XiaoMi-AI文件搜索系统
World File Search System矢量
具有多模型纹理特征的基于最不的平方支持矢量机器脑肿瘤分类系统
放射科医生面对通过MRI图像分析进行分类的复杂任务时，面临着巨大的挑战。我们即将出版的手稿介绍了一种创新且高度效果的方法，该方法将最小二乘支持向量机（LS-SVM）的能力与从T1-Weighted MR MR图像中提取的多尺度形态纹理特征（MMTF）一起得出。我们的方法论对涵盖139例病例的大量数据集进行了细致的评估，其中包括119例异常肿瘤和20例正常脑图像。我们取得的成果无非是非凡的。我们的基于LS-SVM的方法极优于竞争分类器，以98.97％的出色准确率证明其优势。这比替代方法的3.97％改善了3.97％，伴随着明显的2.48％的敏感性增强，特异性提高了10％。这些结果最终超越了传统分类器，例如支持向量机（SVM），径向基函数（RBF）和人工神经网络（ANN），就分类精度而言。我们模型在脑肿瘤诊断领域的出色表现在该领域中取决于向前迈出的实质性飞跃，并承诺使用MRI成像技术为放射学家和医疗保健专业人员提供更精确，更可靠的工具，以识别和分类脑肿瘤。
人工智能应用-药物警戒中不良事件和药物的数据驱动矢量表示
目标：评估通过全球药物警戒报告模式得出的不良事件和药物的向量表示法识别的最近邻的稳定性和临床相关性。背景：药物警戒需要识别与同一临床状况相关的不良事件术语，仅依靠医学术语的层次结构往往是不够的。药品分析也存在类似的挑战。通过利用机器学习的进步，UMC 开发了 vigiVec，产生了 MedDRA 首选术语和 WHODrug 活性物质的向量表示法。
比较量子和经典机器学习在大型强子对撞机中矢量玻色子散射背景减少的效果
我们报告了量子和经典机器学习技术之间的一致比较，这些技术应用于对矢量玻色子散射过程的信号和背景事件进行分类，该过程在欧洲核子研究中心实验室安装的大型强子对撞机上进行研究。基于变分量子电路的量子机器学习算法在免费提供的量子计算硬件上运行，与在经典计算设施上运行的深度神经网络相比，表现出非常好的性能。特别是，我们表明这种量子神经网络能够正确地对信号进行分类，其特征曲线下面积 (AUC) 非常接近使用相应的经典神经网络获得的特征曲线下面积 (AUC)，但使用的资源数量要少得多，训练集中的可变数据也较少。尽管这项工作是在有限的量子计算资源下给出原理证明的演示，但它代表了
在脑部计算机界面任务期间皮质树突中的矢量化指导性信号
。cc-by-nd 4.0国际许可证（未经同行评审证明）获得的是作者/资助者，他已授予Biorxiv的许可证，以永久显示预印本。这是该版本的版权持有人，该版本发布于2023年11月5日。 https://doi.org/10.1101/2023.11.03.565534 doi：Biorxiv Preprint
使用tsukuba系统矢量
使用遗传转化方法评估在果树种类中表达的基因的功能是一个漫长的过程，因为这些树木通常是对遗传转化的顽固性，并且在较长的幼年相中不能忍受果实。果实中的瞬时基因表达能够对与果实性状相关的基因进行功能分析，从而加速了果实生理的研究。在这里，通过使用最近开发的“ tsukuba系统”，我们成功地建立了收获的水果组织中有效的瞬态表达系统。“ tsukuba系统”利用了双子病毒复制系统和双终止仪的组合，从而确保了足够的转基因表达水平。我们使用蓝莓水果作为模型来表征该系统在果组织中瞬时表达的适用性。PTKB3- EGFP载体是通过浸润到几种蓝莓品种的水果组织中引入的。我们发现，果实灌注后4-6天，果实中的瞬时GFP荧光。农杆菌悬浮液很容易注入柔软的成熟果实，GFP强烈表达。然而，硬质果实无法通过农业悬浮液渗透，很少检测到GFP。然后，我们测试了开发系统对其他果树的适用性：六个家庭，17种和26种品种。