XiaoMi-AI文件搜索系统
World File Search System可变
Daniel B. Forger III博士数学系 使用机器学习的多输入记录链接 实时地形自适应局部轨迹计划者，用于可变形地形上的高速自动越野导航 将安全性与连接的自动卡车控制中的性能整合在一起：实验验证
教育1999年，马萨诸塞州哈佛大学剑桥市学士02138应用数学（医学科学）本科论文标题：“昼夜节振荡器的建模” 1999 M.S.哈佛大学艺术与科学研究生院（GSAS）剑桥，马萨诸塞州02138-3654应用数学（医学科学）2003 Ph.D.斯隆州纽约大学生物学系Blau实验室研究员，纽约，纽约，纽约，纽约，1999-299-299-29000摄氏训练前训练者，昼夜节律和呼吸神经生物学，北哈佛大学和女子医院，哈佛大学医学院（NRSA T32）分子生物学
如何在体外长大可变的大脑？
在现代神经生物学和神经药理学中，脑组织的体外模型摘要是一个有前途但尚未解决的问题。（病原）生理条件下大脑结构的复杂性和细胞对电池通信的多样性使这项任务几乎无法实现。但是，建立新型体外大脑模型将最终使人们更好地理解与发展相关或经验驱动的大脑可塑性，从而设计有效的方法来恢复异常的大脑功能。本综述的主要目的是总结有关当前正在使用的方法论方法的可用数据，并确定神经血管单元，血液脑屏障，血红经脊髓液屏障和verro模型的神经源性niche的最前瞻性趋势。手稿侧重于在体外4D模型中重现的成人神经发生，脑微循环和流体动力学的调节，以模拟脑发育及其对脑病理学的改变。我们讨论了研究大脑可塑性，破译大脑发育和衰老的个体特异性轨迹以及在体外模型中测试新药物候选者至关重要的方法。
在高维设置中的重要性可变需要分组
解释机器学习的决策过程如今对模型的增强和人类的理解至关重要。这可以通过评估罪恶变量的可变重要性来实现，即使对于高容量的非线性方法，例如深神经网络（DNNS）。虽然只有基于删除的方法（例如置换重要性（PI））可以带来统计有效性，但当变量相关时，它们会返回误导性结果。条件置换重要性（CPI）在这种情况下绕过PI的局限性。然而，在高维设置中，变量之间的高相关性取消了其有条件的重要性，使用CPI以及其他方法会导致不可靠的结果，这是一个超出的计算成本。通过聚类或一些先验知识对变量进行分组，从而获得了一些功率，并导致更好的解释。在这项工作中，我们介绍了BCPI（基于块的条件置换重要性），这是一个新的通用框架，用于可变知名度计算，并具有统计保证，可处理单个和组案例。此外，由于处理具有较高基数的组（例如一组给定模式的观察结果）既耗时又是资源密集型的，因此我们还引入了一种新的堆叠方法，扩展了具有适合组结构的次级线性层的DNN体系结构。我们表明，随后的方法随着堆叠的控制而扩展了I型误差，即使是高度相关的组，并且在基准中显示了最高的精度。更重要的是，我们在大规模的医学数据集中执行了现实世界数据分析，我们旨在展示我们的结果和生物标志物预测的文献之间的一致性。
使用深度学习的胸部X射线图像可变诊断的定量评估模型
这项研究的目的是证明使用深度学习模型在定量评估临床发现中通常会根据常规方案使用二进制测试结果进行二进制测试结果。胸部X射线是用于检测多种疾病的最常用的诊断工具，通常是定期检查的一部分。然而，当涉及可以限制为正常范围内但不被视为与疾病有关的发现时，医师发现的阈值可能会有所不同，因此有必要定义一种新的评估方法并量化它。这种方法的实施在时间和劳动方面都是困难而昂贵的。在这项研究中，总共使用83,005张胸部X射线图像来诊断胸膜增厚和脊柱侧弯的常见发现。一种新颖的方法，用于评估医生判断图像以使这些发现的可能性的概率。所提出的方法成功地使用了仅在二进制注释数据上训练的深度学习模型，成功地量化了Physicians的发现的变化。还证明，使用卷积神经网络进行一般图像分析以及基于矢量量化变异自动编码器的新知识的深度学习模型，可以将开发的方法应用于转移学习，其高相关性高0.89至0.97。
基于FPGA的可变增益放大器电路布局自动化...
