XiaoMi-AI文件搜索系统
World File Search System预测方法
聚合物上冷喷涂金属化的预测建模方法
冷喷雾剂（CS）颗粒沉积，也称为冷喷雾添加剂制造，为聚合物底物上的高通量功能金属化提供了机会。然而，由于需要专用且成本密集的实验表征工具，对基于CS的聚合物金属化和量化沉积概率进行了建模。这强调了对预测方法（例如数值建模）的关键需求。为此，目前的工作旨在通过使用三个网络聚合物模型（TNM）来通过数值建模来解决这一关键差距，以在给定的CS过程设置下预测沉积概率的方式。在这方面，对具有不同密度和直径变化的硬颗粒和软颗粒的CS进行了建模，然后进行实验验证。值得注意的是，代表粒子动能的比例的维数（η）是一种预测工具，以估计聚合物底物的CS金属化概率。此外，扩展了建模努力以在CS过程的η数量和面积覆盖率之间建立相关性。发现有效CS聚合物金属化应高于0.8。受控的实验证实了数值建模是针对聚合物CS金属化的高保真预测方法的可行性和可靠性，从而最大程度地减少了对成本密集的试验和纠正效果的需求。
高频交易[算法的实用指南...
定向流动性提供；结论第11章：不对称信息的市场微观量贸易；基于信息的交易模型；结论;第12章：事件套利；制定事件套利交易策略；什么构成事件？;预测方法；可交易新闻；适用事件套利；结论;第13章：高频设置中的统计套利；数学基础；统计套利的实际应用；结论;第14章：创建和管理高频策略的投资组合；
国际大宗商品贸易对南非经济增长的影响
摘要 论文标题：国际大宗商品贸易对南非经济增长的影响 学位：理学硕士 本研究对国际大宗商品贸易对南非经济增长的影响进行了实证分析。这是通过评估 2010 年至 2019 年期间十大进口商品和十大出口商品的影响来实现的。该研究将经济理论国际贸易与实证分析相结合，以评估国际商品贸易对 GDP 的影响。与预测相反，现在预测方法应用于多元线性回归模型，以实时评估国际贸易对经济增长的影响。使用现在预测方法而不是预测将允许投资者、政策制定者和交易者使用实时数据做出更好的投资和政策决策，因为季度 GDP 通常在季度结束 8 周后发布。从回归分析中，我们发现所有进口商品组对季度经济增长的影响都微不足道。在考察出口的影响时，我们发现汽车和汽车零部件的出口以及塑料产品的出口是唯一的积极和显著变量。在评估负面出口商品时，我们发现这些商品出口量很大，但几乎没有增值。此外，HS 代码分组的组成也在降低某些商品对 GDP 的影响方面发挥着作用。关键词：国际贸易、经济增长、南非、现时预测、实证分析
DTI-Voodoo：通过交互网络和基于本体的背景知识进行机器学习，预测药物-靶标相互作用
动机：计算机模拟药物-靶标相互作用 (DTI) 预测对于药物发现和药物再利用非常重要。预测 DTI 的方法可以间接地自上而下进行，使用药物的表型效应来识别潜在的药物靶标，也可以直接自下而上地使用分子信息直接预测结合潜力。这两种方法都可以与有关相互作用网络的信息相结合。结果：我们开发了 DTI-Voodoo 作为一种计算方法，将分子特征和本体编码的药物表型效应与蛋白质-蛋白质相互作用网络相结合，并使用图卷积神经网络来预测 DTI。我们证明药物效应特征可以利用相互作用网络中的信息，而分子特征则不能。DTI-Voodoo 旨在预测给定蛋白质的候选药物；我们使用这种公式来表明常见的 DTI 数据集包含内在偏差，对 DTI 预测方法的性能评估和比较有重大影响。使用经过修改的评估方案，我们证明 DTI-Voodoo 比最先进的 DTI 预测方法有显著改进。可用性：DTI-Voodoo 源代码和重现结果所需的数据可在 https://github.com/THinnerichs/DTI-VOODOO 免费获取。联系方式：tilman.hinnerichs@kaust.edu.sa 补充信息：补充数据可在 https://github.com/THinnerichs/DTI-VOODOO 获得。
