XiaoMi-AI文件搜索系统
World File Search System因子分析
技术硕士课程大纲能源学院...
课程内容 第一单元（16 个接触时段） 研究的意义和目标、优秀研究的标准、研究的意义、研究的类型、研究方法：历史方法、案例研究方法、调查方法和实验方法。 研究过程、研究问题的确定和制定、文献综述的相关性。 假设：类型和特点。 研究设计：优秀研究设计的需要、特点和特性。 不同的研究设计：描述性、探索性和实验性。 抽样调查设计：人口普查和抽样调查的概念、抽样和非抽样误差、概率和非概率抽样设计及其类型。 第二单元（16 个接触时段） 测量和缩放技术：定性和定量数据的测量尺度、缩放技术：比较和非比较、多维缩放。 数据收集：收集原始数据和次要数据的方法、问卷设计。 数据准备过程：编辑、编码、分类、制表和图形表示。描述性统计：集中趋势测量、离散度测量和关系测量。属性关联。概率分布的概念，正态分布、二项分布和泊松分布。第三单元（16 个接触期）矩阵、向量和微积分的基本知识。推论统计：点和区间估计、样本量的确定。抽样分布。I 类和 II 类错误。假设检验程序、t 检验、z 检验、卡方检验、F 检验、方差分析。回归分析：简单线性回归、多元线性回归、逻辑回归。多重共线性问题。因子分析：质心和主成分方法。撰写科学报告、撰写研究项目提案、学术道德和剽窃、知识产权和专利法。
使用高斯过程因子模型识别神经种群活动中的信号和噪声结构
神经数据集通常包含在重复刺激或行为的多个试验中测量神经活动的测量。对此类数据集的分析中的一个重要问题是表征神经活动的系统方面，这些方面携带有关重复刺激或感兴趣的行为的信息，这些刺激或行为可以视为“信号”，并将它们与在活动到试验中的频率分开，而这些活动的刺激时间却不是时间到刺激，而这些分析可以被视为“噪声”。高斯过程因子模型为识别高维神经数据中的共享结构提供了强大的工具。但是，它们尚未适应多试验数据集中信号和噪声的问题。在这里，我们通过提出“信号 - 噪声”泊松泊式高斯过程因子分析（SNP-GPFA）来解决这一缺点，这是一种可浮动的潜在可变模型，可在神经种群尖峰活动中解析信号和噪声潜在结构。为了了解模型的参数，我们引入了一个傅立叶黑框变分推理方法，该方法迅速识别平滑的潜在结构。最终的模型可靠地发现了大规模记录中的潜在信号和试验到试验噪声相关的闪光。我们使用此模型表明，在猴子V1中，噪声闪烁在子空间正交中对信号活动的扰动神经活动，这表明逐审噪声不会干扰信号表示。最后，我们扩展了模型以捕获多区域数据中大脑区域的统计依赖性。我们表明，在鼠标Visual Cortex中，在大脑区域之间具有共享噪声的模型超过具有独立每个区域噪声的模型。
绿色能源应用中并联运行逆变器的新型鲁棒控制策略
摘要：本研究提出了一种适用于消费者住宅区的混合交流/直流微电网，该微电网采用可再生能源，以满足需求。目前，发电和消费经历了重大转变。其中一个趋势是将微电网整合到配电网中，其特点是可再生能源资源的高渗透率以及并联运行。可以采用传统的下垂控制来获得混合交流/直流微电网并联逆变器之间准确的稳态平均有功功率分配。假设具有相同下垂增益的相同逆变器会有相似的瞬态平均功率响应，并且单元之间不会有环流。然而，瞬时功率可能会受到不同线路阻抗的很大影响，从而导致逆变器之间流动的环流功率发生变化，尤其是在负载变化等意外干扰期间。如果该功率被逆变器吸收，则可能导致直流母线电压突然升高并使逆变器跳闸，进而导致整个混合微电网的性能下降。