XiaoMi-AI文件搜索系统
World File Search System模式分析
文献综述-电动摩托车租赁可持续商业模式分析
摘要。印度尼西亚的摩托车数量显著增加。根据 BPS 的数据，到 2022 年底，印度尼西亚将拥有约 1.253 亿辆摩托车。在 2012 年至 2022 年期间，印度尼西亚的摩托车数量增加了约 4890 万辆，增幅为 64%。这自然会导致印度尼西亚的碳污染。电动摩托车是一种可用于减少碳污染的解决方案。从历史上看，人们一直对采用新技术持怀疑态度。就电动汽车 (EV) 而言，消费者信任和财务可用性是采用的主要障碍。一种教育和解决消费者对电动汽车的感知风险和担忧的方法是推广电动汽车租赁。本研究旨在研究全球和印度尼西亚电动摩托车租赁可持续商业模式研究的发展情况。所用方法是通过 Scopus 进行定量描述统计，并使用 VOSviewer 进行分析。希望本研究成果能为印度尼西亚的进一步研究提供参考。
紧凑型宽阻带滤波器设计的 SIW 腔模式分析和控制技术
摘要 — 本文介绍了一种基于扰动双模基片集成波导 (SIW) 腔的紧凑型新型宽阻带带通滤波器 (BPF)。在 SIW 腔体中心引入扰动金属通孔，通过将 TE 101 模式的谐振频率移向 TE 201 模式来实现双模 SIW 腔体。此外，通过将外部端口设置为高阶杂散模式的电场零点位置，可以实现宽阻带 BPF。通过抑制至少包含七种模式的不需要的模式，可以在单个 SIW 腔体中获得最宽的阻带，最宽的阻带可达 2 f 0。为了验证所提出的宽阻带滤波器，设计、制造并测量了两个原型，阻带为 2 f 0，抑制水平分别优于 20dB 和 30dB。
一个统一的布局模式分析框架，具有深度因果估计
摘要 - 特征大小的减小和制造过程的增长会导致制造半导体设备的更多故障。因此，识别失败的根本原因布局模式变得越来越多地提高产量。在本文中，提出了一个基于布局感知诊断的新型布局模式分析框架，以有效地确定根本原因。在框架的第一个阶段，使用对比度学习训练的编码网络用于提取布局片段的表示形式，这些片段不变到琐碎的变换，包括偏移，旋转，旋转和镜像，然后将其聚类以形成布局模式。在第二阶段，我们通过结构性因果模型对任何潜在的根本原因布局模式与系统缺陷之间的因果关系进行建模，然后将其用于估计候选候选候选缺陷模式的平均因果效应（ACE），以识别真正的根本原因。对实际工业案例的实验结果表明，我们的框架的表现要优于具有更高准确性的商业工具，并且平均速度约为8.4加速。
通过多元模式分析揭示大脑连接的长期和冥想特定调节
摘要 神经影像学研究已经提供了证据，表明大量的冥想练习会改变人类大脑的功能和结构特性，例如大规模大脑区域的相互作用。然而，不同的冥想风格如何参与这些大规模大脑网络的调节仍不清楚。在这里，我们使用机器学习和 fMRI 功能连接，研究了集中注意力和开放监控冥想风格如何影响大规模大脑网络。具体来说，我们训练了一个分类器来预测两组受试者的冥想风格：专家上座部佛教僧侣和新手冥想者。我们表明，分类器只能区分专家组的冥想风格。此外，通过检查训练后的分类器，我们观察到前部显着性和默认模式网络与分类相关，这与它们在冥想中参与情绪和自我相关调节的理论一致。有趣的是，结果还强调了调节注意力和自我意识的关键区域与处理和整合体感信息相关区域之间的特定耦合的作用。最后，我们观察到左半球间连接在分类中的作用更大。总之，我们的研究支持了以下证据：大量的冥想练习会调节大规模的大脑网络，而不同的冥想风格会对有助于特定风格功能的连接产生不同的影响。
小提琴疫苗知识库中病毒疫苗的系统收集，注释和模式分析
结果：对95种病毒物种（包括72种RNA病毒物种和23种DNA病毒物种）共收集了2,847种病毒疫苗，手动注释并存储在小提琴疫苗数据库中。这些病毒疫苗使用了542疫苗抗原。分类学分析发现病毒疫苗涵盖的各种DNA和RNA病毒。这些疫苗针对不同的人，动物疫苗和HPV疫苗，以不同的病毒生命周期阶段（例如，病毒进入，组装，出口和免疫逃避）为目标。疫苗抗原蛋白也显示在病毒（例如HRSV疫苗）的不同病毒素位置。结构性和非结构性病毒蛋白已用于病毒疫苗的发育。根据Vaxign-ML计算，保护性疫苗抗原的蛋白质得分> 85％，该计算衡量了预测疫苗使用的适用性。虽然预测的粘合剂仍然具有保护性抗原的明显更高的机会，但只有21.42％的保护性病毒疫苗抗原被预测为粘附素。此外，我们的基因本体论（GO）富集分析使用定制的Fisher的精确测试确定了许多富集的模式，例如病毒进入宿主细胞，DNA/RNA/ATP/ION结合，并抑制宿主1类Interferon介导的信号介导的信号传导途径。病毒疫苗及其相关的实体和关系在疫苗本体论（VO）中是本体论建模和代表的。开发了小提琴Web界面，以支持病毒疫苗的用户友好查询。
功能神经影像多变量组分析的受试者间模式分析。统一的形式化
