XiaoMi-AI文件搜索系统
World File Search System邻域
文章 茂密森林覆盖区机载激光扫描 (ALS) 数据地表插值的精度
摘要：地表数字模型在林业中具有许多潜在应用。如今，光探测和测距 (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，这一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。在本文中，我们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的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，我们发现在总体精度方面性能相似，RMSE 值在 0.11 到 0.28 米之间（当模型分辨率设置为 0.5 米时）。其中五种算法（自然邻域、Delauney 三角剖分、多层 B 样条、薄板样条和基于 TIN 的薄板样条）对于超过 90% 的验证点具有小于 0.20 米的垂直误差。同时，对于大多数算法，主要垂直误差（超过 1 米）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显著。
文章 茂密森林覆盖区机载激光扫描 (ALS) 数据地表插值的精度
摘要：地表数字模型在林业中具有许多潜在应用。如今，光探测和测距 (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，这一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。在本文中，我们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的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，我们发现在总体精度方面性能相似，RMSE 值在 0.11 到 0.28 米之间（当模型分辨率设置为 0.5 米时）。其中五种算法（自然邻域、Delauney 三角剖分、多层 B 样条、薄板样条和基于 TIN 的薄板样条）对于超过 90% 的验证点具有小于 0.20 米的垂直误差。同时，对于大多数算法，主要垂直误差（超过 1 米）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显著。
文章 茂密森林覆盖下机载激光扫描 (ALS) 数据的地面插值精度
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，我们发现总体精度方面的性能相似，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、多层 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会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。
基于深度多视角特征学习的脑电信号运动想象意图识别
摘要：运动想象意图识别是当前脑机接口研究的热点之一，它可以帮助患有躯体运动障碍的患者传达自己的运动意图。近年来，利用深度学习在运动想象任务识别研究方面取得了突破性进展，但如果忽略与运动想象相关的重要特征，可能导致算法的识别性能下降。该文针对运动想象脑电信号分类任务提出了一种新的深度多视角特征学习方法。为了在脑电信号中获得更具代表性的运动想象特征，根据脑电信号的特点以及不同特征之间的差异，引入一种多视角特征表示，采用不同的特征提取方法分别提取脑电信号的时域、频域、时频域和空域特征，使它们相互配合、相互补充。然后采用基于t分布随机邻域嵌入（t-SNE）改进的深度受限玻尔兹曼机（RBM）网络对脑电信号的多视角特征进行学习，使算法在去除特征冗余的同时兼顾多视角特征序列的全局特性，降低多视角特征的维数，增强特征的可识别性。最后采用支持向量机（SVM）对深度多视角特征进行分类。将所提方法应用于BCI竞赛IV 2a数据集，获得了优异的分类结果。结果表明，深度多视角特征学习方法进一步提高了运动想象任务的分类准确率。
文章 茂密森林覆盖区机载激光扫描 (ALS) 数据地表插值的精度
摘要：地表数字模型在林业中具有许多潜在应用。如今，光探测和测距 (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，这一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。在本文中，我们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的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，我们发现在总体精度方面性能相似，RMSE 值在 0.11 到 0.28 米之间（当模型分辨率设置为 0.5 米时）。其中五种算法（自然邻域、Delauney 三角剖分、多层 B 样条、薄板样条和基于 TIN 的薄板样条）对于超过 90% 的验证点具有小于 0.20 米的垂直误差。同时，对于大多数算法，主要垂直误差（超过 1 米）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显著。
lovis4u：比较基因组学的基因座可视化工具
可用性和实现：Lovis4U在Python3中实现，并在Linux和MacOS上运行。命令行接口涵盖了最实际的用例，而提供的Python API允许在Python程序中使用，集成到外部工具中以及其他自定义。源代码可在github页面上获得：github.com/art- egorov/lovis4u。详细的文档，其中包括示例驱动指南，可以从软件主页上获得：art-egorov.github.io/lovis4u。简介微生物基因组数据库的指数增长已解锁了许多比较基因组分析的机会（1）。各种任务，例如对基因邻域保护的分析（2,3），功能短ORF（4,5）的注释以及基因组变异性热点（6-8）的研究通常需要可视化多个基因组基因局基因局基因局基因局基因局基因局。为此目的开发了几种软件工具。这些子集具有图形用户界面（GUI），例如Artemis比较工具（9），EasyFig（10），Genespy（11）和Geneious Prime（Geneious.com）。另一个类别包括基于Web的应用程序，例如基因图形（12）。此外，还有库，例如r套件genoplotr（13）和gggenes（14），以及python包装Genomediagram（15）。一些工具集成了多种方法，创建混合解决方案。例如，GenView是一种与交互式Web应用程序（16）相结合的Python管道（16），Clinker＆ClusterMap.js（17）是一种流行的工具，具有命令行界面和可以生成矢量图形的交互式Web应用程序。尽管这些工具中的许多工具都通过GUIS或Web应用程序具有交互性，但缺乏适用用户友好的命令行工具