当混合发电机充当单向电源时，问题将进一步恶化。在这项研究工作中，我们提出了一种适用于混合微电网的新型分布式协调控制，该系统可应用于包括可变负载和混合能源的并网模式和孤岛模式。此外，为了选择最有效的控制器方案，设计了参与因子分析以约束直流母线电压并降低循环功率。此外，对于光伏电站和风力涡轮机，都使用了最大功率点跟踪 (MPPT) 技术，以便在环境条件存在差异时从混合电力系统中提取最大功率。最后，通过模拟结果确认了引入的混合微电网策略在不同模式下的可行性和有效性。
已出版版本的引用（APA）：Naji Alhasnawi，B.，H. Jasim，B.，Anvari-Moghaddam，A.，和Blaabjerg，F.（2020）。一种新的鲁棒控制策略
摘要：本研究提出了一种适用于消费者住宅区的混合交流/直流微电网，该微电网采用可再生能源，以满足需求。目前，发电和消费经历了重大转变。其中一个趋势是将微电网整合到配电网中，其特点是可再生能源资源的高渗透率以及并联运行。可以采用传统的下垂控制，以便在混合交流/直流微电网的并联逆变器之间获得准确的稳态平均有功功率分配。假设具有相同下垂增益的相同逆变器会有相似的瞬态平均功率响应，并且单元之间不会有循环电流流动。然而，瞬时功率可能会受到不同线路阻抗的很大影响，从而导致逆变器之间流动的循环功率发生变化，尤其是在负载变化等意外干扰期间。如果逆变器吸收了这种功率，可能会导致直流链路电压突然升高并跳闸，进而导致整个混合微电网的性能下降。当混合发电机充当单向电源时，问题会进一步恶化。在本研究工作中，我们提出了一种适用于混合微电网的新型分布式协调控制，该控制可应用于包括可变负载和混合能源的并网和孤岛模式。此外，为了选择最有效的控制器方案，设计了参与因子分析来约束直流母线电压并降低循环功率。此外，对于光伏电站和风力涡轮机，当环境条件存在差异时，最大功率点跟踪 (MPPT) 技术已被用于从混合电力系统中提取最大功率。最后，通过仿真结果证实了引入的混合微电网策略在不同模式下的可行性和有效性。
引用本文：Burhanüzüm，MithatElçiçek和Ata Pesen（2024年8月5日）：教师对人工智能的看法量表的发展
摘要本文旨在制定教师对教育中人工智能使用的看法量表。规模开发研究是在2023 - 2024年ACA DEMIC年内在两个阶段进行的，涵盖了597位教师，他们说他们使用了不同的人工智能应用。文献进行了彻底的审查，并与在汇总规模项目的同时使用人工智能应用的老师进行了焦点小组访谈。咨询了现场专家教职员工，以评估量表的面部和内容有效性。对从第一样品组获得的数据（N¼424）进行了探索性因子分析，并在第一阶段确定了三因素结构。据观察，由18个项目组成的初稿量表的因素显示出总差异的57.8％。对第二阶段的第二个样本组（N¼173）收集的数据进行了第一个验证性FAC TOR分析。已经证实，由18个项目和三个因素（教导感知，学习感知和道德知觉）组成的结构与数据兼容。在教师对教育中人工智能使用的感知量表进行了第一级验证性因素分析之后，进行了二级验证性因素分析，以阻止构成量表的因素是否揭示了变量。最终比例由15个项目和三个维度组成，被确定与获得的数据兼容。可靠性分析表明，整个量表的Cronbach Alpha内部一致性系数被计算为.87，用于学习感知的.82，用于教学感知的.79和.79的道德感知。结果表明，教师对教育中人工智能使用的看法量表是有效且可靠的，并且是确定对教育中人工智能使用的看法的合理测量工具。