背景和目的。在医学成像中，群体研究必须克服个体之间存在的差异，以识别可用于诊断目的的不变图像特征。在功能性神经成像中，识别在群体水平上成立的神经编码原理的一个有吸引力的解决方案是受试者间模式分析，即从来自多个受试者的数据中学习预测模型并评估其对新受试者的泛化性能。尽管近年来它越来越受欢迎，但由于文献中明显缺乏正式定义，其广泛采用仍然受到阻碍。在本文中，我们精确介绍了针对功能性神经成像的多变量组分析的受试者间模式分析的第一个原则性形式化。方法。我们建议将受试者间模式分析构建为多源传导传递问题，从而将其置于几个定义明确的机器学习设置中并拓宽可用算法的范围。我们描述了两组使用几个开放数据集的受试者间大脑解码实验：一项涉及 16 名受试者的脑磁图研究和一项涉及 100 名受试者的功能性磁共振成像范例。我们通过进行模型比较来评估我们框架的相关性，其中一个大脑解码模型利用我们的形式化，而其他则不利用。结果。第一组实验证明了使用受试者标准化的大脑解码器与使用其他标准化方案的最先进模型相比具有优越性，证明了我们形式化的传导和多源组件的兴趣第二组实验定量表明，即使经过这样的转换，大脑解码器也更难以推广到新参与者而不是来自训练阶段可用的参与者的新数据，从而凸显了需要克服的转移差距。结论。本文将受试者间模式分析的第一个形式化描述为多源传导迁移学习问题。我们利用几个互补的功能性神经成像数据集上的概念验证实验证明了这种形式化的附加价值。这项工作将有助于推广功能性神经成像人群研究的受试者间模式分析，并为未来的方法创新铺平道路。
超快超声成像模式分析揭示了关节炎动物独特的动态大脑状态和强大的子网络改变
慢性疼痛病理是由周围和/或中枢神经系统的适应不良变化引起的，是一种影响 20% 欧洲成年人口的致残性疾病。更好地了解这种发病机制将有助于确定新的治疗目标。最近，从大脑网络之间连贯的低频血流动力学波动中提取的功能连接 (FC) 为研究大规模大脑网络及其在神经/精神疾病中的破坏提供了一种强有力的方法。对 FC 的分析通常是对随时间推移的平均信号进行的，但最近，对 FC 动态的分析也提供了新的有希望的信息。考虑到持续性疼痛动物模型的局限性以及它们作为增进我们对慢性疼痛致病性神经生物学基础的理解的有力工具，本研究旨在通过使用功能性超声成像（一种具有独特时空分辨率（100 μ m 和 2 ms）和灵敏度的神经成像技术）来确定临床相关的持续性炎症疼痛（佐剂性关节炎）动物模型中功能连接的变化。我们的研究结果显示，关节炎动物的 FC 发生了显著变化，例如躯体运动 (SM) 网络的一个子部分，发生在疾病开始后数周。此外，我们首次证明通过超声评估的动态功能连接可以为我们定义为大脑状态的动态模式提供定量和可靠的信息。虽然主要状态由 SM 网络中血流动力学波动的整体同步组成，但关节炎动物在统计上花费更多时间处于其他两种状态，其中发炎后爪的初级感觉皮层的波动与 SM 网络的其余部分不同步。最后，将 FC 变化与个体动物的疼痛行为相关联表明 FC 改变与疼痛的认知或情感方面之间存在联系。我们的研究引入了 fUS 作为一种新的转化工具，以增强对慢性疼痛主要临床前模型中动态疼痛连接组和大脑可塑性的理解。
现实世界面部感知的神经动力学基础 Arish ...
2 面部视点和身份的神经编码 5 2.1 引言.......................................................................................................................................................................................................................................5 2.2 材料和方法....................................................................................................................................................................................................................................6 2.2.1 数据....................................................................................................................................................................................................................................................................6 2.2.1 数据.................................................................................................................................................................................................................................................................................................... 6 2.2.2 多变量时间模式分析 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ...