XiaoMi-AI文件搜索系统
World File Search System平方误差
基于学习的深度学习方法，用于解码从周围神经信号
上limb神经假体的最终目标是实现对单个纤维的灵巧和直观的控制。以前的文献表明，深度学习（DL）是从神经系统不同部分获得的神经信号中解码电动机的有效工具。但是，它仍然需要复杂的深层神经网络，这些神经网络是有效的，并且无法实时工作。在这里，我们研究了不同的方法，以提高基于DL的运动解码范式的效率。首先，应用了特征提取技术的全面集合来降低输入数据维度。接下来，我们研究了两种不同的DL模型策略：当可用大输入数据可用时，一步（1s）方法，当输入数据受到限制时两步（2s）。使用1S方法，一个单个回归阶段预测了所有纤维的轨迹。使用2S方法，一个分类阶段可以识别运动中的纤维，然后进行回归阶段，该回归阶段可以预测那些主动数字的轨迹。添加特征提取大大降低了电动机解码器的复杂性，使其可用于转换为实时范式。使用复发性神经网络（RNN）的1S方法通常比所有具有平均平方误差（MSE）范围的ML算法（MSE）范围在所有字符的范围为10-3到10-4的ML算法更好，而（VAF）分数（VAF）得分的范围为0.8，自由度（DOF）高于0.8（DOF）。此结果是DL比处理大数据集的经典ML方法更有优势。但是，当对较小的输入数据集进行训练如2S方法中时，ML技术可以实现更简单的实现，同时确保对DL的实现结果相似。在分类步骤中，机器学习（ML）或DL模型的准确性和F1得分为0.99。由于分类步骤，在回归步骤中，两种类型的模型都会使MSE和VAF分数与1S方法的分数相当。我们的研究概述了用于实施实时，低延迟和高精度DL基于DL的电机解码器的贸易交易。
挫折期间的功能连接
易怒性削减了许多儿科疾病，是儿童精神病学的常见投诉；但是，其神经机制尚不清楚。一种核心的病理生理学来定义易怒的反应异常，对令人沮丧的非奖励。在这里，我们进行了一项初步的FMRI研究，以检查令人沮丧的非奖励期间功能连通性预测转诊样本中易怒的能力。这项研究包括69名年轻人（平均年龄= 14.55岁），诊断组的易怒水平不同：颠覆性情绪失调障碍（n = 20），注意力激发/多动障碍（n = 14），焦虑症（n = 12）（n = 12）（n = 12）和对照组（n = 23）。在fMRI期间，参与者完成了令人沮丧的认知灵活性任务。通过操纵任务困难而引起了挫败感，以至于在需要认知能力的试验中，“挫败感”块具有50％的误差率和一些操纵的反馈，而“非施工”块的误差率为10％。挫败感和非施工块被随机散布。儿童和父母报告情感反应性指数用作易怒的维度措施。基于连接组的预测建模，一种机器学习方法，进行了十倍的交叉验证，以识别预测易怒的网络。在挫败感（但不是非施工）中的连通性预测儿童报告的烦恼（ρ= 0.24，根平方误差= 2.02，p = 0.03，置换测试，1000次迭代，单尾）。对年龄，性别，药物，运动，多动症和焦虑症状的结果进行了调整。烦恼的预测网络主要在运动感官网络中；在运动感官，皮层和显着性网络中；在这些网络以及额叶和内侧额叶网络之间。这项研究提供了初步证据，表明易怒性的个体差异可能与挫折过程中的功能连通性有关，这是一种与表型相关的状态。
用嗅觉和味觉大脑连通性网络预测酒精摄入模式
渴望酒精饮用者的饮酒者通常是由化学感应提示（例如口味和气味）引起的，这些提示与大脑网络连通性有关。这项研究旨在研究这些大脑连通性模式是否可以预测年轻人的酒精摄入量。静止状态fMRI数据是从人类连接组项目（HCP）的年轻成人队列中获得的，其中包括1003名参与者。分析了从100个独立组件产生的功能连接组，并在应用Benjamini-Hochberg（BH）方法应用错误发现率（FDR）校正后识别与味觉和气味得分相关的显着连接。然后将这些显着连接用作各种酒精摄入指标的一般线性模型中的预测因子。在独立样本中验证了模型以评估其准确性。训练样本（n = 702）和验证样本（n = 117）没有显着的人口差异。在742个可能的连接中，与气味相关的41个与味道有关的连接通过了FDR-BH校正后的显着性阈值（P <0.05）。