商业实体战略中的社会责任
摘要：社会责任是公司实践的常见部分，也是科学研究的既定话题。外国研究反复得出结论，将社会责任纳入公司战略和对CSR各个方面的战略管理的一致整合，增强了公司的成长，带来了竞争优势，并为社会的可持续发展做出了贡献。本文的目的是找出与企业企业社会责任的战略概念的捷克共和国商业实体，与那些社会责任的方法相比，企业企业社会责任的战略概念是否取得了更好的经济结果。此外，它试图回答一个问题，即通过不同的公司战略，希望专注于支持公司增长的不同CSR活动。对战略性企业社会责任和基本经济特征的维度进行了调查，对从事企业社会责任的400多家捷克公司进行了调查。通过聚类分析，因子分析和多项式逻辑回归的方法处理数据。结果表明，CSR的更先进（即战略性）概念与实现经济繁荣之间存在联系。还发现，具有不同公司战略的公司应仔细考虑各个CSR活动的好处。所有三种策略均表现出了针对员工和当地社区的活动产生的积极影响。差异化策略显示了培养市场环境和保护人权保护的最高质量战略的好处。以最低的价格策略，额外的企业社会责任活动并不意味着经济优势。结论有助于阐明捷克商业环境中战略企业社会责任与公司增长之间的联系，并贡献特定的知识，如果公司想加强其对社会负责的活动的积极影响，则可以实施这些知识。
经验主义和务实的分类
一段时间以来，刘易斯的论文主导了英国精神病学。然而，在1950年代后期（几乎是在原始论文发表发表之后的四分之一世纪）的争议，无论所有抑郁症都是同一内源性疾病还是构成在连续体上分发的不同疾病，再次爆发（Ban，1981）。由此产生的研究导致了一些经验分类，这些分类基于从抑郁症患者中收集的广泛描述性数据，并提交了多元统计技术，例如因子分析，集群分析或多个歧视分析。采用这种方法Kiloh and Garside（1963）确定了将观测值分裂为正载和负负载。内源性抑郁症（年龄超过30岁，早晨抑郁症恶化，体重减轻7磅。或更多）和神经性抑郁症（对环境变化，自怜，初始失眠）有所区分。同样，肯德尔（Kendell，1968）在第四个分析顺序上确定了两极因素对比精神病性抑郁症和神经质抑郁症。通过采用主成分分析，他发现神经抑郁症的三个主要症状是焦虑，紧张和短暂的疾病持续时间。在同一框架参考中，汉密尔顿和怀特（1959）发现抑郁症患者与抑郁症患者的不同人群组成。Grinker等。（1961）分开了四种类型的抑郁症：智障，焦虑，下软骨和愤怒。总体等。（1966）区分了三类抑郁：智障，焦虑和敌对。Paykel（1972）描述了四类抑郁症：精神病，焦虑，敌对和“人格障碍年轻人的抑郁症”。Klein（1974a，b）提出了三组抑郁：内生态，慢性吞咽和反应性。Raskin和Crook（1976）确定了四类抑郁症：搅动，神经质，内源性和“抑郁症患者的性格差”（表X）。
新鲜的冷冻血浆可能会降低内皮水平
背景：重大烧伤的患者与结晶和胶体的组合复苏。在烧伤复苏期间，还可以将新鲜的冷冻血浆（FFP）作为辅助性胶体溶液燃烧的患者（TBSA）燃烧。FFP可能会减少与大型TBSA烧伤相关的内皮功能障碍。此外，FFP可能通过影响脂肪衍生的干细胞释放的细胞因子水平（ADSC），特别是细胞因子VEGFF-A来改变患者的炎症状态。这项研究旨在研究FFP对烧伤患者VEGF-A水平的作用。方法：在IRB批准后，在初次手术期间从成年患者中收集脂肪组织。ADSC。荧光激活的ADSC的单细胞分选（FACS），以确定CD105，CD90和CD73抗体的纯度。ADSC在标准组织培养条件下生长，并收集上清液进行细胞因子分析。