物理学的数学方法
o 获得持续学习和知识更新的基本知识工具 o 学生将培养不断更新物理研究中的数学技术和技能的态度。 教学大纲 内容知识 度量空间。定义。例子。开集、闭集、邻域。拓扑空间。连续映射。稠密集、可分空间。收敛和柯西序列。完备性。例子。度量空间的完备性。巴拿赫空间。向量空间。范数空间。完备性和巴拿赫空间。例子：有限维空间、序列空间、函数空间。有界线性算子。连续性和有界性。BLT 定理。连续线性泛函和对偶空间。有界线性算子的巴拿赫空间。例子。测度论简介。勒贝格积分。Sigma 代数和 Borel 测度。可测函数。支配和单调收敛。富比尼定理。例子：绝对连续测度、狄拉克测度、康托测度。勒贝格分解定理。希尔伯特空间。内积。欧几里得空间和希尔伯特空间。正交性、勾股定理。贝塞尔不等式和柯西-施瓦茨不等式。三角不等式。平行四边形定律和极化恒等式。例子。直和。投影定理。Riesz-Fréchet 引理。正交系统和傅里叶系数。正交基和 Parseval 关系。Gram-Schmidt 正交化程序。与 l^2 同构。张量积和积基。希尔伯特空间上的线性算子。有界算子的 C ∗ -代数。正规、自伴、酉和投影算子。Baire 范畴定理。一致有界性原理。一致、强和弱收敛。一些量子力学。无界算子。伴生。对称和自伴算子。例子：乘法和导数算子。本质自伴算子。自伴性和本质自伴性的基本标准。图、闭包
EGNN：基于进化计算的图结构学习在图神经网络中更有帮助
近年来，图神经网络（GNN）凭借其邻域聚合的特性，在许多领域得到了成功应用，并取得了最佳性能。虽然大多数GNN处理图数据，但原始图数据往往带有噪声或不完整，导致GNN性能不佳。为了解决这个问题，最近出现了一种图结构学习（GSL）方法，通过学习符合基本事实的图结构来提高图神经网络的性能。然而，目前的GSL策略是迭代优化最优图结构和单个GNN，这会在训练中遇到几个问题，即脆弱性和过度拟合。本文引入了一种称为进化图神经网络（EGNN）的新型GSL方法，以提高对对抗性攻击的防御能力并增强GNN性能。与现有的GSL方法通过交替训练方法来优化图结构并增强单个GNN模型的参数不同，本文首次将进化理论应用于图结构学习。具体来说，通过变异操作生成的不同图结构用于进化一组模型参数，以适应环境（即提高未标记节点的分类性能）。然后使用评估机制来衡量生成样本的质量，以便仅保留具有良好性能的模型参数（后代）。最后，保留适应环境的后代并用于进一步优化。通过这个过程，EGNN 克服了图结构学习的不稳定性，并且始终进化出最好的后代，为 GSL 的进步和发展提供了新的解决方案。在各种基准数据集上进行的大量实验证明了 EGNN 的有效性以及基于进化计算的图结构学习的好处。© 2023 由 Elsevier BV 出版
ChemPrint：用于增强药物发现的 AI 驱动框架
摘要：传统的高通量筛选 (HTS) 药物发现效率低下。具有临床治疗潜力的化合物的命中率通常为 0.5%，最多只有 2%。深度学习模型将筛选率提高到 28%；然而，这些结果包括与治疗无关浓度的命中、训练集的新颖性不足以及遍历有限的化学空间。这项研究介绍了一种新型人工智能 (AI) 驱动平台 GALILEO 和分子几何深度学习 (Mol-GDL) 模型 ChemPrint。该模型部署了 t 分布随机邻域嵌入 (t-SNE) 数据分割，以在训练期间最大化化学差异，并部署了自适应分子嵌入，以增强预测能力并探索未知的分子领域。回顾性测试时，ChemPrint 的表现优于一组五个模型难以用药的肿瘤靶点 AXL 和 BRD4，使用 t-SNEsplit 实现平均 AUROC 得分 AXL 为 0.897，BRD4 为 0.876，相比之下，基准模型得分范围为 AXL 为 0.826 至 0.885，BRD4 为 0.801 至 0.852。在一项零样本前瞻性研究中，体外测试表明，ChemPrint 提名的 41 种化合物中有 19 种在浓度≤20µM 时表现出抑制活性，命中率为 46%。这 19 个命中报告的平均-最大 Tanimoto 相似度得分相对于其训练集为 0.36，得分为 0.13 （AXL）和 0.10（BRD4）相对于这些目标的临床阶段化合物。我们的研究结果表明，通过在具有最大差异性的数据集上训练和测试 ChemPrint 来增加测试集难度可以增强模型的预测能力。这导致发现具有低治疗浓度和高化学新颖性的高命中率的化合物库。综上所述，所提出的平台设定了新的性能标准。
通过脑电图检测微睡眠状态
摘要 微睡眠是指意识短暂丧失，完全停止工作。它们是许多需要持续注意力的交通领域（尤其是驾驶）发生致命事故的原因。使用无线 EEG 电极的微睡眠警告装置可用于将用户从即将发生的微睡眠中唤醒。高维数据集（尤其是在基于 EEG 的分类中）带来了挑战，因为通常存在大量潜在有用的特征来检测感兴趣的现象。因此，在训练分类器之前降低原始数据的维度通常很重要。在本研究中，将线性降维方法——主成分分析 (PCA) 和概率 PCA (PPCA)——与八种非线性降维方法（核 PCA、经典多维缩放、等距映射、最近邻估计、随机邻域嵌入、自动编码器、随机邻近嵌入和拉普拉斯特征图）进行了比较，这些数据来自八名健康、未睡眠不足的志愿者，他们执行了 1 小时的 1D 视觉运动跟踪任务。通过目视检查 3D 散点图上的类别分离、可信度得分以及基于堆叠泛化的线性判别分析 (LDA) 系统上的微睡眠检测性能来评估特征减少算法的有效性，该系统基于减少的特征估计 1 Hz 下的微睡眠/响应状态。在可信度方面，PPCA 优于 PCA，但 PCA 优于所有非线性技术。每种特征减少方法的可信度得分也与微睡眠状态检测性能密切相关，有力地验证了可信度在预测性能方面估计特征减少方法的相对有效性的能力，以及独立于黄金标准的能力。