值得注意的预测因子包括视觉连接性（Node32-Node13：β= 0.028，p = 0.02），用于葡萄酒的消耗和腹侧注意网络（van）和额叶壁/尾状核（FP/CN）（fp/cn）（Node27-Node9：node9：β= - 0.31，p = 0.04）之间的连通性和连通性，以确定量的时间和最高含量。过去一年。预测模型表现出很强的精度，与气味相关的模型的根平方误差（RMSE）值为5.15，而与味觉相关的模型为5.14。气味模型的F1得分为0.74，味觉模型为0.71，表明性能可靠。这些发现表明，与口味和嗅觉相关的大脑连通性的特定模式可以作为年轻人饮酒行为的预测指标。我们的研究强调了纵向研究的必要性，以评估早期筛查和靶向干预措施的味觉和气味相关的脑连通性模式的潜力，以及它们在具有AUD风险风险的个人的个性化治疗策略中的作用。
基于两期SEM-SVM方法的统计分析，用于环境噪声烦恼预测和影响因子的识别
背景和目标：噪声污染是一种环境压力源，主要是由于城市场景中的大量运输而造成的。交通噪音在城市环境中越来越关注，从而影响了公共卫生和福祉。随着城市化的扩展，理解和缓解流量引起的噪声烦恼变得越来越关键。本研究旨在开发一种机器学习模型，以预测沙特阿拉伯利雅得的交通引起的噪声烦恼。该研究探讨了人口统计学，噪声特征和交通状况诸如噪声烦恼之类的因素的影响。方法：在利雅得的21个地点进行了调查，收集了928名参与者的数据。调查包括有关人口统计学的问题（性别，年龄，教育，婚姻状况，职业），交通状况（交通流）和噪音感知（运输噪音，噪音敏感性，感知到的噪音）。采用的采样方法是分层和随机抽样的组合。分层抽样用于确保在调查中按比例表示各种人口统计细分（例如不同的年龄段，性别和教育水平）。结构方程模型用于分析收集的数据并确定因素烦恼的因素。这些重要因素然后用作支持向量机模型的输入变量，旨在预测噪声烦恼。使用均方根误差，平均绝对误差和R平方来评估支持向量机模型的性能。发现：结构方程模型分析表明，性别，年龄，教育水平，交通流量，交通噪音和个人噪声敏感性是噪声烦恼的重要原因。开发的支持向量机模型以1.416的根平方误差和0.90的确定系数达到了高度的精度。噪声敏感性成为影响噪声烦恼的最关键因素。结论：这项研究证明了机器学习的有效性，特别是支持向量机在预测流量引起的噪声烦恼方面的有效性。这些发现突出了个人特征和环境因素在噪声感知中的重要性，并且对于城市规划和缓解噪音策略而言可能是有价值的，从而促进了更弹性的城市环境。对于社区，城市规划师和政策制定者可以使用这些发现来通过实施噪声障碍，优化交通流以及执行更严格的噪音法规来设计无声区域。
在...
神经影像学研究越来越多地使用面向网络的分析来了解健康和分散个体的人脑。神经科学研究提供了证据，表明这些神经回路在解释人口之间的大脑功能差异方面起着至关重要的作用[1]。青少年脑认知发展（ABCD）研究[2]是美国脑发育和儿童健康的最大和长期研究。它为多样化的人群提供了广泛的大脑发展数据集，包括fMRI和丰富的生物学和行为调查结果。此数据集提供了一个机会，可以探索与错综复杂的大脑联系和丰富的行为数据之间的关系。最近有一种趋势是使用源自神经成像数据（例如fMRI）来预测各种临床结果的脑网络。然后分析这些模型以确定功能性脑网络与临床结果之间的潜在相关性。例如，Li等人。[3]提出了一个GNN模型来预测临床靶标，然后发现了特定于任务的神经系统标志物。此外，Chen等人。[1]在ABCD研究中为每个行为任务构建了单个模型，并分析了这些模型以捕获各种行为的关系。我们没有在这项工作中训练每个任务的单个模型，而是通过多任务学习（MTL）同时培训35个任务以及来自ABCD研究中7327个样本的休息状态功能性脑网络。MTL是一个框架，使多个学习任务能够共享其知识，从而改善了概括。所使用的骨干模型是脑网络跨前来[4]。MTL模型体系结构的概述如图1：大脑网络变压器将大脑网络转换为图形级别的嵌入，然后将其馈入每个预测目标的不同特定任务完全连接的网络（FCN）中。使用ADAM优化器对所有目标进行了端到端训练，并应用了平方误差以计算损失和评估性能。此外，我们为比较训练了35个单独的大脑网络变压器，一个用于每个任务。我们将35个任务包括在ABCD研究中，分为3个类别（域）：认知预测（15个任务），人格预测（9个任务）和心理健康预测（11个任务）。我们的实验结果表明，MTL的性能明显优于单任务mod-
探索病毒式伪notted RNA结构的从头算预测方法的准确性：回顾性队列研究
背景：第三级RNA结构的预测对医学领域（例如Messenger RNA [mRNA]疫苗，基因组编辑）和病毒转录物的探索很重要。尽管存在许多RNA折叠软件程序，但很少有研究仅将其关注的源头简化为病毒式Pseudoknotted RNA。这些调控假诺在基因组复制，基因表达和蛋白质合成中起作用。目的：本研究的目的是探索5个RNA折叠引擎，该发动机用于计算最低自由能（MFE）或最大期望准确性（MEA），当应用于先前使用诱变，序列比较，结构探测，结构探测，或核磁共振（NMR）的特定病毒式Pseudoknotted RNA。方法：对本研究中使用的折叠发动机进行了26次实验得出的短伪序列（20-150 nt），使用在测试软件预测准确性时很常见的指标：百分比误差，平均平方误差（MSE），敏感性，敏感性，敏感性，积极的预测值（PPV），Youden的INDEX（Youden's Intex（j）和f 1-score。本研究中使用的数据集来自包含398个RNA的pseudobase ++数据库，该数据库使用PRISMA（系统审查和荟萃分析的首选报告项目）的一组包含和排除标准进行了评估。在Mathews的参数之后，给定RNA序列内的基本配对被认为是正确或不正确的。结果：本文与以前的软件的迭代相比，与较旧的折叠引擎相比，RNA预测引擎具有更高的精度，例如PKISS。本文还报道说，当使用诸如F 1 -SCORE和PPV等指标评估时，MEA折叠软件并不总是以预测准确性的MFE折叠软件，而当应用于病毒式PseudokNotted RNA时。此外，结果表明，如果不应用辅助参数，例如Mg 2+结合，悬挂式最终选项和发夹型惩罚，则热力学模型参数将无法确保准确性。结论：这是将一套RNA折叠发动机套件应用于仅包含病毒式伪KNOTED RNA的数据集的首次尝试。本文报道的观察结果突出了不同的从头算预测方法之间的质量，同时实施了这样一种想法，即对更有效的RNA筛选更有效地了解细胞内热力学是必要的。
塑造公众支持更多碳捕获和存储项目的因素
摘要：电垂直起飞和着陆（EVTOL）飞机代表了一种关键的航空技术，以改变未来的运输系统。EVTOL飞机的独特特征包括降低噪声，低污染物的发射，有效的操作成本和灵活的可操作性，同时，这对先进的电力保留技术构成了关键的挑战。因此，由于EVTOL起飞过程中的巨大功率需求，最佳起飞轨迹设计至关重要。传统的设计优化，但是，以迭代方式采用高保真模拟模型，从而产生了计算密集型机制。在这项工作中，我们实施了一个支持替代物的倒数映射优化体系结构，即直接预测设计要求（包括飞行条件和设计约束）的最佳设计。经过训练的逆映射替代物执行实时最佳EVTOL起飞轨迹预测，而无需运行优化；但是，一个培训样本需要在此反映射设置中进行一个设计优化。反向映射的过度训练成本和最佳EVTOL起飞轨迹的特征需要开发回归生成的对抗网络（Reggan）代理。我们建议通过转移学习（TL）技术进一步增强Reggan的预测性能，从而创建一种称为Reggan-TL的方案。在这项工作中，发电机采用设计要求作为输入并产生最佳的起飞轨迹配置文件，而歧视器则在培训集中区分了生成的配置文件和真正的最佳配置文件。尤其是，提议的核根方案利用了由发电机网络和鉴别器网络组成的生成对抗网络（GAN）架构，并具有均一平方误差（MSE）和二进制跨透镜（BC）的组合损失，用于回归任务。综合损失有助于双重方面的发电机培训：MSE损失目标是生成的概况和培训对应物之间的最小差异，而BC损失则驱动了生成的配置文件，以与训练集共享类似模式。我们证明了Reggan-TL在空中客车A 3 Vahana的最佳起飞轨迹设计上的实用性，并将其与代表性替代物的性能进行了比较，包括多输出高斯工艺，条件gan和Vanilla Reggan。结果表明，Reggan-TL仅使用200个训练样本，而最佳参考替代物需要400个样本，达到了99.5％的概括精度阈值。培训费用减少了50％，降低了Reggan-TL实现的概括准确性的标准偏差，证实了其出色的预测性能和广泛的工程应用潜力。
对CO2的五个时间序列模型的比较分析...
