 们开始对电致变色材料进行了广泛而深入的研究。 20 世纪 80 年代 , “ 智能窗 ” 概念提出后 [4] , 由于节能环 保、智能可控等优点 , 形成一波新的电致变色技术研究 热点 [5-10] 。随着研究的深入 , 特别是纳米技术的快速 发展 , 器件性能得到了大幅的提升 ( 图 1(a)) [11-13] , 电 致变色器件 (Electrochromic Device, ECD) 也逐渐实现 了产业化应用。 根据材料种类不同 , 电致变色材料可大致分为 有机电致变色材料和无机电致变色材料。相较而言 , 有机电致变色材料具有变色速度快、柔性好、可加 工性强和颜色变化丰富等优点 , 主要包括导电高分 子、紫罗精类小分子和金属有机螯合物等 [14] 。无机 电致变色材料具有光学对比度高、光学记忆性好和 环境稳定性高等优点 , 主要包括过渡金属氧化物以 及普鲁士蓝等 [15] 。目前 , 电致变色器件的结构主要 为类三明治结构 , 由两个透明导电层中间夹一层电 致变色活性层构成。根据电致变色材料种类不同 , 电致变色活性层可分为整体结构和分层结构。整体 结构是电致变色材料与电解质相互混合为一层 , 这 类结构主要针对紫罗精等小分子有机物。这类器件 在外加电场作用下 , 有机小分子扩散到电极表面或 以电解质中氧化还原剂为媒介发生氧化还原反应而 实现颜色变化 [16] 。分层结构是电致变色材料、电解 质和对电极 ( 或叫离子储存层 ) 依靠界面接触分层 ,
变色龙启发了通过...
摘要：最近已经认识到，由于研究人员的兴趣，材料和纺织品的增长正在连续发展。颜色变化技术最近在许多产品和材料中反映了，由于市场内颜色变化的需求增加。其中一些要求可能因受益而有所不同，而有些要求则是表达创造力的目的。通过各种方法实现了改变颜色的技术，其中一种是铬材料。这样的材料既是光色素和热色素着色剂。他们是市场上良好的着色剂。光致质着色剂具有在暴露于阳光的情况下改变色彩的能力，而热色素着色剂在暴露于热量时会改变颜色。由于其潜力，这些类型的着色剂已成为研究的主要重点。它们已用于各种应用中，例如医疗热量表，塑料带温度计，食物包装等。在过去的几年中，此类着色剂在纺织品上的应用大大提高了，这将使潜力通过此类产品丰富市场。本文重点介绍了光致变色和热色素的色素，这些色素被应用于织物上，然后在设计中应用它们。设计的灵感来自变色龙，因为铬材料的另一个术语是“变色龙”材料。耐用性和舒适实验在将其应用于执行的设计上之前，在铬织物上进行了执行，目的是区分应应用的区域。
使用人工智能自动评估造口周围皮肤变色和渗漏面积
对于接受造口术的患者来说，造口周围皮肤并发症 (PSC) 是术后最常见的挑战。PSC 的一个视觉症状是造口周围皮肤变色（发红），这通常是由于造口输出物漏到底板下造成的。如果不加以治疗，轻微的皮肤病可能会发展成严重的疾病；因此，密切监测变色和渗漏模式非常重要。造口皮肤工具是目前最先进的造口周围皮肤评估工具，但它依赖于患者定期拜访医疗保健专业人员。为了能够长期密切监测造口周围皮肤，需要一种不依赖于预约咨询的自动化策略。多个医疗领域已经实施了基于人工智能的自动图像分析，这些深度学习算法已越来越被认为是医疗保健领域的宝贵工具。因此，本研究的主要目标是开发深度学习算法，以提供对造口周围皮肤变色和渗漏模式变化的自动、一致和客观的评估。总共使用了 614 张造口周围皮肤图像来开发变色模型，该模型预测变色的造口周围皮肤面积的准确率为 95%，精确度和召回率分别为 79.6% 和 75.0%。基于 954 张产品图像开发了预测泄漏模式的算法，确定泄漏面积的准确率为 98.8%，精确度为 75.0%，召回率为 71.5%。综合起来，这些数据首次展示了人工智能在自动评估造口周围皮肤变色和泄漏模式变化方面的应用。