1 德克萨斯大学奥斯汀分校戴尔医学院 Livestrong 癌症研究所肿瘤学系,德克萨斯州奥斯汀 78712,美国。2 克利夫兰诊所免疫治疗和精准免疫肿瘤学中心,俄亥俄州克利夫兰 44195,美国。3 德克萨斯大学 MD 安德森癌症中心表观遗传学和分子致癌学系,德克萨斯州休斯顿 77230,美国。4 德克萨斯大学 MD 安德森癌症中心生物信息学和计算生物学系,德克萨斯州休斯顿 77030,美国。5 贝勒医学院定量和计算生物科学项目,德克萨斯州休斯顿 77030,美国。6 德克萨斯大学奥斯汀分校自然科学学院跨学科生命科学研究生项目 (ILSGP),德克萨斯州奥斯汀 78712,美国。 7 德克萨斯大学奥斯汀分校奥登计算工程与科学研究所 (ICES),美国德克萨斯州奥斯汀 78712。8 德克萨斯大学奥斯汀分校科克雷尔工程学院生物医学工程系,美国德克萨斯州奥斯汀 78712。
摘要:能源领域越来越多地采用间歇性可再生能源,这也增加了电池存储系统的使用。然而,不当处置电池对环境造成的负面影响引发了关于其可持续性的争论。为了确保妥善处理电池废弃物,需要确定和排序最受欢迎的电池“报废”处理替代方案。本文重点使用改进的三角直觉模糊聚合和排序函数 (TIFARF) 模型来确定最受欢迎的电池“报废”处理替代方案。为了测试提出的改进型 TIFARF 模型,收集了尼日利亚可再生能源领域专家的意见,结果表明,最受欢迎的替代方案是焚烧,接近系数为 0.130,而最不受欢迎的替代方案是回收,其接近系数为 0.112。结果表明,缺乏对电池报废后进行妥善回收所需的设施;如果有足够的设施,专家的意见可能会偏向其他替代方案。未来的研究应侧重于更多的电池“报废”处理替代方案,以及拥有足够设施来管理报废电池的国家。
当一个大国同时面对多个同等竞争对手时,该怎么办?纵观历史,帝国不得不应对全方位危险的问题。在最糟糕的情况下,这个问题可能涉及几个敌人协调行动,在指南针的多个点同时引发危机。但即使敌人没有密谋,他们存在于与本土不同的方向这一事实本身也会给外交和军事规划带来困境。如果君主不明智地将军队派往一个边境,而没有预料到敌人会如何反应,那么他不太可能长期当君主。因此,避免多线战争,确保国家做好应对突发事件的准备,肯定是历史上大国面临的首要要求之一,而成功实现这些目标则是治国之道的最高技能之一。在地缘政治发生剧烈变化时,同时性的压力最为强烈,因为权力平衡的变化使以前不存在或仅以遥远或微弱的形式存在的新对手脱颖而出。在这些时刻,大国发现自己常常突然面临一个前所未有的新兴挑战者。这些时刻不可避免地会集中国家领导人的注意力。然而,新敌人的出现并不意味着旧问题(国家长期以来一直关注的竞争)消失。它们仍然必须得到处理,但要以一种不影响、甚至尽可能积极推进处理新挑战者目标的方式。这种时刻或许代表着一个国家除了即将遭到入侵之外可能面临的最严重危险,因为它们代表着一种矛盾:生存的首要要求要求国家避免承受超出其承受能力的实力考验;而领导者自然倾向于在危机出现时作出反应,如果同时对付太多敌人,很快就会导致财政和军事过度扩张。这些都是明朗的时刻,错误余地缩小,领导者必须准确地将有限的手段与扩大的目标相匹配。简而言之,这些时刻需要战略的本质形式,即运用理性、远见和机智来弥补物质力量的局限性。
计算药物敏感性模型可以识别出在治疗剂量下可能对癌细胞系达到最高疗效的靶向药物成分,从而有可能改善治疗结果。最先进的药物敏感性模型使用回归技术来预测药物对肿瘤细胞系的抑制浓度。这个回归目标与药物敏感性模型的这两个主要目标并不直接一致:我们认为药物敏感性建模应该看作是一个排序问题,其优化标准是量化药物对癌细胞系的抑制能力相对于其对健康细胞的毒性。我们对成熟的药物敏感性回归模型 PaccMann 进行了扩展,该模型采用排序损失,并关注抑制浓度与治疗剂量范围的比率。我们发现,排名扩展显著增强了模型根据体外数据识别针对未见肿瘤细胞谱的最有效抗癌药物的能力。
