XiaoMi-AI文件搜索系统
World File Search System预测
基于深度学习方法预测抗癌药物敏感性
抗癌药物敏感性的预测是个性化医学的主要挑战。在本文中，CCLE被用作抗癌药物易感性研究的数据集，并选择了基因的数据数据和不同细胞系上的药物敏感性数据。同时，我们签署了一种称为PCA变压器（PCAT）的混合深度学习和机器学习方法，以预测抗癌药物的敏感性。首先，构建了PCA模型以在不同细胞系上提取基因表达数据中的重要变量，因此将约50,000的基因维度降低到500。然后，基于降低性降低基因表达值建立了神经网络变压器模型，以预测药物敏感性，通过均方根误差（RMSE）评估我们的模型的功能，并使用最佳的潜在变量来评估模型估计值。为了验证PCA变压器的性能，本文将变压器模型与前字典模型随机森林（RF）和支持向量回归（SVR）进行了比较。特定组合Include：PCA变压器，PCA + SVR，PCA + RF。最后，将结果与先前的研究方法（ISIR）的结果进行了比较和优化。最终预测结果表明，对于CCLE中的24种药物，该方法预测的平均RMSE为0.7564、6种药物的RMSE小于0.5（L-685458，PF2341066等）。）和18种药物小于1。预测方法的平均RMSE为0.8284（PCA + SVR），0.8757（PCA + RF）和ISIRS（0.9258），表明所提出的方法具有更强的概括能力。
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
压电纤维复合材料智能传感器的有限元预测与器件性能研究
将 MFC 看成压电等效体，由于功能相 PZT-5H 为四方相晶体结构 P4mm 点 群，存在 32 31 24 15 11 22 11 22 44 55 13 23 32 、 、 、 、 、 d d d d s s s s s s s ，则式（ 1 ）
放疗前SII、PNI 和LDH 对放射性肺炎的预测价值
基金项目 : 江苏省 “333 高层次人才培养 ” 工程项目 [(2022) 3 - 12 - 134 号 ]; 江苏省中医药科技发展计划项目 (MS2022066); 彭城英才 - 医学重点人才项目 (XWRCHT20220056) ∗ 通信作者 ,E-mail:xiaojinwuxz@ 163. com
第三代半导体碳化硅行业前瞻
图表 9 ： SiC 产业链及代表企业 ............................................................................................................................. 6 图表 10 ： 导电型碳化硅衬底 ................................................................................................................................. 6 图表 11 ： 半绝缘型碳化硅衬底 ............................................................................................................................. 6 图表 12 ： WolfSpeed 公司导电碳化硅衬底演进过程 ........................................................................................... 7 图表 13 ： SiC 衬底制作工艺流程 ........................................................................................................................... 8 图表 14 ： PVT 法生长碳化硅晶体示意图 ............................................................................................................. 8 图表 15 ： 用于制备碳化硅的籽晶 ......................................................................................................................... 8 图表 16 ： CMP 过程示意图 ................................................................................................................................... 10 图表 17 ： CVD 法制备碳化硅外延工艺流程 ........................................................................................................11 图表 18 ： SiC 功率器件种类 ............................................................................................................................... 12 图表 19 ： SiC-SBD 与 Si-SBD 比较 ..................................................................................................................... 13 图表 20 ： SiC-SBD 正向特性 ............................................................................................................................... 13 图表 21 ： SiC-SBD 温度及电流依赖性低 ........................................................................................................... 13 图表 22 ： SiC-SBD 具有优异的 TRR 特性 ........................................................................................................... 13 图表 23 ： SiC MOSFET 与 Si IGBT 开关损耗对比 .............................................................................................. 14 图表 24 ： SiC MOSFET 与 Si IGBT 导通损耗对比 .............................................................................................. 14 图表 25 ： SiC MOSFET 体二极管动态特性 ......................................................................................................... 14 图表 26 ： N 沟道 SiC IGBT 制备技术图 ............................................................................................................. 15 图表 27 ： SiC 行业发展阶段曲线 ....................................................................................................................... 16 图表 28 ： SiC 市场规模现状及预测 ................................................................................................................... 17 图表 29 ： 新能源汽车包含功率器件分布情况 .................................................................................................. 18 图表 30 ： 对车载和非车载的器件要求 .............................................................................................................. 18 图表 31 ： 车载 OBC 发展趋势 ............................................................................................................................. 19 图表 32 ： 硅基材料功率器件的工作极限 ........................................................................................................... 