DTI-Voodoo：通过交互网络和基于本体的背景知识进行机器学习，预测药物-靶标相互作用
动机：计算机模拟药物-靶标相互作用 (DTI) 预测对于药物发现和药物再利用非常重要。预测 DTI 的方法可以间接地自上而下进行，使用药物的表型效应来识别潜在的药物靶标，也可以直接自下而上地使用分子信息直接预测结合潜力。这两种方法都可以与有关相互作用网络的信息相结合。结果：我们开发了 DTI-Voodoo 作为一种计算方法，将分子特征和本体编码的药物表型效应与蛋白质-蛋白质相互作用网络相结合，并使用图卷积神经网络来预测 DTI。我们证明药物效应特征可以利用相互作用网络中的信息，而分子特征则不能。DTI-Voodoo 旨在预测给定蛋白质的候选药物；我们使用这种公式来表明常见的 DTI 数据集包含内在偏差，对 DTI 预测方法的性能评估和比较有重大影响。使用经过修改的评估方案，我们证明 DTI-Voodoo 比最先进的 DTI 预测方法有显著改进。可用性：DTI-Voodoo 源代码和重现结果所需的数据可在 https://github.com/THinnerichs/DTI-VOODOO 免费获取。联系方式：tilman.hinnerichs@kaust.edu.sa 补充信息：补充数据可在 https://github.com/THinnerichs/DTI-VOODOO 获得。
UHN 范围综合设施总体规划摘要文件
5 6 顾问团队和 UHN 为该项目选择的方法涉及“自上而下”的空间预测方法。这种方法通常涉及将未来的活动和人员配备水平按空间类别预测为一系列关键房间驱动因素，10 然后根据利用率和 11 规模基准将这些预测“转化”为面积需求。这种方法用于预测 10 个高级空间 14 类别（和 29 个子类别）的面积需求，经顾问团队和 UHN 同意。
博士论文摘要
缩写列表 表格列表 图表列表 1. 引言 1.1. 全球能源趋势 1.2. 摩尔多瓦共和国电力系统的现状 1.3. 摩尔多瓦共和国电力系统的能源转型愿景 1.4. 论文的目的和目标 1.5. 论文结构 2. 摩尔多瓦共和国可再生能源潜力 2.1. 摩尔多瓦共和国的光伏能源潜力 2.1.1. 摩尔多瓦共和国地理一般数据 2.1.2. 自上而下评估光伏能源潜力的方法 2.1.3. 光伏能源潜力评估方法 2.1.4 摩尔多瓦共和国光电技术潜力评估 2.2. 摩尔多瓦共和国的风能潜力 2.2.1. 风能和能源 2.2.2.风能潜力评估方法 2.2.3. 风能图集方法 2.2.4. 摩尔多瓦共和国风能技术潜力评估 3. 可再生能源存在下的电力系统运行 3.1. 大规模将可再生能源整合到电力系统中所面临的挑战 3.1.1. 可再生能源管理 3.1.2. 可变可再生能源对电力系统运行的影响 3.1.3. 可变可再生能源对电力质量的影响 3.1.4. 电力系统的可靠性和弹性 3.1.5. 社会经济和环境方面 3.2. 将可变可再生能源整合到电力系统中的解决方案 3.2.1. 无功功率控制 3.2.2. 使用电力存储系统 3.2.3. 智能电网 3.2.4. 网络安全 3.2.5.可变可再生能源融入电力市场 3.2.6. 通过定价政策促进可变可再生能源 3.3. 风力发电厂和光伏发电厂 3.3.1. 风力发电厂的布局和发电机组的选择 3.3.2. 风力发电厂年发电量估算 3.3.3. 光伏发电厂的布局和装机容量估算 3.3.4. 光伏发电机组的选择和年发电量估算 3.3.5. 研究案例：配电系统中谐波畸变的传播 4. 太阳辐照度和风速预测 4.1. 预测方法 4.1.1. 预测方法分类 4.1.2. 预测方法准确性和误差来源 4.2. 使用聚类技术进行太阳辐照度预测 4.2.1. 聚类预测模型描述 4.2.2. 预测模型的时间序列准备 4.2.3.太阳辐射的标准化和聚类
