XiaoMi-AI文件搜索系统
World File Search System池化层
LSTM 与Informer 融合预测冠层区域温度
摘 要： 针对传统温度预测方法难以充分捕捉多尺度信息，导致模型预测性能不佳等问题，该研究提出了一种基于 Informer 架构和长短时记忆网络（ long short-term memory, LSTM ）与多源数据融合的冠层区域温度预测模型。在编码层 中，采用稀疏注意力机制提取输入因子的多尺度信息及其与长时序数据之间的耦合关系；在解码层中，利用 LSTM 提取 短期时序依赖，以增强时间序列的连贯性，同时引入改进的反向残差前馈网络（ improved residual feedforward network, IRFFN ）以优化模型结构。首先采用孤立森林法对数据进行异常值清理，并进行了归一化处理；然后使用斯皮尔曼相关 系数法对冠层区域温度进行相关性分析，并选择相关程度较高的环境因子作为模型的输入特征；最终通过网格搜索法对 超参数进行优化，并通过迭代训练实现模型的最优配置。通过与其他 4 种主流算法进行对比分析，提出的 Informer- LSTM 在冠层区域温度预测方面表现出更高的精度，其平均绝对误差（ mean absolute error, MAE ）、均方根误差（ root mean square error, RMSE ）和决定系数（ R 2 ）分别达到了 0.166 、 0.224 ℃和 97.8% ，与基础模型 Informer 相比，冠层区 域温度的预测精度提高了 32.36% 。该模型在时间序列预测方面具有较高的精度，为区域气象温度的中短期精准预测提 供了一种新的技术方法。 关键词： 冠层 ； 温度 ； 非线性时间序列 ； 长短期记忆神经网络 ； Informer doi ： 10.11975/j.issn.1002-6819.202409001 中图分类号： TP18 ； S165 文献标志码： A 文章编号： 1002-6819(2025)-07-0001-11
化学化学
This course aims at introducing the basic concepts and techniques in carrying out chemical analysis by using various modern spectroscopic and chromatographic instruments.Students will learn how to use modern instruments to determine the amounts of substances present in a mixture down to part per million levels (ppm), and identify the structure of a compound.Techniques such as UV-visible spectroscopy, infrared spectroscopy, mass spectrometry, nuclear magnetic resonance spectroscopy, gas chromatography and high performance liquid chromatography will be covered.This course will also discuss some common standard practices of collecting and preparing samples for laboratory testing, the accreditation system in testing laboratories.This course is conducted in the format of lecture.本课程旨在介绍化学分析中所用到的现代光谱和色谱仪器的基本概念和技术。学生将学习使用该 等仪器来分析浓度水平低至百万分之一的物质，并确定化合物的结构。课程内容包括紫外 − 可见光 谱法、红外线光谱法、质谱分析法、核磁共振、气相色谱法及高效能液相色谱法的操作技巧，以 及化验工作中的收集及制备样本的常用标准技巧和香港化验室所实行的认可系统。课程以讲课形 式进行。 Medium of Instruction:
对比图池化用于可解释的分类...
摘要 — 功能性磁共振成像 (fMRI) 是一种常用的测量神经激活的技术。它在识别帕金森病、阿尔茨海默病和自闭症等潜在的神经退行性疾病方面尤为重要。最近对 fMRI 数据的分析将大脑建模为图形，并通过图神经网络 (GNN) 提取特征。然而，fMRI 数据的独特特性需要对 GNN 进行特殊的设计。定制 GNN 以生成有效且可领域解释的特征仍然具有挑战性。在本文中，我们提出了一种对比双注意块和一种可微分图池化方法（称为 ContrastPool），以更好地利用 GNN 进行大脑网络，满足 fMRI 特定的要求。我们将我们的方法应用于 3 种疾病的 5 个静息状态 fMRI 脑网络数据集，并证明了它优于最先进的基线。我们的案例研究证实，我们的方法提取的模式与神经科学文献中的领域知识相匹配，并揭示了直接而有趣的见解。我们的贡献凸显了 ContrastPool 在促进对大脑网络和神经退行性疾病的理解方面的潜力。源代码可在 https://github.com/AngusMonroe/ContrastPool 上找到。
废旧电池处理服务