19 图表 33 ： 全球新能源汽车碳化硅 IGBT 市场规模 ............................................................................................ 19 图表 34 ： 全球新能源汽车市场销量及增长率预测 ............................................................................................ 20 图表 35 ： 中国新能源汽车市场销量及增长率预测 ............................................................................................ 20 图表 36 ： 2020 年全球新能源乘用车车企销量 TOP10( 辆 ) ................................................................................ 21 图表 37 ： 2020 年全球新能源乘用车车型销量 TOP10( 辆 ) ................................................................................ 21 图表 38 ： 光伏碳化硅器件优越性 ....................................................................................................................... 22 图表 39 ： 全球光伏需求预测 ............................................................................................................................... 22 图表 40 ： 全球光伏碳化硅 IGBT 市场规模 ........................................................................................................ 23 图表 41 ： 全球光伏 IGBT 市场规模 .................................................................................................................... 23 图表 42 ： 2015-2021 年中国累计充电桩数量 ..................................................................................................... 24 图表 43 ： 2015-2020 年中国车桩比例 ................................................................................................................. 24 图表 44 ： 中国新能源汽车充电桩市场规模及预测 ............................................................................................ 25 图表 45 ： 全球充电桩碳化硅器件市场规模 ....................................................................................................... 25 图表 46 ： 全球轨道交通碳化硅市场规模及预测 ............................................................................................... 26 图表 47 ： 2020 年全球轨道交通运营里程 TOP10 .............................................................................................. 26 图表 48 ： 轨道交通碳化硅器件占比预测 ........................................................................................................... 27 图表 49 ： 全球轨道交通碳化硅技术采用情况 ................................................................................................... 27 图表 50 ： 2015-2025 年中国 UPS 市场规模及预测 ............................................................................................ 28 图表 51 ： 2015-2021 年中国 UPS 器件类型情况 ................................................................................................ 28 图表 52 ： 2011-2020 年全球 UPS 市场规模及预测 ............................................................................................ 29 图表 53 ： 2019-2025 年全球 UPS 碳化硅器件市场规模 .................................................................................... 29 图表 54 ： 国外碳化硅衬底技术进展 ................................................................................................................... 30 图表 55 ： 碳化硅衬底尺寸市场占比演变 ........................................................................................................... 30
国金证券-医药健康行业研究：技术升级赋能行业应用，AI+医药健康发展有望提速-230505.pdf
DeepMind 团队于2020 年12 月发布的一种人工智能蛋白质结构预测算法AlphaFold2，被 认为具有人工智能领域里程碑性意义，解决了生物学界长达50 年的蛋白质空间结构预测 难题，改变了此前几乎只能使用X 射线晶体学和冷冻电子显微镜等实验技术确定蛋白质结 构的现状。它的原理基于最先进的深度学习算法以及进化中蛋白质结构的守恒。它使用了 大量的蛋白质序列和结构数据进行训练（如MGnify 和UniRef90 数据库、 BFD 数据库）， 并 使用了一个新的深度神经网络构架，该网络被训练为通过利用同源蛋白质和多序列比 对的信息从氨基酸序列生成蛋白质结构。 DeepMind 公司与欧洲生物信息研究所（EMBL-EBI） 的合作团队已经使用AlphaFold2 成功预测出超过100 万个物种的2.14 亿个蛋白质结构， 几乎涵盖了地球上所有已知蛋白质。这一成果标志着AlphaFold2 在结构生物学领域的突 破，因为这些预测结果中有大约35%的结构具有高精度，达到了实验手段获取的结构精度， 而大约80%的结构可靠性足以用于多项后续分析。这将有助于深入理解蛋白质的结构和功 能，为生命科学领域的研究提供更多的线索和解决方案。 AlphaFold2 应用范围广泛，未来 可能被应用于结构生物学、药物发现、蛋白质设计、靶点预测、蛋白质功能预测、蛋白质 -蛋白质相互作用、生物学作用机制等。
通过机器学习预测的妇科疾病预测
气候的快速变化影响了全球动物生命的生态系统。在农作物上食用加工食品和过量农药给人体带来了不同的困难。如今，尤其是女孩患有各种妇科疾病。流产和贫血很普遍。机器学习算法被广泛喜爱，并广泛用于疾病预测。我们从调查中获得的详细信息建立了数据集。为了预测妇科疾病，我们利用了5种机器学习算法。其中三个基于统计，例如决策树，K-最近的邻居（KNN）和Naive Bayes分类器，以及2个是混合建模，例如决策树和SVM（DT＆SVM），随机森林和幼稚的贝叶斯（RF＆NB）。根据正确的解释，我们考虑了妇科疾病预测的顶级算法。最佳结果是通过所有算法的决策树集合和幼稚的贝叶斯获得的，精度为86.30％，召回得分为87.15％。多亏了最高的完成方法，我们的模型具有出色的妇科疾病预测能力。
精神病学：预测可预测性
精神病学是一个新兴领域，旨在为精神卫生保健提供个性化的方法。实现此精度的重要策略是减少对预后和治疗反应的不确定性。多变量分析和机器学习用于基于临床数据，例如人口统计学，评估，遗传信息和大脑成像创建结果预测模型。尽管已经将很多重点放在技术创新上，但心理健康的复杂性和多样性的性质给这些模型的成功实施带来了挑战。从这个角度来看，我回顾了精神病学领域的十个挑战，包括需要对现实世界人群进行研究和现实的临床结果定义，以及考虑与治疗相关的因素（例如安慰剂效应和对处方不遵守）的考虑。公平性的验证是当前正在研究的其他关键问题。从基于线性和静态疾病概念的回顾性研究提出了转变，转移到了前瞻性研究，该研究认为情境因素的重要性以及心理健康的动态和复杂性。