XiaoMi-AI文件搜索系统
World File Search System排序
FY-24 现役功绩重新排序免责声明 - MyNavyHR
担任少校之前所取得的宝贵成就 • 最低要求：连续任职（海上和岸上任务）中表现最佳；高级战争资格 • 次要标准：首次在岸上执行生产任务（NAWDC、FRS、VT/HT、测试）；在生产环境中表现优秀的军官优先于其他军官 • 第三标准：在三项合格任务中表现最佳的军官应该比他们的同行得到更好的考虑；JPME I 担任指挥官之前所取得的宝贵成就 • 最低要求：作战部门负责人里程碑任务中表现最佳；TACAIR/ROTARY 社区重视更长时间的认可表现；MARITIME 社区不因里程碑持续时间而歧视 • 次要标准：成功完成提名任务，在多个任职/报告高级人员和社区工作人员任务中表现最佳 • 第三标准：驻地研究生教育；FM/OA 经验； IA/GSA 担任 CAPTAIN 之前的宝贵成就 • 最低要求：公认的作战指挥领域的佼佼者 • 次要标准：成功完成提名任务，在海上和岸上主要参谋任务中公认的佼佼者 • 第三标准：驻地研究生教育；FM/OA 经验；联合合格军官
使用 AHP 和框架对供应链风险进行优先级排序...
[1] GA Zsidisin，“管理者对供应风险的认知”，《供应链管理杂志》，第 39 卷，第 4 期，第 14-26 页，2006 年，doi：10.1111/j.1745-493X.2003.tb00146.x。[2] T. Moyaux、B. Chaib-draa 和 S. D'Amours，“信息共享对订购方法在减少牛鞭效应方面的效率的影响”，《IEEE 系统、人与控制论汇刊》，C 部分 (SMC-C)，第 37 卷，第 3 期，第 396-409 页，2007 年，doi：10.1109/TSMCC.2006.887014。 [3] S. Fazli 和 A. Masoumi，“使用分析网络过程方法评估供应链的脆弱性”，《国际应用与基础科学研究杂志》，第 3 卷，第 13 期，第 2763-2771 页，2012 年。[4] M. Punniyamoorthy、N. Thamaraiselvan 和 L. Manikandan，“供应链风险评估：量表开发与验证”，《基准测试：国际杂志》，第 20 卷，第 1 期，第 79-105 页，2013 年，doi：10.1108/14635771311299506。[5] F. Aqlan 和 S. Lam，“供应链风险建模与缓解”，《国际生产研究杂志》，第 53 卷，第 13 期，第 2763-2771 页，2012 年。 18，第 5640-5656 页，2015 年，doi：10.1080/00207543.2015.1047975。[6] S. Ambulkar、J. Blackhurst 和 SJ Grawe，“企业对供应链中断的适应力：量表开发和实证检验”，运营管理杂志，第 33 卷，第 111-122 页，2015 年，doi：10.1016/J.JOM.2014.11.002。[7] A. Andjelkovic，“主动的供应链风险管理方法 - 塞尔维亚案例”，经济年鉴，第 62 卷，第 5640-5656 页，2015 年，doi：10.1080/00207543.2015.1047975。 214，第 121-137 页，2017 年，doi：10.2298/EKA1714121A。[8] T. Sawik，“供应链中断管理的投资组合方法”，《国际生产研究杂志》，第 55 卷，第 7 期，第 1970-1991 页，2017 年，doi：10.1080/00207543.2016.1249432。 [9] M. Pavlovi ć、U. Marjanovi ć、S. Raki ć、N. Tasi ć 和 B. Lali ć，“大数据在制造业的巨大潜力：来自新兴经济体的证据”，收录于：B. Lalic、V. Majstorovic、U. Marjanovic、G. von Cieminski 和 D. Romero（编），生产管理系统的发展。迈向智能数字化制造，2020 年，卷 AICT 592，第 100–107 页，doi：10.1007/978-3-030-57997-5_12。[10] J. Zhou、G. Bi、H. Liu、Y. Fang 和 Z. Hua，“理解员工能力、运营 IS 一致性和组织敏捷性——一种灵巧的视角”，信息与管理，卷55，第 6 期，第 695-708 页，2018 年，doi：10.1016/j. im.2018.02.002。[11] Y. Ju、H. Hou 和 J. Yang，“物流服务供应链中的整合质量、价值共创和弹性：数字技术的调节作用”，工业管理与数据系统，第 121 卷，第 2 期，第 364-380 页，2021 年，doi：10.1108/IMDS-08-2020-0445。[12] ZJH Tarigan、J. Mochtar、SR Basana 和 H. Siagian，“能力管理通过供应链整合和质量对组织绩效的影响”，不确定的供应链管理，第 9 卷，第 2 期，第 364-380 页，2021 年，doi：10.1108/IMDS-08-2020-0445。 2，第 283-294 页，2021 年，doi：10.5267/j.uscm.2021.3.004。[13] S. Chakraborty、S. Bhattacharya 和 DDDobrzykowski，“供应链协作对价值共创和公司绩效的影响：医疗服务业视角”，Procedia Economics and Finance，第 11 卷，第 676-694 页，2014 年，doi：10.1016/S2212-5671(14)00233-0。[14] B. Gaudenzi 和 A. Borghesi，“使用 AHP 方法管理供应链中的风险”，国际物流管理杂志，第 17 卷，第 1 期，第 114-136 页，2006 年，doi：10.1108/09574090610663464。[15] O. Khan 和 B. Burnes，“风险与供应链管理：制定研究议程”，国际物流管理杂志，第 18 卷，第 1 期，第 114-136 页，2006 年，doi：10.1108/09574090610663464。 2，第 197-216 页，2007 年，doi：10.1108/09574090710816931。[16] S. Jaffee、P. Siegel 和 C. Andrews，“快速农业供应链风险评估：概念框架”，世界银行，美国华盛顿特区：农业和农村发展部，2010 年。
b'量子图像\xef\xac\x81滤波是对经典图像\xef\xac\x81滤波算法的扩展，主要研究基于量子特性的图像\xef\xac\x81滤波模型。现有的量子图像\xef\xac\x81滤波侧重于噪声检测和噪声抑制，忽略了\xef\xac\x80滤波对图像边界的影响。本文提出了一种新的量子图像\xef\xac\x81滤波算法，实现了K近邻均值\xef\xac\x81滤波任务，在抑制噪声的同时，可以达到边界保持的目的。主要工作包括：提出一种新的用于计算两个非负整数之差绝对值的量子计算模块，从而构建了距离计算模块的量子电路，用于计算邻域像素与中心像素的灰度距离；改进现有的量子排序模块，以距离作为排序条件对邻域像素进行排序，从而构建了K近邻提取模块的量子电路；设计了K近邻均值计算模块的量子电路，用于计算选取的邻域像素的灰度均值；\xef\xac\x81最后，构建了所提量子图像\xef\xac\x81过滤算法的完整量子电路，并进行了图像去噪仿真实验。相关实验指标表明,量子图像K近邻均值\xef\xac\x81滤波算法对图像噪声抑制具有与经典K近邻均值\xef\xac\x80滤波算法相同的效果,但该方法的时间复杂度由经典算法的O 2 2 n降低为O n 2 + q 2 。
b'量子图像\xef\xac\x81滤波是对经典图像\xef\xac\x81滤波算法的扩展，主要研究基于量子特性的图像\xef\xac\x81滤波模型。现有的量子图像\xef\xac\x81滤波侧重于噪声检测和噪声抑制，忽略了\xef\xac\x80滤波对图像边界的影响。本文提出了一种新的量子图像\xef\xac\x81滤波算法，实现了K近邻均值\xef\xac\x81滤波任务，在抑制噪声的同时，可以达到边界保持的目的。主要工作包括：提出一种新的用于计算两个非负整数之差绝对值的量子计算模块，从而构建了距离计算模块的量子电路，用于计算邻域像素与中心像素的灰度距离；改进现有的量子排序模块，以距离作为排序条件对邻域像素进行排序，从而构建了K近邻提取模块的量子电路；设计了K近邻均值计算模块的量子电路，用于计算选取的邻域像素的灰度均值；\xef\xac\x81最后，构建了所提量子图像\xef\xac\x81过滤算法的完整量子电路，并进行了图像去噪仿真实验。相关实验指标表明,量子图像K近邻均值\xef\xac\x81滤波算法对图像噪声抑制具有与经典K近邻均值\xef\xac\x80滤波算法相同的效果,但该方法的时间复杂度由经典算法的O 2 2 n降低为O n 2 + q 2 。
FY23 NRP 资助的研究项目列表按排序
NPS-23-N059-A 生成对抗网络 (GAN) 在预测和操纵移动网络控制系统对手行为中的应用 Jefferson Huang NSWC Crane
一个统一的平台，使用 1250 种癌细胞系的转录组数据对 1562 种药物进行生物标志物排序和验证
简介：体外细胞系模型为研究可用于癌症全身化疗的化合物提供了宝贵的资源。然而，由于数据分散在几个不同的数据库中，这些资源的利用受到限制。在这里，我们的目标是建立一个平台，能够验证化学耐药性相关基因并对可用的细胞系模型进行排序。方法：我们处理了四个独立的数据库，DepMap、GDSC1、GDSC2 和 CTRP。对基因表达数据进行分位数归一化，并分配 HUGO 基因名称以明确识别基因。导出所有药物的耐药性值。使用 ROC 检验计算基因表达与治疗耐药性之间的相关性。结果：我们将四个数据集与 1562 种药物的化学敏感性数据和 1250 种癌细胞系的转录组水平基因表达相结合。我们已利用该数据库建立了一个在线工具，以便在统一的分析流程中关联可用的细胞系敏感性数据和治疗反应 ( www.roc- plot.com/cells )。我们利用已建立的流程对与阿法替尼和拉帕替尼（两种 ERBB2 酪氨酸激酶结构域抑制剂）耐药性相关的基因进行排序。讨论：该计算工具可用于 1) 将基因表达与耐药性关联起来，2) 识别和排序耐药和敏感细胞系，以及 3) 排序耐药相关基因、癌症标志和基因本体途径。该平台将通过验证基因-耐药性相关性和为新实验选择最佳细胞系模型，为加速癌症研究提供宝贵支持。2022 作者。由 Elsevier BV 代表计算和结构生物技术研究网络出版。这是一篇根据 CC BY 许可 ( http://creativecommons. org/licenses/by/4.0/ ) 开放获取的文章。
StarGazer：使用 Streamlit 进行药物靶标优先级排序和数字药物重新定位的混合智能平台
1 数据科学与人工智能、生物制药研发、阿斯利康、英国剑桥、2 乔治城大学、美国华盛顿特区、3 生物识别、肿瘤学研发、阿斯利康、波兰华沙、4 发现微生物组、生物制药研发、阿斯利康、美国马里兰州盖瑟斯堡、5 早期呼吸和免疫学、生物制药研发、阿斯利康、美国马里兰州盖瑟斯堡、6 研究数据与分析、研发 IT、阿斯利康、英国剑桥、7 发现科学、生物制药研发、阿斯利康、英国剑桥、8 数据科学与人工智能、生物制药研发、阿斯利康、美国马里兰州盖瑟斯堡、9 生物识别与信息科学、生物制药研发，阿斯利康，瑞典默恩达尔，10 神经科学，生物制药研发，阿斯利康，英国剑桥
针对细胞类型的机器学习序列优先级排序
1 美国匹兹堡卡内基梅隆大学计算机科学学院计算生物学系；2 美国匹兹堡卡内基梅隆大学梅隆科学学院生物科学系；3 美国匹兹堡卡内基梅隆大学神经科学研究所；4 美国匹兹堡大学医学科学家培训计划；5 美国匹兹堡大学转化神经科学计划精神病学系；6 美国匹兹堡大学神经生物学系；7 美国匹兹堡大学脑研究所系统神经科学中心、神经科学中心、认知神经基础中心；8 美国匹兹堡大学眼科学系； 9 美国费城宾夕法尼亚大学兽医学院临床科学与高级医学系实验视网膜治疗科；10 美国匹兹堡大学生物工程系
NaxNiyMn1-yO2 阴极中氧阴离子氧化还原活性与平面蜂窝状阳离子排序的相关性
此外，当 TMO 充电至更高电压时，晶格氧可以参与阴离子氧化还原以补偿电荷。[15,16] 因此，氧化还原反应会在首次充电时贡献额外的容量。由于晶格结构内的氧损失，相关容量在接下来的循环中通常可逆性要低得多。[17-19] 此外，过渡金属离子可以在晶格氧氧化还原反应过程中迁移到钠离子层，导致层状 TMO 的结构变形。[20,21] 因此，高能量密度 SIB 正极设计需要了解层状 TMO 中的氧阴离子氧化还原活性，以更好地设计正极材料，提高氧化还原活性的可逆性，从而稳定循环性能。层状钠 TMO 的晶格氧氧化还原活性已通过多种原位或非原位技术进行了表征，例如拉曼光谱、X 射线光电子光谱和 X 射线吸收光谱。[22 – 24] 结果通常揭示有关充电或放电时表面氧局部电子态变化的信息。[18,25,26] 此外，了解本体（晶格）氧氧化还原活性对于解释相关的晶格结构变化和电化学过程的可逆性至关重要。
重新排序量子计算的决策图比您想象的要难得难。
摘要。决策图已被证明是常规计算和量子计算中的有用数据结构，在许多情况下，可以按成倍的大数据呈指数级的数据结构。存在几种方法，以进一步减少决策图的大小，即它们的节点数量。重新排序是一种通过更改表示形式中变量顺序缩小决策图的方法。在传统世界中，这种方法是确定的，并将其可用性视为理所当然。对于量子计算，存在第一种方法，但无法完全利用类似的潜力。在本文中，我们研究了在常规世界和量子世界中重新排序决策图之间的差异，之后揭示了挑战，这些挑战解释了为什么在后者中重新排序更加困难。案例研究表明，对于量子计算，重新排序可能会导致在决策图的大小上的几个数量级改善，但也需要更多的运行时。