(建设中)每当装满一个集装箱时，就会按照政府的指示更换集装箱，并进行五个集装箱的产业废弃物处理服务。 （ll）最后一个集装箱将于2025年3月中旬卸货。 （3）服务完成 归还最终处置证书（电子票）后服务完成。 3 检查 （1）检查工作应按照政府的指示进行。 （2）检查应在承包商和政府的检查员和监督员在场的情况下进行。 （3）政府应在归还废弃物管理票（废弃物管理票）和最终处置证书（电子票）后确认服务完成。 4 其他指示 （1）因特殊情况等原因无法进行工业废弃物处理时，应立即相互调整。 （2）本规范中未规定的任何事项应根据政府和承包商的指示决定。 （3）承包商进驻应通过会议程序。 （4）如对这些规范有任何疑问，承包商和承包官员应协商确定。
拓扑层结构中的光学双稳态及其在光神经网络中的应用*
材料Sio 2。在拓扑模式下，电场高度局部位于分层结构的反转中心（也称为界面），并成倍地衰减到批量上。因此，当从战略上引入非线性介电常数时，出现了非线性现象，例如Biscable状态。有限元数值模拟表明，当层周期为5时，最佳双态状态出现，阈值左右左右。受益于拓扑特征，当将随机扰动引入层厚度和折射率时，这种双重状态仍然存在。最后，我们将双态状态应用于光子神经网络。双态函数在各种学习任务中显示出类似于经典激活函数relu和Sigmoid的预测精度。这些结果提供了一种新的方法，可以将拓扑分层结构从拓扑分层结构中插入光子神经网络中。
基于有机光电突触晶体管的储池计算网络
图 1 有机光电突触器件 . (a) 人类视网膜和大脑系统示意图 ; (b) 储池计算结构 ; (c) 提拉法制备有机薄膜示意图 ; (d) C 8 -BTBT 薄膜的光学显微镜图像 ( 标尺 : 100 μm); (e) PDIF-CN 2 薄膜的光学显微镜图像 ( 标尺 : 100 μm); (f) C 8 -BTBT 薄膜的 AFM 图像 ( 标 尺 : 1.6 μm); (g) PDIF-CN 2 薄膜的 AFM 图像 ( 标尺 : 1.6 μm); (h) 具有非对称金属电极的有机光电突触晶体管器件结构 ; (i) 器件 配置为光感知型突触 ; (j) 器件配置为计算型晶体管 ( 网络版彩图 ) Figure 1 Organic optoelectronic synaptic devices. (a) The schematic diagram of human retina and brain system. (b) The architecture of a reservoir computing. (c) The preparation of organic thin films by dip coating method. (d) The optical microscope image of C 8 -BTBT film. Scale bar: 100 μm. (e) The optical microscope image of PDIF-CN 2 film. Scale bar: 100 μm. (f) The AFM image of C 8 -BTBT film. Scale bar: 1.6 μm. (g) The AFM image of PDIF-CN 2 film. Scale bar: 1.6 μm. (h) The schematic diagram of organic optoelectronic synaptic transistor with asymmetric metal electrodes. (i) The device is configured as a light-aware synapse. (j) The device is configured as a computational transistor (color online).
IT和AI的发展、地方创生、少子化对策
资料来源：https://towardsdatascience.com/machine-learning-methods-to-aid-in-coronavirus-response-70df8bfc7861、https://bdtechtalks.com/2020/03/09/artificial-intelligence-covid-19-coronavirus/、https://news.yahoo.co.jp/byline/kazuhirotaira/20200326-00169744/
外部评估报告《水下无人潜器长期运行系统技术研究...
1. 电池燃料と二次电池のシテム最适化について ・ 本研究において燃料电池と二次电池のshisutemubaransuが重要である。 ・今后、特にエネルギー（kWh）のみならず、室内无人导航走体の使用方法を想定し
实现高安全性的电池开发
预计将开发具有高能量密度和高安全性的全稳态电池（ASSB）。使用高容量负电极（例如锂金属和硅）以及高容量的正极电极（例如基于硫基于硫的氧化物和富含Li的氧化物材料）的主要挑战是，正和负电极的活性材料在充电和排放期间经历较大的体积变化。在该项目中，将开发适合这些高容量电极的机械性能，电化学稳定性和离子电导率的固体电解质。我们还专注于界面设计，以形成和维护电极和电解质，电池制造过程之间的固体界面以及高级分析和计算方法，以阐明循环过程中界面处发生的机制。该图显示了使用基于硫的阳性电极和晚期阳性液体使用富含Li的氧化物阳性电极的发育目标。我们将建立基本技术，以加速具有高能量密度和高安全性的Assb的商业化，并在将来实现GX。