XiaoMi-AI文件搜索系统
World File Search System排序
DeepDicomSort：一种针对脑磁共振成像数据的自动排序算法
摘要 随着医学成像研究中使用的数据集规模不断扩大，对自动化数据管理的需求也随之增加。一项重要的数据管理任务是对数据集进行结构化组织，以保持完整性并确保可重用性。因此，我们研究了此数据组织步骤是否可以自动化。为此，我们设计了一个卷积神经网络 (CNN)，可根据视觉外观自动识别八种不同的脑磁共振成像 (MRI) 扫描类型。因此，我们的方法不受扫描元数据不一致或缺失的影响。它可以识别造影前 T1 加权 (T1w)、造影后 T1 加权 (T1wC)、T2 加权 (T2w)、质子密度加权 (PDw) 和派生图（例如表观扩散系数和脑血流）。在第一次实验中，我们使用了脑肿瘤患者的扫描结果：719 名受试者的 11065 次扫描用于训练，192 名受试者的 2369 次扫描用于测试。CNN 的总体准确率达到 98.7%。在第二个实验中，我们用第一个实验中的所有 13434 张扫描图训练 CNN，并用 1318 名阿尔茨海默病患者的 7227 张扫描图测试 CNN。在这里，CNN 的总体准确率达到了 98.5%。总而言之，我们的方法可以准确预测扫描类型，并且可以快速自动地对脑部 MRI 数据集进行分类，几乎无需人工验证。通过这种方式，我们的方法可以帮助正确组织数据集，从而最大限度地提高数据的可共享性和完整性。
基于人工智能应用对气候和城市参数在新冠肺炎确诊病例中的作用进行优先排序和分析
摘要：如今，传染病爆发被认为是可持续发展进程中最具破坏性的影响之一。新型冠状病毒（COVID-19）作为一种传染病的爆发表明，它对社会、环境和经济产生了不良影响，并带来了严重的挑战和威胁。此外，研究优先排序参数对于减少这场全球危机的负面影响至关重要。因此，本研究的主要目的是对某些环境参数进行优先排序和分析其作用。为此，选择了意大利的四个城市作为案例研究，并将一些值得注意的气候参数（例如每日平均气温、相对湿度、风速）和城市参数人口密度作为输入数据集，将确诊的 COVID-19 病例作为输出数据集。在本文中，使用了两种人工智能技术，包括基于粒子群优化（PSO）算法和差分进化（DE）算法的人工神经网络（ANN），用于对气候和城市参数进行优先排序。分析基于特征选择过程，然后比较所提模型的结果以选择最佳模型。最后，两个模型的性能在成本函数上的差异约为 0.0001，因此，两种方法在成本函数上没有差异，但是，ANN-PSO 被发现更好，因为它在比 ANN-DE 更少的迭代次数中达到了所需的精度水平。此外，城市参数和相对湿度这两个变量的优先级在预测 COVID-19 确诊病例方面最高。
排序、网络分析和能源需求建模……
在第二种情况下，我们将实际活动数据与能源需求建模领域常用算法（一阶马尔可夫链技术）生成的合成活动数据进行比较。先前的研究已经验证了这项技术，证明该技术生成的合成数据足以与真实数据进行比较，可用于此类能源需求模型 [8,14]。与先前的研究相反，我们的结果表明，合成数据与真实数据存在很大差异，表明该技术无法捕捉真实数据中存在的活动序列的特征。这项工作为自下而上的基于活动的能源需求建模领域增加了价值，因为它对常用的建模算法提出了新颖的建设性批评，并展示了一种新技术的使用，可用于未来验证此类模型的输出。
迭代变量重新排序：驯服庞大的系统家族*
对于使用模型检查技术进行的系统验证，基于二元决策图 (BDD) 的符号表示通常有助于解决众所周知的状态空间爆炸问题。基于符号 BDD 的表示也被证明可以成功分析出现的系统族，例如，通过可配置参数或遵循面向特征的建模方法。此类系统族的状态空间面临参数或特征数量的额外指数爆炸。众所周知，有序 BDD 中变量的顺序对于模型表示的大小至关重要。特别是对于从现实世界系统自动生成的模型，由于变量顺序错误，族模型甚至可能无法构建。在本文中，我们描述了一种称为迭代变量重新排序的技术，它可以构建大规模的族模型。我们通过一个具有冗余机制的飞机速度控制系统来证明我们的方法的可行性，该系统以概率模型检查器 P RISM 的输入语言建模。我们表明，标准重新排序和动态重新排序技术分别由于内存和时间限制而无法构建系列模型，而新的迭代方法则成功生成了符号系列模型。
通过快速热退火，辅以嵌段共聚物薄膜中的液晶排序，在多功能基底上形成垂直排列的纳米域
除极少数例外情况外，这都是必要的。32,33 由于 c 值低，该系统的特征尺寸很难达到 22 纳米以下。26,34 因此，人们对这种 BCP 以及包含相关片段的相关 BCP 进行了广泛关注，以提高其在下一代光刻技术中的性能。35,36 然而，到目前为止，通过在低温下快速热退火（例如几分钟）在多功能基底上的小特征尺寸的 BCP 薄膜内获得正常排列的圆柱形或层状畴仍然是一项艰巨的挑战。此前，一些研究小组报道，聚甲基丙烯酸酯疏水嵌段（表示为 PMA(Az)）侧链中含偶氮苯的液晶 (LC) 链段有助于通过热退火或溶剂退火形成正常排列的圆柱形微区 37 – 39，包括聚环氧乙烷 (PEO) 40 – 42 和聚 (4-乙烯基吡啶) (P4VP) 43。对于这些 BCP，圆柱体的相窗口相当宽。此外，P4VP- b -PMA(Az) 薄膜需要长期溶剂退火，43 这不适合用于下一代光刻技术。而且，这些 BCP 的蚀刻选择性不足。44,45
当前的 gRNA 排序预测算法对植物基因组编辑有用吗？
通过传统育种将新特性引入作物通常需要几十年的时间，但最近开发的基因组序列修饰技术有可能加速这一过程。这些新育种技术之一依赖于 RNA 指导的 DNA 核酸酶 (CRISPR/Cas9) 在体内切割基因组 DNA，以促进序列的删除或插入。这种序列特异性靶向由向导 RNA (gRNA) 决定。然而，选择最佳 gRNA 序列有其挑战。几乎所有当前用于植物的 gRNA 设计工具都是基于动物实验数据，尽管许多工具允许使用植物基因组来识别潜在的脱靶位点。在这里，我们检查了八种不同的在线 gRNA 位点工具的预测一致性和性能。不幸的是，不同算法的排名之间几乎没有共识，排名与体内有效性之间也没有统计学上显着的相关性。这表明，影响植物中 gRNA 性能和/或靶位点可及性的重要因素尚未阐明并纳入 gRNA 位点预测工具中。
使用 Thorpe 排序估计混合的两种方法的比较
使用 Thorpe 排序和尺度分析对 2017 年春季收集的一些高分辨率 CTD 数据进行了分析，包括常用的“Thorpe 尺度”方法和较少使用的方法，该方法基于直接估计“可用翻转势能”（AOPE）：混合“湍流斑块”中原始密度剖面与排序密度剖面的势能之间的差异。剖面仪的速度各不相同，因此空间（垂直）采样不均匀。开发并描述了一种方法，将 Thorpe 缩放和 AOPE 方法应用于这种不均匀采样的数据。 AOPE 方法似乎对“背景”浮力频率 N 的估计（约束性较差）不太敏感。虽然这些方法通常用于首先估计湍流动能的耗散率 « K，但真正的目标是估计密度扩散率 K r，从而估计混合对密度分布的净改变。两个易于测量的无量纲参数被提出作为混合斑块“年龄”或“状态”的可能指标，这可能有助于解决总湍流能量和耗散如何在动能和势能成分之间分配的问题，以及测量的 AOPE 中有多少最终会改变背景分层。下面提供了一个关于其如何工作的推测性示例。
间隔和压力表征到达排序
摘要 — 本文对欧洲四座机场的到达航班排序进行了分析，这四座机场代表了不同类型的运营，共有超过 14,000 对飞机。目的是更好地理解和描述高峰期密集复杂环境中的排序方式。该分析纯由数据驱动，侧重于飞行额外时间、间隔偏差和顺序压力的演变。主要结果是：（1）在距离终点 15 分钟时，平均飞行额外时间为 4 到 6 分钟（取决于地形），变化范围在 ±2.5 到 ±4 分钟之间；（2）在距离终点 15 分钟时，间隔偏差从 ±3 分钟到 ±4 分钟不等，在距离终点 2 分钟时收敛到零； (3) 顺序压力（如果没有排序，则共享同一到达时段的航班数量）在进入终端区时较低，然后在距离终点一定距离/时间时达到峰值，然后逐渐降低至接近终点时每时段一架航班的目标压力。终端区的压力水平及其峰值分布在不同的目的地之间存在明显差异，突出了排序技术的效果。未来的工作将涉及分析高压情况，以确定适当的压力特性，即所需的最小压力和可接受的控制器工作量之间的权衡。