XiaoMi-AI文件搜索系统
World File Search System邻域
考虑合作任务和优先约束的多机器人任务分配与调度
摘要 — 为了充分利用异构多机器人团队合作的固有优势，复杂的协调算法必不可少。时间扩展多机器人任务分配方法将一组任务分配和安排给一组机器人，以优化某些目标并满足操作约束。如果考虑合作任务（即需要两个或多个机器人直接协同工作的任务），这尤其具有挑战性。在本文中，我们提出了一个易于实施的标准来验证时间扩展多机器人任务分配问题解决方案的可行性，即可执行性，这些问题具有跨计划依赖性，这些依赖性源于对合作任务和优先约束的考虑。使用引入的可行性标准，我们针对所考虑的问题类提出了一种基于邻域运算符的局部改进启发式方法。初始解决方案由贪婪的构造启发式方法获得。这两种方法都使用广义成本结构，因此能够处理各种目标函数实例。我们使用不同问题规模的测试场景来评估所提出的方法，所有这些场景都包含所考虑问题的复杂性方面。模拟结果证明了应用局部改进启发式方法所带来的改进潜力。
用于基础架构场景3D点云语义分割的层次SVM
摘要：建筑信息建模（BIM）的结合带来了土木工程的重大进步，增强了项目生命周期的效率和可持续性。激光扫描等高级3D点云技术的利用扩展了BIM的应用，尤其是在操作和维护中，促使探索自动化解决方案以进行劳动密集型点云建模。本文介绍了监督机器学习（特别是支持向量机）的演示，用于分析和分割3D点云，这是3D建模的关键步骤。对点云语义分割工作流进行了广泛的审查，以涵盖关键元素，例如邻域选择，特征提取和特征选择，从而为此过程开发了优化的方法。在每个阶段都实施各种策略，以增强整体工作流程并确保弹性结果。然后使用来自桥梁基础结构场景的不同数据集评估该方法，并将其与最先进的深度学习模型进行了比较。调查结果强调了在精确细分3D点云时监督机器学习技术的有效性，超过了较小的培训数据集的深度学习模型，例如PointNet和PointNet ++。通过实施高级分割技术，要点对点云的3D建模所需的时间有所减少，从而进一步提高了BIM过程的效率和有效性。
电容位置的概念上简单算法...
位置路由问题（LRP）共同优化了仓库的位置和车辆的路由。研究最多的LRP变体是电容的LRP（CLRP）。这些方法通常将问题分解为位置阶段，以确定有希望的仓库配置和路由阶段，在该阶段中，解决了车辆路线问题以评估先前确定的仓库配置的质量。不幸的是，CLRP文献并没有太多阐明算法特征对这种启发式方法的解决方案质量和运行时的影响最大的重要问题。本文的目的是为CLRP提出一种简单（但相当有效的）启发式启发式启发式方法，并就此问题的成功元启发式设计设计一些见解。我们的算法是一种混合组合（i）使用可变邻居下降的抓地力阶段，用于位置阶段的局部改进，（ii）在路由阶段进行可变的邻域搜索。我们分析了算法组件对溶液质量和运行时的影响。此外，我们发现，用于评估趋势中研究的仓库配置质量的次优路由解决方案导致与太多的开放仓库相结合。我们提出了一个减轻此缺点的仓库配置阶段，我们显示
肿瘤微环境相互作用引导图形学习，从全切片病理图像进行人类癌症生存分析
深度学习技术的最新进展为协助病理学家从全切片病理图像（WSI）中预测患者的生存期带来了可能性。然而，大多数流行的方法仅适用于WSI中特定或随机选择的肿瘤区域中的采样斑块，这对于捕捉肿瘤与其周围微环境成分之间复杂相互作用的能力非常有限。事实上，肿瘤在异质性肿瘤微环境（TME）中得到支持和培育，详细分析TME及其与肿瘤的相关性对于深入分析癌症发展的机制具有重要意义。在本文中，我们考虑了肿瘤与其两个主要TME成分（即淋巴细胞和基质纤维化）之间的空间相互作用，并提出了一种用于人类癌症预后预测的肿瘤微环境相互作用引导图学习（TMEGL）算法。具体来说，我们首先选择不同类型的块作为节点来为每个 WSI 构建图。然后，提出了一种新颖的 TME 邻域组织引导图嵌入算法来学习可以保留其拓扑结构信息的节点表示。最后，应用门控图注意网络来捕获肿瘤与不同 TME 组件之间与生存相关的交集以进行临床结果预测。我们在来自癌症基因组图谱 (TCGA) 的三个癌症队列上测试了 TMEGL，实验结果表明 TMEGL 不仅优于现有的基于 WSI 的生存分析模型，而且对生存预测具有良好的可解释能力。
Lobish：使用基于通道的变换和模式解释语言检测中的脑电信号的符号语言
摘要：脑电图 (EEG) 信号包含有关大脑状态的信息，因为它们反映了大脑的功能。然而，手动解释 EEG 信号既繁琐又耗时。因此，需要使用机器学习方法提出自动 EEG 翻译模型。在本研究中，我们提出了一种创新方法，以实现高分类性能和可解释的结果。我们引入了基于通道的变换、通道模式 (ChannelPat)、t 算法和 Lobish（一种符号语言）。通过使用基于通道的变换，EEG 信号使用通道的索引进行编码。所提出的 ChannelPat 特征提取器对两个通道之间的转换进行编码，并用作基于直方图的特征提取器。采用迭代邻域分量分析 (INCA) 特征选择器来选择最具信息量的特征，并将所选特征输入到新的集成 k 最近邻 (tkNN) 分类器中。为了评估所提出的基于通道的 EEG 语言检测模型的分类能力，收集了一个包含阿拉伯语和土耳其语的新 EEG 语言数据集。此外，还引入了 Lobish，以便从所提出的 EEG 语言检测模型中获得可解释的结果。所提出的基于通道的特征工程模型被应用于收集的 EEG 语言数据集，实现了 98.59% 的分类准确率。Lobish 从大脑皮层提取有意义的信息以进行语言检测。
使用分层 K 函数进行激光雷达数据分类 ...
使用分层 K 均值聚类的激光雷达数据分类 Nesrine Chehata a,b , Nicolas David b , Frédéric Bretar b a Institut EGID - Université Bordeaux 3 - Equipe GHYMAC Allée Daguin 33607 Pessac- Nesrine.Chehata@egid.u-bordeaux3.fr乙国家地理研究所 - MATIS Av. 实验室Pasteur 94165 St. Mandé cedex, France- nicolas.david@ign.fr, frederic.bretar@ign.fr Commission III, WG III/3 关键词：遥感、LIDAR、层次分类、DTM、多分辨率 摘要：本文涉及使用激光雷达点云过滤和分类来建模地形，更一般地用于场景分割。在本研究中，我们建议使用众所周知的 K 均值聚类算法来过滤和分割（点云）数据。K 均值聚类非常适合激光雷达数据处理，因为可以根据所需的类别使用不同的特征属性。当仅处理 3D 点云时，属性可能是几何或纹理的，但当联合使用光学图像和激光雷达数据时，属性也可能是光谱的。该算法基于固定的邻域大小，可以处理植被茂密的陡峭地貌、山区区域和呈现微地形的地形。我们的算法的新颖之处在于提供分层分割聚类来提取地面点。聚类分割的数量用于自动限定分类可靠性。这一点在以前的工作中很少被处理。此外景观< /div>
基于脑电图识别与情况相关的驾驶员状态...
王丽波 新加坡南洋理工大学电气与电子工程学院 ELPWang@ntu.edu.sg 摘要——从代表不同情境意识 (SA) 状态的脑电图 (EEG) 中提取受试者内和受试者间参数是客观情境意识识别的关键挑战。现有的大部分工作都集中在应用功率谱密度 (PSD) 特征的受试者相关分类上。在本文中，我们提出了一种用于跨受试者疲劳相关 SA 识别的新型频谱空间 (SS) 模型。SS 模型不仅考虑不同大脑区域的生物拓扑来捕捉不同 EEG 通道之间的局部和全局关系，而且还提取每个 EEG 通道的频谱特征。具体而言，我们首先通过基于 EEG 通道之间的欧几里得距离构建的邻接矩阵对 EEG 通道的拓扑结构进行建模。然后，采用图卷积运算执行邻域聚合以提取空间特征。我们在驾驶员执行任务期间收集的公共数据集上测试我们的模型。探索了模型的受试者独立性能。结果表明：（1）与最先进的脑电信号 SA 识别模型相比，我们的模型具有更优异的性能。具体而言，我们的 SS 模型实现了 70.6% 的准确率，比传统机器学习方法高 2.7%-6.8%，比深度学习方法高 10.3%-11.6%；（2）枕部脑电信号可以更好地反映 SA 的变化。
卡痛树的健康益处和副作用
摘要：背景：Kratom 是一种可以改变人的精神状态的物质，尽管存在潜在的健康风险，但可用于缓解疼痛、改善情绪和戒除阿片类药物。在本研究中，我们旨在分析社交媒体上关于 Kratom 的讨论，以提供更多关于 Kratom 的好处和副作用的见解。此外，我们旨在展示算法机器学习方法、定性方法和数据可视化技术如何相互补充，以辨别对 Kratom 效果的不同反应，从而补充传统的定量和定性方法。方法：使用潜在狄利克雷分配 (LDA) 算法、PyLDAVis 和 t 分布随机邻域嵌入 (t-SNE) 技术分析社交媒体数据，以识别 Kratom 的好处和副作用。结果：分析表明，Kratom 有助于戒毒和管理阿片类药物戒断，缓解焦虑、抑郁和慢性疼痛，改善情绪、精力和整体心理健康，并提高生活质量。相反，它可能引起恶心、胃部不适和便秘，增加心脏风险，影响呼吸功能并威胁肝脏健康。其他报告的副作用包括脑损伤、体重减轻、癫痫发作、口干、瘙痒和对性功能的影响。结论：这种综合方法强调了其在全面了解对 Kratom 的不同反应方面的有效性，补充了用于研究 Kratom 的传统研究方法。
茂密森林覆盖中机载激光扫描 (ALS) 数据的地表插值精度
摘要：地表数字模型在林业中具有许多潜在应用。如今，光检测和测距 (LiDAR) 是收集形态数据的主要来源之一。通过激光扫描获得的点云用于通过插值对地表进行建模，该过程受到各种误差的影响。使用 LiDAR 数据收集地表数据用于林业应用是一个具有挑战性的场景，因为森林植被的存在会阻碍激光脉冲到达地面的能力。因此，地面观测的密度将降低且不均匀（因为它受到冠层密度变化的影响）。此外，森林地区通常位于山区，在这种情况下，地表的插值更具挑战性。本文对九种算法的插值精度进行了比较分析，这些算法用于在茂密森林植被覆盖的山区地形中从机载激光扫描 (ALS) 数据生成数字地形模型。对于大多数算法，我们发现在一般精度方面具有相似的性能，RMSE 值在 0.11 到 0.28 m 之间（当模型分辨率设置为 0.5 m 时）。其中五种算法（自然邻域、Delauney 三角剖分、多级 B 样条、薄板样条和 TIN 薄板样条）对超过 90% 的验证点的垂直误差小于 0.20 m。同时，对于大多数算法，主要垂直误差（超过 1 m）与不到 0.05% 的验证点相关。数字地形模型 (DTM) 分辨率、地面坡度和点云密度影响地面模型的质量，而对于冠层密度，我们发现与插值 DTM 的质量之间的联系不太明显。
黑色素瘤细胞对靶向治疗耐药性的单细胞轨迹
摘要 目的：细胞异质性被认为是影响恶性黑色素瘤治疗反应和耐药性的主要因素。单细胞测序技术的最新发展为这些机制提供了更深入的见解。方法：在这里，我们通过单细胞 RNA 测序分析了不同条件下的 BRAF V600E 突变黑色素瘤细胞系：对 BRAF 抑制剂维莫非尼抑制 BRAF 敏感的细胞和对单独使用维莫非尼或维莫非尼与 MEK1/2 抑制剂考比替尼或曲美替尼联合使用 BRAF 抑制产生耐药性的细胞。通过 t 分布随机邻域嵌入和自组织映射进行降维，确定了不同的耐药性发展轨迹，在细胞和基因状态空间中将 4 种治疗条件清楚地分开。结果：与单一药物治疗耐药性相关的轨迹涉及细胞周期、细胞外基质和去分化程序。相反，在双重耐药细胞中检测到的变化主要影响翻译和丝裂原活化蛋白激酶途径的再激活，其中一小部分亚群显示出多能性标志。这些发现在伪时间分析和 RNA 速度测量中得到了验证。结论：本文报道的单细胞转录组分析采用了一系列生物信息学方法来识别黑色素瘤对单一和双重药物治疗的耐药机制。这项研究加深了我们对治疗诱导的黑色素瘤细胞重编程和可塑性的理解，并确定了与治疗耐药性管理可能相关的目标。关键词黑色素瘤；单细胞转录组测序；治疗反应