XiaoMi-AI文件搜索系统
World File Search System条件概率
使用基于 copula 的耦合马尔可夫链表征地下施工中有限钻孔的地质不确定性
本文提出了一种量化地层不确定性和基于钻孔建模地质构造的有效方法。使用两个马尔可夫链描述不同方向的土壤转变，马尔可夫链的转变概率矩阵 (TPM) 用 copula 进行解析表示。这种 copula 表达式非常高效，因为它可以用几个未知参数表示较大的 TPM。由于 TPM 的解析表达式，马尔可夫链模型的似然函数以显式形式给出。然后将 TPM 的估计重新转换为多目标约束优化问题，旨在最大化两个独立马尔可夫链在一系列参数约束下的似然。与通过计算土壤类型之间的转变次数来确定 TPM 的方法不同，所提出的方法在统计上更为合理。此外，提出了一种随机路径抽样方法来避免模拟中的方向效应问题。某个位置的土壤类型是根据沿基本方向的已知最近邻点推断出来的。基于皮卡德定理和贝叶斯规则，提出了一种用于土壤类型生成的条件概率的一般形式。所提出的地层表征和模拟方法应用于从中国武汉某建筑工地收集的实际钻孔数据。结果表明，所提出的方法预测准确，并且在模拟过程中不会出现偏差。
sUAS 安全风险的天气灾害风险量化......
随着小型无人（即遥控）飞机系统 (sUAS) 的应用数量不断增长，需要进行全面的安全风险评估研究以确保它们安全地融入国家空域系统。恶劣天气是 sUAS 的一个尚未得到广泛解决的危害源。本文提出了一个分析天气预报数据的框架，为 sUAS 操作员提供风险评估信息，供他们用于做出风险意识决策。sUAS 天气风险模型 (sWRM) 框架使用天气预报、人口密度、结构密度和 sUAS 数据来量化农村到城市环境中 sUAS 运行的天气危害风险。sWRM 是遵循美国联邦航空管理局的安全风险管理指南开发的。sWRM 的开发突出了一些航空航天和气象研究领域，在 sUAS 天气风险模型投入运行之前必须解决这些问题。这些研究领域中，最主要的是开发广泛可用的精细尺度（1 公里）天气预报，并开展广泛的 sUAS 飞行报告研究，以准确估计所提框架中使用的贝叶斯信念网络条件概率表的参数。作为概念验证，sWRM 已在科罗拉多州博尔德应用，使用高分辨率快速刷新天气产品。sWRM 的初步演示突出了考虑高分辨率天气和环境数据的详细风险评估模型的潜在有效性。
sUAS 安全风险的天气灾害风险量化......
随着小型无人（即遥控）飞机系统 (sUAS) 的应用数量不断增长，需要进行全面的安全风险评估研究以确保它们安全地融入国家空域系统。恶劣天气是 sUAS 的一个尚未得到广泛解决的危害源。本文提出了一个分析天气预报数据的框架，为 sUAS 操作员提供风险评估信息，供他们用于做出风险意识决策。sUAS 天气风险模型 (sWRM) 框架使用天气预报、人口密度、结构密度和 sUAS 数据来量化农村到城市环境中 sUAS 运行的天气危害风险。sWRM 是遵循美国联邦航空管理局的安全风险管理指南开发的。sWRM 的开发突出了一些航空航天和气象研究领域，在 sUAS 天气风险模型投入运行之前必须解决这些问题。这些研究领域中，最主要的是开发广泛可用的精细尺度（1 公里）天气预报，并开展广泛的 sUAS 飞行报告研究，以准确估计所提框架中使用的贝叶斯信念网络条件概率表的参数。作为概念验证，sWRM 已在科罗拉多州博尔德应用，使用高分辨率快速刷新天气产品。sWRM 的初步演示突出了考虑高分辨率天气和环境数据的详细风险评估模型的潜在有效性。
从量子系统的多个副本中提取贝叶斯网络
简介。算符本征态之间的转换概率在量子力学中起着核心作用。假设驱动系统在时间 t 1 处于给定本征态 | j 1 ⟩ ，则系统在稍后时间 t 2 处于本征态 | j 2 ⟩ 的概率为 P j 1 ,j 2 = |⟨ j 2 | U ( t 2 − t 1 ) | j 1 ⟩| 2 ，时间演化算符为 U ( t 2 − t 1 ) [1]。则测量相应本征值 j 1 和 j 2 的概率为 P j 1 ,j 2 P j 1 ，其中 P j 1 是初态的占据概率。这种联合概率通常通过投影测量确定 [1]。然而，本征态的相干叠加可能对动力学产生深远影响，在量子理论中无处不在 [2]。由于射影测量会破坏线性组合，因此开发非射影方法来测量（多个）任意状态之间的联合概率至关重要。在这方面，动态贝叶斯网络提供了一种强大的形式化方法，可以分析一组与时间相关的随机量的条件依赖关系。在这种方法中，动态变量之间的关系通过经贝叶斯规则评估的条件概率来指定 [3–6]。它们在统计学、工程学和计算机科学中得到了广泛的应用，用于在概率模型中对时间序列进行建模。具体的应用包括预测未来事件、推断隐藏的
可解释的人工智能揭示了与乳腺癌患者更好预后相关的肿瘤微环境条件的新见解
我们使用可解释人工智能 (XAI) 模型研究了肿瘤微环境 (TME) 中的特征与三阴性乳腺癌 (TNBC) 和非三阴性乳腺癌 (NTNBC) 患者的总体和 5 年生存率之间的数据驱动关系。我们使用了 Cancer Genome Atlas 中浸润性乳腺癌患者的临床信息以及 cbioPortal 的两项研究、PanCanAtlas 项目和 GDAC Firehose 研究。在这项研究中，我们使用了来自 UCSC Xena 数据集的 1,015 名乳腺癌患者（活着或已故）的标准化 RNA 测序数据驱动队列，并使用 EPIC 方法进行集成反卷积，以估计来自 RNA 测序数据中的七种不同免疫和基质细胞的百分比。从我们的 XAI 模型中获得的新见解表明，CD4+ T 细胞和 B 细胞比其他 TME 特征对 TNBC 和 NTNBC 患者的预后改善更为关键。我们的 XAI 模型揭示了 CD4+ T 细胞和 B 细胞的临界拐点（即阈值分数），高于或低于该拐点，5 年生存率就会提高。随后，我们确定了从拐点推断出的特定条件下 TNBC 和 NTNBC 患者 ≥5 年生存的条件概率。特别是，XAI 模型显示，TME 中 B 细胞分数超过 0.018 可确保 NTNBC 患者 100% 的 5 年生存率。这项研究的结果可以带来更准确的临床预测和增强的免疫疗法，以及设计创新策略来重新编程乳腺癌患者的 TME。
爱丁堡研究探索者
虽然丘脑底核中β频带振荡同步的过度爆发与帕金森病的运动障碍有关，但一直缺乏将这两种现象联系起来的合理机制。在这里，我们检验了以下假设：β爆发所表示的同步增加可能会损害基底神经节网络中的信息编码能力。为此，我们记录了18名帕金森病患者在执行提示的上肢和下肢运动时丘脑底核中的局部场电位活动。我们使用每次试验中基于局部场电位对要移动的肢体进行分类的准确性作为系统所掌握的有关预期动作的信息的指标。使用朴素贝叶斯条件概率模型的机器学习用于分类。局部场电位动态可以在执行之前准确预测预期动作，当提前知道要求的动作时，在命令提示之前，受试者工作特征曲线下面积为 0.80 0.04。α 频段局部场电位活动爆发，尤其是 β 频段局部场电位活动爆发，严重影响了对要移动的肢体的预测。我们得出结论，低频爆发，尤其是 β 频段的爆发，限制了基底神经节系统编码有关预期动作的生理相关信息的能力。当前的发现也很重要，因为它们表明，除了恢复性脑机接口应用中的力量控制外，局部丘脑底活动可能被解码以实现效应器选择。
oarfish
动机：长阅读测序技术正在成为基因组和转录组分析中越来越不可或缺的工具。特别是在转录组学中，长读数提供了对全长同工型进行测序的可能性，这可以极大地简化新的转录本和转录本定量的识别。尽管有希望，但迄今为止，长期阅读方法开发的重点是成绩单识别，而对量化的关注相对较少。然而，由于基本协议和技术的差异，较低的吞吐量（即与简短读取技术相比，每个样品测序的读取更少）以及技术文物，长期读取量化仍然是一个挑战，激发了根据这种日益普遍的数据量身定制的量化方法的持续开发和评估。结果：我们引入了一种新的方法和软件工具，用于长读成绩单量化称为oarfish。我们的模型结合了一种新颖而创新的覆盖率评分，这会影响基本概率模型中碎片分配的条件概率。我们证明，通过考虑这些覆盖范围信息，Oarfish能够比现有的长读量化方法产生更准确的定量估计值，尤其是当人们考虑特定细胞系或组织类型中的主要同工型时。可用性和实施：在Rust编程语言中实施了OARFISH，并根据BSD 3-Clause许可证作为免费和开源软件提供。源代码可在https://www.github.com/combine-lab/ oarfish上找到。
量子Jidoka。在CNC计算机上的量子模拟集成，以进行操作控制可视化
摘要：随着行业的出现4.0范式，通过连接到工作中心的传感器网络提供的信息来控制制造过程的可能性已扩大。对每个参数的实时监视使确定相应传感器产生的值是否在其正常工作范围内。在众多参数的相互作用中，确定性分析很快变得棘手，并且进入了“不确定知识”的领域。贝叶斯决策网络是控制此类系统中条件概率的影响的公认工具。但是，确定制造过程是否超出范围，需要为决策网络的计算时间显着，从而延迟了故障警报的触发。从其起源中，吉多卡被视为提供机制，以在过程的任何步骤中促进故障的实时识别，以便可以停止生产线，这是识别分辨率的破坏原因，最终是有缺陷的零件数量的。我们的假设是，我们可以使用量子模拟对计算机数值控制（CNC）计算机的内部传感器网络进行建模，这些量子模拟比基于决策网络的经典模型显示出更好的性能。我们通过实施一个允许整合量子计算和行业4.0的量子数字双胞胎来成功地检验了我们的假设。此量子数字双胞胎模拟机器中的复杂传感器网络，并由于其高计算性能而允许在制造过程中实时应用Jidoka。
Sandhya Annamaneni博士M.Sc，博士，AFTAS助理...
帖子M.Sc。 放射学物理学文凭 - I：辐射物理和放射学数学单元 - I核物理学和X射线发电机16讲座的放射性 - Alpha，Beta和Gamma Rays的一般特性 - 连续变换的放射性定律 - 自然放射性系列 - 放射性平衡 - 放射性平衡。 alpha射线光谱 - β射线光谱 - β衰减理论 - 伽玛发射 - 电子捕获 - 内部转换 - 核异构主义 - 人工放射性 - 核横截面 - 裂变和反应堆的基本思想 - 融合。 Discovery - Production - Properties of X-rays - Characteristics and continuous spectra Design of hot cathode X-ray tube - Basic requirements of medical diagnostic, therapeutic and industrial radiographic tubes - Rotating anode tubes - Hooded anode tubes - Industrial X-ray tubes - X-ray tubes for crystallography - Rating of tubes - Safety devices in X-ray tubes - X-Ray proof and shockproof管 - X射线管的绝缘和冷却 - 移动和牙科单元 - X射线管中的故障 - 加载的限制。 单元-II概率，统计和错误11概率 - 概率，条件概率，人群，变体，收集，制表和图形表示数据的概率和乘法定律。 统计分布频率分布，中心趋势，算术平均值，算术平均值，中位数，模式，几何平均值，谐波平均值，分散，标准偏差，均值平方偏差，标准误差和方差，矩，矩，矩，偏度和毛发病的基本思想。帖子M.Sc。放射学物理学文凭 - I：辐射物理和放射学数学单元 - I核物理学和X射线发电机16讲座的放射性 - Alpha，Beta和Gamma Rays的一般特性 - 连续变换的放射性定律 - 自然放射性系列 - 放射性平衡 - 放射性平衡。alpha射线光谱 - β射线光谱 - β衰减理论 - 伽玛发射 - 电子捕获 - 内部转换 - 核异构主义 - 人工放射性 - 核横截面 - 裂变和反应堆的基本思想 - 融合。Discovery - Production - Properties of X-rays - Characteristics and continuous spectra Design of hot cathode X-ray tube - Basic requirements of medical diagnostic, therapeutic and industrial radiographic tubes - Rotating anode tubes - Hooded anode tubes - Industrial X-ray tubes - X-ray tubes for crystallography - Rating of tubes - Safety devices in X-ray tubes - X-Ray proof and shockproof管 - X射线管的绝缘和冷却 - 移动和牙科单元 - X射线管中的故障 - 加载的限制。单元-II概率，统计和错误11概率 - 概率，条件概率，人群，变体，收集，制表和图形表示数据的概率和乘法定律。统计分布频率分布，中心趋势，算术平均值，算术平均值，中位数，模式，几何平均值，谐波平均值，分散，标准偏差，均值平方偏差，标准误差和方差，矩，矩，矩，偏度和毛发病的基本思想。应用于辐射检测 - 不确定性计算，错误传播，背景和样本之间的时间分布，最小可检测到的极限。二项式分布，泊松分布，高斯分布，指数分布，正常变体的添加特性，置信度限制，双变量分布，相关和回归，卡方分布，T分布，F分布，F分布。
适合对象操作的工作记忆的人工智能架构研究
1分钟大概就在大脑皮层上。例如，有报道称，在将多种形式的信息整合到工作记忆中时，前额叶皮层会被激活[6]。我们认为大脑皮层是一种贝叶斯网络[7]。如果这是正确的，大脑皮层的工作记忆功能也应该利用贝叶斯网络来实现。在设计模型时，大脑中唯一物理存在的节点是那些代表当前时间 t 的信息的节点，并且每个节点只能引用时间 t-1 的信息。假设为了表示该模型，我们使用 BESOM [7]，我们提出它是大脑皮层的计算模型。 BESOM 是一种贝叶斯网络，通过对条件概率表施加约束来限制参数数量的激增。 BESOM 的最新版本能够使用门来控制节点之间的连接[8][9][10]。我们之前展示了如何使用生成模型 [3] 来表示工作记忆，但在本节中我们将更详细地解释它。图2中，节点W表示工作记忆状态，S表示传感器输入，A表示强化学习机制选择的动作规则。 P 指定记忆状态的默认行为（保留或忘记值）。更新内存值时，A t +1 会抑制 P t +1 的影响。它由一个门（黑色圆圈）表示，控制从 A t +1 到 P t +1 和 W t +1 的转换。工作记忆的更新规则在这个模型上被表述为推理，但由于大脑在物理上不可能向后发送循环信念传播的信息，因此大脑必须做出某种近似的推理。 转到