XiaoMi-AI文件搜索系统
World File Search System样条
新提出的肠道饮食指数与便秘的饮食指数：NHANES的横断面研究
方法：在这项横断面研究中，该样本从2005年至2010年的《国家健康与营养检查调查》中选择了11,405名20岁及20岁以上的成年人。使用肠道健康调查表（BHQ）将便秘便秘定义为每周的三个排便频率。 每周不到三个排便被肠健康问卷（BHQ）视为便秘。 di-gm源自饮食回忆数据，包括鳄梨，西兰花，鹰嘴豆，咖啡，蔓越莓，发酵乳制品，纤维，绿茶，大豆和全谷物，作为有益的元素，红肉，加工肉，加工肉，肉质谷物和高脂脂肪作为偏低的含量。 多变量加权逻辑被用来研究DI-GM与便秘的关联。 次要分析包括亚组分析，有限的立方样条（RCS）和多个插补。便秘定义为每周的三个排便频率。每周不到三个排便被肠健康问卷（BHQ）视为便秘。di-gm源自饮食回忆数据，包括鳄梨，西兰花，鹰嘴豆，咖啡，蔓越莓，发酵乳制品，纤维，绿茶，大豆和全谷物，作为有益的元素，红肉，加工肉，加工肉，肉质谷物和高脂脂肪作为偏低的含量。多变量加权逻辑被用来研究DI-GM与便秘的关联。次要分析包括亚组分析，有限的立方样条（RCS）和多个插补。
经济增长与……之间的关系
7 Shahbaz, Kharaief 和 Mahalik，《研究瑞典的环境库兹涅茨曲线：来自多元自适应回归样条 (MARS) 的证据》 8 Lindmark，《重新思考环境状况：瑞典碳排放环境库兹涅茨曲线的经济史》 9 OECD，奥地利 - 净零转型的进展 10 Benavides, Ovalle, Torres & Vinces，《经济增长、可再生能源和甲烷排放：奥地利有环境库兹涅茨曲线吗？》，265 11 OECD，葡萄牙 - 净零转型的进展 12 Shabbaz, Dube, Ozturk & Jalil，《在葡萄牙测试环境库兹涅茨曲线假说》，480
基于 RBF-FD 和 WLS 的局部强形式无网格方法在散乱节点上的稳定性分析
摘要 — 近年来，局部无网格法在数值模拟领域越来越受欢迎。这主要是因为它们可以对分散节点进行操作，并且可以直接控制近似阶和基函数。在本文中，我们分析了两种流行的局部强形式无网格法变体，即使用增强单项式的多谐波样条 (PHS) 的径向基函数生成有限差分 (RBF-FD) 和仅使用单项式的加权最小二乘 (WLS) 方法。我们的分析重点关注在二维和三维域中对分散节点计算的数值解的准确性和稳定性。我们表明，虽然当低阶近似足够时 WLS 变体是更好的选择，但对于高阶近似，RBF-FD 变体表现出更稳定的行为和更高的数值解准确性，但代价是更高的计算复杂度。
1) 耶尔德兹技术大学 出版日期：2021 年 11 月 29 日在线首次出版；发行日期：2021 年 11 月 30 日 发行期：2021 年 11 月 - M
Serpil Kiliç Deprens Yildiz 技术大学摘要这项研究的主要目的是研究腐败与经济自由之间的关系，以确定减少腐败最需要关注的影响因素。为此，我们执行了两种不同的机器学习算法，以找出影响腐败的因素的单向、双向和三向交互作用。分析结果表明，税收负担、政府诚信和政府支出是稳步改善腐败的主要指标。此外，税收负担、政府诚信和政府支出的临界阈值分别为 83.3、50.9 和 40.6。由于现有文献中用机器学习算法预测腐败的研究数量有限，本研究为政策制定者提供了非常详细的信息，使他们可以专注于减少腐败感知。关键词：经济自由、多元自适应回归样条、腐败感知
使用遗传算法进行收敛-发散喷嘴轮廓优化
收敛-发散 (CD) 喷嘴的优化对于整个航空航天工业的各种应用都至关重要 - 这些领域与 NASA 的使命密切相关。这项研究特别关注机器学习（特别是遗传算法）和计算流体动力学 (CFD) 软件在 CD 喷嘴几何优化问题中的应用。通过操纵三次样条连接的控制点的位置，可以创建一个开放的设计空间并驱动性能最佳的单个 CD 喷嘴产生通过欧拉方程计算的等熵流场 (Δ𝑆= 0.0𝐽𝑘𝑔𝐾)。本文产生的最佳情况对 Δ𝑆= 0.935𝐽𝑘𝑔𝐾 的局部最小几何形状进行了初始猜测。 395 万美元。该项目奠定的基础为进一步应用遗传算法优化 CD 喷嘴和其他亚音速/超音速流体组件打开了大门。
高血压患者的肥胖指数和糖尿病风险：来自中国多种族同类研究的见解
方法和结果：这项横断面研究包括来自中国多种族队列（CMEC）研究的9,446名参与者。我们的研究表明，糖尿病患者的肥胖指数比没有的肥胖指数明显更高。此外，逻辑回归分析表明，肥胖指数的四分位数较高与糖尿病的风险增加有关，无论是在原油中还是调整后的模型中（p <0.05）。调解分析表明，肥胖与糖尿病风险之间的关联是由体重指数（BMI），腰围比（WHR），腰围比率（WHTR）和身体肥胖指数（BAI）通过AIP的17.2％，15.3％，15.3％，15.8％和19.8％和19.2％的19.8％和19.8％和19.2％的人的体力（WHR）和身体肥胖指数（BAI）介导的。此外，受限制的立方样条分析表明，肥胖指数与糖尿病之间存在非线性关系。
利用人工智能改善患者流量和医疗服务
预测等待时间和预约延迟有助于优化医院资源并提高患者满意度。Curtis 等人利用几种机器学习算法来预测无需预约的放射中心的等待时间或四种模式（计算机断层扫描、核磁共振、超声波和射线照相）的预约放射设施的延迟时间。从放射信息系统中提取了几个变量。九种机器学习算法（神经网络、随机森林、支持向量机 (SVM)、弹性网络、多元自适应回归样条、k 次近邻、梯度增强机、装袋以及分类和回归树）用于对其参数进行微调，以最佳地拟合训练数据。均方根误差指标用于确定算法的预测精度。在九种机器学习算法中，弹性网络在准确有效地预测等待时间和延迟时间方面优于其他算法 [19]。
计算出的小致密低密度脂蛋白...
结果：在10年的随访期内，有456名男性（3.9％）和121名妇女（1.9％）新开发的IHD。Multivariable Cox proportional hazard analyses after adjustment of age, sex, obesity, smoking habit, family history of IHD, estimated glomerular filtration rate, hypertension and diabetes mellitus at baseline showed that the hazard ratio (HR) (1.38 [95% confidence interval: 1.03-1.85]) for new onset of IHD in subjects with the 4 th quartile SDLDL-C（≥42mg/dL）的（Q4）显着高于1 st Quartile（Q1）（≤24mg/dl）的受试者，尽管具有TC，HDL-C，hdl-c，non-Hdl-c，ldl-c和tg的受试者中的受试者中的调整后的HRS与Q1的Q2-q4相比，与这些受试者fr fr q是Q1。具有限制的立方样条的调整后的HR随着计算得出的SDLDL-C水平较高，作为基线时的连续值增加。
预算受限的协作可再生能源预测市场
摘要 — 准确的可再生能源 (RES) 电力预测对于将额外的 RES 容量整合到电力系统中并实现可持续发展目标至关重要。这项工作强调了将分散的时空数据整合到预测模型中的重要性。然而，分散的数据所有权是此类时空模型成功的关键障碍，需要考虑促进数据共享的激励机制。主要贡献是 a) 对预测模型的比较分析，提倡高效且可解释的样条 LASSO 回归模型，以及 b) 数据/分析市场中的竞价机制，以确保公平地补偿数据提供者并使买卖双方都能表达他们的数据价格要求。此外，还提出了一种时间序列预测的激励机制，有效地纳入价格约束并防止冗余特征分配。结果表明，数据卖家的准确性显著提高，并可能获得经济收益。对于风电数据，通过比较该提案生成的预测与本地生成的预测，平均均方根误差改善了 10% 以上。
功能近红外光谱数据多维分解的并行因子分析
(HbO) 和脱氧 (HbR) 血红蛋白可以分别评估 HbO 和 HbR 的浓度变化。1 尽管 fNIRS 信号被认为对运动具有相对耐受性，2 但是由于运动伪影引起的光强度突然变化，数据质量可能会降低。3 结果表明，两种波长的动态特性为伪影检测和校正提供了重要信息。4 然而，当前用于运动伪影校正的技术（例如小波滤波、分解、样条插值等）通常假设两种波长的行为在时间上相似，因此无法利用两种波长提供的结构化信息。5 – 7 二维 (2D) 分析要求对具有更多维度的数据（例如 fNIRS 数据）在处理之前进行表面展开，例如分别处理两种波长或 HbO 和 HbR。因此，其中一些二维分析工具被迫施加其他非生理约束，例如主成分分析（PCA）中的正交性或独立成分分析（ICA）的统计独立性。尽管有几种方法可以实现 PCA，例如降维、分类、从信号分解的角度来看，PCA 旨在提取所谓的主成分，即可解释 fNIRS 中信号活动最大方差的成分。6、7、10、11 在时间 PCA 中，数据被分解为成分之和，每个成分由两个向量的乘积形成：一个代表时间主成分，另一个代表相应的地形（每个通道的分数）。PCA 的一个基本问题是仅由两个特征（时间和空间）定义的成分不是唯一确定的。因此，不同成分的对应时间特征之间必须具有正交性。 7、12、13然而，脑信号之间的正交性是一种非生理约束。即使有这种限制，提取的主成分也不是完全唯一的，因为任意旋转轴不会改变数据的解释方差。这导致研究人员使用不同的数学标准作为选择特定旋转的基础（例如，Varimax、Quartimax 和 Promax）。在 fNIRS 中，PCA 还被应用于目标时间间隔（tPCA），即仅在与发音或其他头部运动相关的伪影发生的期间，而不是在整个未分割的信号期间。3、14与基于小波的滤波和样条插值相比，这种类型的有针对性的校正可以产生更好的信号质量，同时也降低了改变信号整体完整性的风险。3虽然 PCA 非常常见且易于使用，一些作者已经讨论了其作为伪影校正方法的缺陷和注意事项。5、15