本文介绍了一种使用工具命令语言 (TCL) 脚本语言自动完成可变增益放大器 (VGA) 布局设计的方法。TCL 自动化涉及编写脚本来自动执行设计综合、仿真、验证和布局生成等任务。所提出的方法包括两个步骤：首先，生成描述所需布局的 TCL 脚本，然后执行 TCL 脚本以生成布局。TCL 脚本由布局生成器生成，该生成器将 VGA 的规格作为输入，并生成根据 TCL 命令描述布局的 TCL 脚本。然后由布局放置器执行 TCL 脚本，该布局放置器根据 TCL 脚本的指令将单元放置在布局中。所提出的方法已经在给定的 VGA 电路上实现并进行了评估。结果表明，所提出的方法可以高精度、高效地自动完成 VGA 的布局设计。© 2024 由索哈杰大学工程学院出版。DOI：10.21608/SEJ.2023.235841.1046
具有可变性惩罚的生成分位数回归
分位数回归和条件密度估计可以揭示平均回归遗漏的结构，例如多模式和偏度。在本文中，我们引入了一个深度学习生成模型，以用于关节分位数估计，称为惩罚生成分位数回归（PGQR）。我们的方法同时生成了来自许多随机分位水平的样品，从而使我们能够在给定一组协变量的情况下推断响应变量的条件分布。我们的方法采取了一种新颖的可变性惩罚，以避免在深层生成模型中消失的可变性或记忆的问题。此外，我们引入了一个新的部分单调神经网络（PMNN），以避免穿越分位曲线的问题。PGQR的一个主要好处是，它可以使用单个优化来拟合，从而绕过需要在多个分位级别反复训练模型或使用计算上昂贵的交叉验证来调整罚款参数。我们通过广泛的模拟研究和对实际数据集的分析来说明PGQR的功效。实施我们方法的代码可在https://github.com/shijiew97/pgqr上获得。
DEGCN：基于骨架的动作识别的可变形图卷积网络
摘要 - 图卷积网络（GCN）最近进行了研究，以利用人体的图形拓扑用于基于骨架的动作识别。然而，不幸的是，大多数这些方法是通过动摇的各种动作样本的易加色模式汇总信息，缺乏对级别内部品种的认识和对骨架序列的适当性，这些骨骼序列通常包含冗余甚至有害连接。在本文中，我们提出了一个新型的可变形图卷积网络（DEGCN），以适应性地捕获最有用的关节。拟议的DEGC在空间图和时间图上学习了可变形的采样位置，从而使模型能够感知歧视性接受领域。值得注意的是，考虑到人类的作用本质上是连续的，相应的时间特征是在连续的潜在空间中定义的。此外，我们设计了创新的多分支框架，该框架不仅在准确性和模型大小之间进行了更好的权衡，而且还可以显着提高集合的效果。广泛的实验表明，我们提出的方法在三个广泛使用的数据集上实现了最新的性能，即NTU RGB+D，NTU RGB+D 120和NW-UCLA。
实时地形自适应局部轨迹计划者，用于可变形地形上的高速自动越野导航将安全性与连接的自动卡车控制中的性能整合在一起：实验验证
摘要 - 将效率与安全性结合起来是连接自动卡车的最重要设计挑战之一。在应对纵向控制问题的这一挑战中，我们提出了一种计划，该方案以无缝的方式将基于性能的控制器与面向安全的控制器集成在一起。此安全集成方案即时运行，并且与大型控制器兼容。我们首先将这种实用的整合方法链接到控制屏障功能的理论框架，该框架旨在赋予控制器具有正式安全保证。然后，通过此方案，我们安全地整合了一个预测型控制器，最大程度地限制了依靠连接性（连接的巡航控制-CCC）的面向安全的巡航控制器结构的能耗（预测巡航控制 - PCC）。重要的是，使用具有全面连接的自动化卡车的公路实验证明了PCC和CCC之间安全和无缝集成的效率。最初的实验活动是在封闭的测试轨道上举行的，并且由于CCC而实现了安全驾驶，而得益于PCC，可获得高达18％的能源。最后，实验扩展到公共高速公路，并以高达4.3％的节能获得了类似的结果。
可变阻抗控制的数据有效增强学习
抽象在机器人中实现类似人类的操纵技巧的最关键步骤之一是将合规性纳入机器人控制器中。合规性不仅使机器人的行为安全，而且使其更有效。在这个方向上，可变阻抗控制（VIC）方法为机器人提供了一个框架，以通过采用适应性阻抗法来适应其在执行过程中的合规性。尽管如此，按任务要求的自主调整合规性概况仍然是一个具有挑战性的问题，可以在实践中解决。在这项工作中，我们引入了一种加强学习（RL）的方法，称为DEVILC（数据效率可变阻抗学习控制器），以通过机器人的实际交互来学习可变阻抗控制器。更具体地说，我们使用一种基于模型的RL方法，在每次相互作用之后，机器人迭代地使用高斯过程回归模型学习了其动力学的概率模型。然后，该模型被用来优化调节机器人阻抗的神经网络政策，以使对任务的长期奖励最大化。多亏了基于模型的RL框架，Devilc允许机器人仅通过一些交互学习VIC策略，从而使其对现实世界应用程序实用。在模拟和实验中，我们在Franka Emika Panda机器人操纵器上评估Devilc，以在笛卡尔空间中的不同操纵任务。结果表明，Devilc是通过互动直接在现实世界中自主学习合规技巧的有希望的方向。链接中提供了一个实验的视频：https：//youtu.be/_uyr0vye5no。
一种适应性损害建模的自适应丽兹公式，以可变角度拖曳复合板
在这项工作中，提出，开发，实施和测试，用于分析具有损害启动和进化的可变角度拖曳复合板的自适应丽兹模型。使用一阶剪切变形理论表示板运动学表示，而在给定负载步骤处的板平衡方程是通过最小化结构势能来获得的。本构行为是在连续损伤力学框架内建模的。尤其是通过在拉伸或压缩载荷中定义与纤维和矩阵相关的不可逆伤害指数来跟踪损害的启动和演变。然后，通过假设能量最小化中主要运动学变量的多项式RITZ近似来获得离散方程。初步测试表明，该方法作为单域方法的应用如何引起有问题的虚假效应的出现，这与吉布斯人伪像有关，因为所选的多项式基础无法代表损害定位。因此，提出了一种自适应多域技术来规避此类问题，该问题已通过基准测试成功验证。最终，提出了有关在渐进式载荷下具有损害演变的可变角度拖放板的原始结果。