GFP荧光。在蓝莓，鸟莓，甜樱桃，杏子和卫星普通话中，GFP高度表达并以很大一部分的肉体观察到。在Kiwifruit，Hardy Kiwifruits，柿子，桃子，苹果，欧洲梨和葡萄中，GFP荧光仅限于某些部分水果。最后，对蓝莓中的瞬态VCMYBA1过表达进行了测试，作为水果中基因功能分析的模型。瞬态VCMYBA1过表达诱导肉中的红色色素沉着，这表明VCMYBA1表达引起花青素的积累。这项研究为在水果中表达的基因的快速评估提供了技术基础，这对于长期幼年阶段的水果作物的基因功能评估研究非常有用。
Torchhd：一个开源Python库，用于支持高维计算和矢量符号体系结构的研究
高维计算（HD），也称为向量符号体系结构（VSA），是通过利用随机高维矢量空间的属性来计算分布式表示的框架。科学通信对在这个尤其多学科领域进行汇总和传播研究的承诺对于其进步至关重要。加入这些效果，我们提出了HD/VSA的高性能开源Python库Torchhd。Torchhd试图使HD/VSA更容易访问，并为进一步的研究和应用程序开发提供了有效的基础。易于使用的库建立在Pytorch之上，并具有最先进的HD/VSA功能，清晰的文档和来自著名出版物的实施示例。将公开可用的代码与相应的TorchHD实现进行比较，表明实验可以快速运行100倍。Torchhd可在以下网址提供：https：//github.com/hyperdimensional-computing/torchhd。关键字：高维计算，矢量符号体系结构，分布式代表，机器学习，符号AI，Python库
Bruno Gavazzi、Pauline Le Maire、Marc Munschy、Aline Dechamp。磁通门矢量磁力仪：用于地面、无人机和机载磁测的多传感器设备。Leading Edge，2016，35 (9)，第 795-797 页。 10.1190/tle35090795.1。hal-01624847
简介 磁法有多种应用，例如采矿勘探、未爆炸弹药 (UXO) 探测和考古学 (Nabighian 等人，2005)。概念始终相同：测量由于地面磁化不均匀性而导致的磁场横向变化。根据勘测目的，测量范围很广，从地面几平方米到高海拔的平方公里。通常，磁数据是使用光泵或质子进动原理的标量磁强计获得的。它们给出场的总磁强度 (TMI) 的伪绝对值。但是，这种技术有一些局限性。基于进动（质子和 Overhauser）的磁强计坚固耐用且非常简单。它们的灵敏度约为 0.1 纳特斯拉 (nT)，但采样率不能超过几赫兹，这对于高速测量或测量更高频率的时间变化可能会有问题。基于光泵浦的磁强计具有高灵敏度，通常低于 0.01 nT。采集率高达几十分之一赫兹，但它们比进动类型更复杂且更脆弱。无论如何，测量的 TMI 包括设备本身的磁效应，这对精确测量来说是一个问题。磁化设备越大，它应该安装在离磁强计越远的地方。因此，紧凑型设备的设计十分困难。我们通过使用磁通门矢量磁力仪克服了这些限制。
用于估计传入电磁波到达方向的双波段矢量传感器
I. 引言 无线电测向仪 (RDF) 的目的是估计电磁 (EM) 源辐射的入射波的到达方向 (DoA)。RDF 可用于国防以及民用应用，如射电天文学、导航系统和救援设备 [1]。为了估计传入 EM 场的 DoA，通常使用由传感器天线的空间分布 [2] 或传感器的极化分集 [3] 产生的空间相位分集。也有人提出将这两种众所周知的方法结合起来，以提高 DoA 估计的准确性 [4]–[10]。基于空间分集的 DoA 估计包括使用单极化分布式元件阵列测量传入的 EM 场，而极化分集的使用则基于使用由六个天线组成的矢量传感器（例如三个正交电偶极子和三个正交磁偶极子）测量 EM 场分量 [11]。然而，根据 [10]、[12]–[18]，仅测量三个 EM 场分量似乎足以精确估计