使用线性回归分析数据，以将FFP的总量与VEGF-A水平绘制总量以及Spearman相关性。结果：这项研究纳入了燃烧后36小时内接受FFP的14名患者。给出的FFP量为258-3186毫升，平均为1465±715 ml。这些患者的平均TBSA为42±22％，平均患者年龄为53±16岁。未来的研究需要增加样本量以支持这一发现。线性回归和Spearman相关性均显示出FFP量之间的中等强度相关性（r = -0.5758和Spearman系数= -0.433）。结论：VEGF-A先前已被证明在血管生成中起作用，这可以增加炎症细胞浸润并导致内皮细胞功能障碍。接受较高FFP水平的患者与较低水平的VEGF-A相关，表明较高剂量的FFP和降低的内皮细胞功能障碍之间可能存在相关性。
神经影像学
典型相关分析 (CCA) 及其正则化版本已在神经影像学界广泛用于揭示两种数据模式（例如，脑成像和行为）之间的多变量关联。然而，这些方法具有固有的局限性：（1）关于关联的统计推断通常不够稳健；（2）未对每种数据模式内的关联进行建模；（3）需要估算或删除缺失值。组因子分析 (GFA) 是一种分层模型，通过提供贝叶斯推断和建模特定于模式的关联来解决前两个限制。在这里，我们提出了一种处理缺失数据的 GFA 扩展，并强调 GFA 可用作预测模型。我们将 GFA 应用于由人类连接组计划 (HCP) 的大脑连接和非成像测量组成的合成和真实数据。在合成数据中，GFA 揭示了潜在的共享和特定因素，并正确预测了完整和不完整数据集中未观察到的数据模式。在 HCP 数据中，我们确定了四个相关的共同因素，捕捉情绪、酒精和药物使用、认知、人口统计和精神病理学测量与默认模式、额顶叶控制、背部和腹侧网络和岛叶之间的关联，以及两个描述大脑连接内关联的因素。此外，GFA 预测了一组来自大脑连接的非成像测量。这些发现在完整和不完整的数据集中都是一致的，并且复制了文献中以前的发现。GFA 是一种很有前途的工具，可用于揭示基准数据集（例如 HCP）中多种数据模式之间的关联，并且可以轻松扩展到更复杂的模型以解决更具挑战性的任务。
miso：优化大脑刺激以创建神经种群活动状态
大脑刺激有可能创建所需的神经种群活动状态。然而，搜索大量刺激参数的空间是一项挑战，例如，选择用于刺激的电极的子集。在这种情况下，创建一个模型，将刺激参数的配置映射到大脑的响应可能是有益的。训练这样的广泛模型通常需要比给定的实验会议中收集的刺激反应样本更多。此外，随着时间的推移，记录活动的性质的变化可能使其在整个会话之间合并刺激反应样本具有挑战性。为了应对这些挑战，我们提出了Miso（微刺激优化），这是一个闭环刺激框架，通过在较大的刺激参数空间上进行优化，以推动神经种群活动向特定状态。MISO由三个关键组成部分组成：1）一种神经活动对准方法，以合并跨会话的刺激 - 反应样本，2）对合并样品进行训练的统计模型，以预测大脑对未测试刺激参数的响应，以及3）在线优化的ALGORITHM，以对刺激的刺激进行刺激效果，以对刺激进行刺激效果。在这项研究中，我们通过基于因子分析（FA）的对准方法，卷积神经网络（CNN）和Epsilon Greedy优化算法实施了MISO。我们在非人类灵长类动物的前额叶皮层中使用电微刺激测试了闭环实验中的味iso。在CNN预测的指导下，Miso在数千种刺激参数构型中成功搜索，以推动神经种群的活动向指定状态。更广泛地，MISO通过实现多重倍刺刺激参数空间来提高神经调节技术的临床活力。