-
研究人类管蛋白亚型的C末端结构在细胞质动力蛋白运动调节中的作用
高分辨率图像
下载MS PowerPoint幻灯片
细胞内运输系统对细胞功能和完整性至关重要,这一过程由胞骨架马达蛋白(如动力蛋白)催化,这些马达蛋白沿着微管(MTs)移动。构成微管的管蛋白亚型的多样性引入了功能多样性,可能影响胞骨架马达蛋白与微管的相互作用。这项计算机
来源:ACS Omega
时间:2026-05-05
-
钢筋混凝土混合风力涡轮机塔体混凝土疲劳失效的模型构建与验证
黄思荣|张东亮|王宇航|杨林|李天浩|傅坤|张嘉伟|李俊林
中国华东工程股份有限公司,杭州311122
**摘要**
随着钢结构-混凝土混合风力发电机塔的广泛应用,混凝土疲劳设计已成为工程设计中的一个挑战,也是影响成本的主要因素之一。混凝土疲劳受许多相互关联的非线性
来源:Case Studies in Construction Materials
时间:2026-05-05
-
综述:CAR T细胞治疗时代HHV-6的再激活:新兴挑战的系统性回顾
普拉莫德·辛格 | 阿萨德·扎曼 | 阿里·尚·哈菲兹 | 阿卜杜勒·拉法伊·法伊萨尔 | 穆罕默德·费赞 | 海娜·卡德里 | 艾哈迈尔·詹·库雷希 | 穆罕默德·阿提夫·汗 | 阿巴特·汗
尼泊尔巴赫拉比塞初级卫生保健中心
**摘要**
**背景**
人类疱
来源:Cancer Treatment and Research Communications
时间:2026-05-05
-
基于李雅普诺夫理论的dropout深度神经网络(Lb-DDNN)自适应控制器
Saiedeh Akbari|Emily J. Griffis|Omkar Sudhir Patil|Warren E. Dixon
佛罗里达大学机械与航空航天工程系,美国盖恩斯维尔 FL 32611-6250
**摘要**
深度神经网络(DNNs)是功能逼近的成熟
来源:Automatica
时间:2026-05-05
-
DAO:延迟对抗性优化效果;神经网络的领域不变特征,用于自动睡眠分期
詹鳌黄|邵飞英|贾欣茜|李晓杰|吴曦成都信息科技大学计算机科学学院,中国成都610225摘要睡眠分期是脑功能监测与调节之间的关键环节。当前基于深度学习的方法为自动睡眠分期建模中的特征学习开辟了新的范式。然而,大多数深度学习模型仍然缺乏对睡眠信号领域不变特征的鲁棒性,这使得它们无法
来源:Applied Soft Computing
时间:2026-05-05
-
在不确定性条件下的动态投资组合优化:基于惩罚函数的神经求解器
斯皮里多尼·D·穆尔塔斯
雅典卡波迪斯特里亚大学经济系,数学-信息学与统计学-计量经济学分部
索福克勒乌斯1街,雅典,10559,希腊
摘要
在机器人技术和人工智能领域,时变二次规划(TVQP)是一个重要的工具。为了有效应对TVQP挑战,本研究提出了一种新的神经
来源:Applied Mathematics and Computation
时间:2026-05-05
-
基于简化强化学习的分布式共识神经网络控制,用于二阶不确定非线性多智能体系统
标题:豪伊武·安·张|Chanyong Lee|Cheolhyeon Kwon
韩国蔚山国立科学技术院(UNIST)机械工程系,蔚山,44919
摘要
非线性多智能体系统(MAS)的性能受到非结构化动态行为和非结构化控制系数的严重影响。为应对这些挑战,本文提出了一种
来源:Applied Mathematics and Computation
时间:2026-05-05
-
基于复合学习的时域规定时间控制方法,用于时变非线性系统
莫斯塔法·埃扎巴迪(Mostafa Ezabadi)
赛义德·阿里·埃马米(Seyyed Ali Emami)
赛义德·H·普尔塔克杜斯特(Seid H. Pourtakdoust)
尼玛·阿萨迪安(Nima Assadian)
伊朗德黑兰沙里夫理工大学航空航天工程系
摘要
本
来源:Applied Mathematical Modelling
时间:2026-05-05
-
一种用于期权定价中分数阶偏微分方程(fractional PDEs)的优化神经网络
Indu Rani | Chandan Kumar Verma
组织:毛拉纳·阿扎德国立理工学院数学、生物信息学和计算机应用系
城市:博帕尔
国家:印度
**摘要**
现代金融市场日益复杂的特性以及利率动态中的记忆效应要求采用先进的计算方法,以便能够准确捕捉
来源:Applied Mathematical Modelling
时间:2026-05-05
-
降阶有限差分-基于物理信息的神经网络框架,用于随机工程系统中的不确定性量化
李焕荣|赵婷|陈飞
云南师范大学数学学院,昆明,650500,中国
摘要
本文提出了一种降阶有限差分-物理信息神经网络(ROFD-PINN)框架,用于由非线性随机偏微分方程(PDEs)控制的随机工程系统中的不确定性量化。该方法结合了适当的正交分解以实现降维,深度前馈神经网络来学
来源:Applied Mathematical Modelling
时间:2026-05-05