RAM Commander - ALD 可靠性软件
RAM Commander 的主要模块是物料清单，可以从外部应用程序导入，也可以在 RAM Commander 中手动构建。产品树 (BOM) 构成了其余 RAM Commander RAMS 模块的基础，这些模块相互依赖，可以通过一键切换进行访问；从可靠性预测到 FMECA 和可测试性、RBD、FTA 等。RAM Commander 是一个模块化应用程序 - 模块可以单独使用和购买，也可以作为集成 RAMS 工具包使用。RAM Commander 软件支持以下可靠性预测方法：
通过多任务图表结构学习
鉴定蛋白质 - 蛋白质相互作用（PPI）对于在细胞内的众多生物过程中进行深入见解至关重要，并且在药物开发和疾病治疗等领域具有显着的指导价值。当前，大多数PPI预测方法主要集中于蛋白质序列的研究，忽略了蛋白质内部结构的关键作用。本文提出了一种名为MGSlappi的新型PPI预测方法，该方法将注意力集中在我的蛋白质结构信息上，并通过多任务学习策略增强了蛋白质编码器的表现力。具体来说，我们将端到端PPI预测过程分解为两个阶段：氨基酸残基重建（A2RR）和蛋白质相互作用预测（PIP）。在A2RR阶段，我们采用基于图的基于图的残基重建方法来探索蛋白质的内部关系和特征。在PIP阶段，除了基本的相互作用预测任务外，我们还引入了两个辅助任务，即蛋白质特征重建（PFR）和蒙版相互作用预测（MIP）。PFR任务旨在重建在PIP阶段的蛋白质的表示，而MIP任务则使用部分掩盖的蛋白质特征进行PPI预测，两者都在协调一致地工作以提示MGSlappi捕获更多有用的信息。实验结果表明，MGSlappi在各种数据分配方案下的现有最新方法显着优于现有的最新方法。
![arxiv：2406.17697v1 [cs.lg] 2024年6月25日](/simg/9\937f633fcdf4917da882b60dacd7de51eeac43e2.webp)
arxiv：2406.17697v1 [cs.lg] 2024年6月25日
摘要。药物靶标结合亲和力（DTA）是药物筛查的关键标准。现有的实验方法是耗时的，并且依赖有限的结构和域信息。虽然基于学习的方法可以对序列和结构信息进行建模，但它们很难整合上下文数据，并且通常缺乏对药物目标相互作用的全面建模。在这项研究中，我们提出了一种新型的DTA式词语方法，称为HGTDP-DTA，该方法在混合图形转换器框架内利用动态提示。我们的方法为每个药物目标对生成上下文特定的提示，从而增强了模型捕获独特相互作用的能力。提示引入的引入通过滤除无关的噪声并强调与任务相关的信息进一步优化预测过程，并动态调整分子图的输入特征。提出的混合图形变压器体系结构将图形卷积网络（GCN）的结构信息与变压器捕获的序列信息相结合，从而促进了全局和局部信息之间的相互作用。此外，我们采用了多视图特征融合方法将分子图视图和亲和力子图视图投射到一个共同的特征空间中，从而有效地结合了结构和上下文信息。在两个广泛使用的公共数据集（Davis and Kiba）上进行的实验表明，HGTDP-DTA在预测性能和泛化能力中的最先进的DTA预测方法优于最先进的DTA预测方法。