填字游戏 (CP) 解析是一种流行的游戏。与几乎所有其他人类游戏一样,可以自动解决这个问题。CP 求解器将其纳入约束满足任务,其目标是最大限度地提高用与线索一致并与谜题方案连贯的答案填充网格的概率。这些系统(Littman 等人,2002 年;Ernandes 等人,2005 年;Ginsberg,2011 年)严重依赖于每个线索的候选答案列表。候选答案的质量对 CP 解析至关重要。如果正确答案不在候选列表中,则无法正确解答填字游戏。此外,即使是排名较差的正确答案也会导致填字游戏填写失败。答案列表可以来自多个求解器,其中每个求解器通常专门解决不同类型的线索,和/或利用不同的信息来源。此类列表主要通过两种技术检索:(1)使用线索表示通过搜索引擎查询网络;(2)查询包含先前回答过的线索的线索-答案数据库。在本文中,我们专注于后者。在从线索-答案知识源中检索候选答案的问题中,答案根据查询线索与数据库中的线索之间的相似性进行排序。相似性由搜索引擎提供,搜索引擎为每个检索到的答案分配一个分数。已经实施了几种方法,通过学习排序策略对候选列表进行重新排序(Barlacchi 等人,2014a;Barlacchi 等人,2014b;Nicosia 等人,2015;Nicosia 和 Moschitti,2016;Severyn 等人,2015)。这些方法需要一个训练阶段来学习如何排序,并且大多数情况下在重新排序方面有所不同。
图 1:适应症来源和模型训练范式示意图 a) 适应症最初来自两个数据源,Wikidata 和 NCATS Inxight Drugs。Inxight Drugs 是一个数据聚合器,它汇编了来自多个来源的数据,包括 DrugBank 和 DrugCentral,从而产生了许多适应症。临床毒理基因组学数据库 (CTD) 包含超过 14,000 种适应症,全部来自文本挖掘,结果由人工确认。沿着化合物 - 治疗 - 疾病 - 逆子类 - 疾病路径的路径收缩总共产生 69,639 种适应症。b) 最初,20% 的已知适应症化合物被移除并放置在保留集中。剩余的 15% 的已知适应症化合物子集用于超参数调整和元路径选择。选定的 160 个元路径用于对不在保留集中的所有适应症进行模型训练,以验证模型。最后,所有迹象都被用来生成用于机械评估的最终模型。
摘要:针对从人类有机体衍生的信号的研究变得越来越流行。在这个领域,基于脑电波的脑部计算机界面扮演了特殊的角色。由于脑电图记录设备和较低的设定价格的缩小尺寸,它们变得越来越受欢迎。不幸的是,此类系统在生成的命令数量方面受到很大的限制。这尤其适用于不是医疗设备的集合。本文提出了一个基于稳态视觉诱发电位(SSVEP),EOG,眼睛跟踪和力反馈系统的混合脑计算机系统。这样的扩展系统消除了许多特定的系统缺点,并提供了更好的结果。本文的第一部分介绍了有关混合脑部计算机系统中应用的方法的信息。根据操作员将机器人的尖端放置在指定位置的能力来测试提出的系统。提出了工业机器人的虚拟模型,该模型用于测试。在现实生活中的工业机器人上重复测试。通过启用和禁用的反馈系统验证了系统的定位精度。在模型和真实对象上进行的测试结果清楚地表明,在由操作员控制时,力反馈提高了机器人尖端的定位精度。此外,模型和现实生活中的工业模型的结果非常相似。在下一阶段,对使用BCI系统进行分类项目的可能性进行了研究。该研究是在模型和真正的机器人上进行的。结果表明,可以使用来自人体的生物信号进行排序。
请咨询证书顾问,因为有些课程可能有先决条件。请参阅当前本科目录,了解课程描述和先决条件信息。UNT 的课程可用性可能会发生变化,下面显示的计划可能会根据 UNT 课程设置的更新而变化。转学课程不适用于本科学术证书。
提交意向书后,集群领导作为负责信息提交的实体,必须与 BEIS 签订保密协议 (NDA)。此保密协议将有助于确保在整个评估过程中能够有效地提供全面、可靠的支持信息,如本文件第 3 节所述。保密协议将为政府使用集群提交中提供的潜在敏感信息设定参数,同时考虑到国务卿的法定义务(包括根据《2000 年信息自由法》(FOIA)、《2018 年数据保护法》(DPA)、《通用数据保护条例》(GDPR)和《2004 年环境信息条例》(EIR))。