董事，尼日利亚港口大学bourdillon.omijeh@uniport.edu.ng摘要的摘要准确的温室气体预测（GHG）排放对于解决气候变化和指导有效的缓解策略至关重要。我们开发并测试了高级技术，以改善时间序列的温室气体排放预测，以解决现有模型的局限性。我们的研究探索了各种算法，包括Arima，Sarima，ETS，先知和TBAT，以确定最有效的方法，用于捕获尼日利亚河流Harcourt港特有的温室气体数据中复杂的季节性和非线性模式。我们使用ADF和KPSS测试测试了时间序列的平稳性。使用网格搜索和Akaike信息标准（AIC）优化了其处理趋势和季节性组件的能力和季节性组件的能力。然后，我们将其与Arima，Sarima，Prophet和TBATS模型进行了比较。ETS模型的表现优于其他模型，在观察到的数据的95％置信区间内预测了CO₂值，平均绝对误差（MAE）为14.82，而根平方误差（MSE）为18.91。这项研究标志着温室气体排放预测的重大进步，强调了调整模型在环境科学中的实践价值及其与政策决策的相关性。未来的工作应着重于完善这些模型以实时使用，以确保计算效率和预测精度之间的平衡，以为决策者和环境科学家提供可行的见解。关键字：时间序列，发射，温室气体，预测，指数平滑。简介预期温室气体（GHG）排放对于制定有效减轻气候变化的策略至关重要。2023年，国际能源局（IEA）报告说，全球能源相关的二合作的排放量增长了1.1％，达到创纪录的37.4 gigatonnes（GT）（GT）（IEA，2023年）。这强调了气候缓解当局深入了解当前和未来排放趋势的重要性，以开发和实施有效的对策。本文回顾了用于温室气体排放预测的预测模型和算法，检查了其优势和缺点，如先前的研究中所强调的那样。重点是了解对这些低效率的研究如何指导预测准确性的改善。温室气体（温室气体）是捕获并重新发射红外辐射的大气气体，导致温室效应。尽管这种作用对于维持生命的温度至关重要，但人类活动（例如燃烧化石燃料和森林砍伐）却显着增加了温室气体排放，导致全球变暖和气候变化（英国地质调查，2023年）。二氧化碳（CO₂），主要的温室气体，主要是通过燃烧化石燃料（例如煤炭，石油和天然气）以及工业
主动供应链风险管理的机器学习：
摘要：供应链（SC）功效和效率可能会受到订单延误的延误，尤其是在当今快节奏的商业环境中。有效的降低风险需要确定容易延迟的供应商以及对未来中断的准确预测。准确预测可用性日期是成功执行物流操作的关键因素。通过利用机器学习（ML）技术，组织可以主动识别高风险供应商，预测延误并实施积极的措施，以最大程度地减少其对制造过程和整体SC绩效的影响。本研究探索并利用各种回归和分类ML算法来预测未来的延迟交付，确定订单交付的状态，并根据其交付性能对供应商进行分类。The employed models include K-Nearest Neighbors (KNN) Random Forest (RF) Classifier and Regression, Gradient Boosting (GB) Regres- sion and Classifier, Linear Regression (LR), Decision Trees(DT) Classifier and Regression, Logistic Regression and Support Vector Machine (SVM) Based on real data, our experiments and evaluation metrics including Mean Ab- solute Error (MAE), Mean Squared Error （MSE）和根平方误差（RMSE）表明，基于隔离的回归算法（RF回归和GB回归）提供了最佳的概括误差，并且优于测试的所有其他回归模型。同样，逻辑回归和GB分类器根据精度，回忆和F1分数指标优于其他分类算法。从这项研究中获得的知识可以帮助积极地识别高危供应商，并在面对意外的破坏时采用主动行动来提高韧性，此外SC效率和降低制造障碍。关键词：SC风险管理，订单延迟，机器学习，SC中断，供应商绩效介绍今天的SC在非常有竞争力和染色的环境下起作用。公司一直在寻找改善其流程并提高客户满意度的方法，因为它们一直在改变[1]。延迟需求是SCS遇到的问题，当时计划期间未提供商品。许多方面，例如客户的优先偏好，生产延迟或运输和收到的问题的意外变化，可能会导致延迟。与订单相关产品的准时交付是公司的关键成功因素。确保高水平的交付可靠性仍然是制造商的重中之重，并且与成本和质量一起，是成功实现全球竞争的最重要先决条件之一[2]。SC的复杂性上升意味着影响组织的不一致并不总是相同的，并且可能会随着时间的流逝而发展。此外，每个组织都应主动而不是反应地识别