-
Mowat–Wilson综合征患儿家庭功能的分型特征及预测因素:一项横断面调查研究
引言:家庭功能是影响神经发育障碍儿童预后的关键因素,但在由ZEB2基因(锌指E盒结合同源框蛋白2,zinc finger E-box binding homeobox 2)杂合功能缺失变异或缺失所致的罕见病Mowat–Wilson综合征(Mowat–Wilso
来源:Healthcare
时间:2026-04-03
-
基于优化人工神经网络与元启发式算法的混凝土结构构件热退化预测
准确预测混凝土的温度诱导退化对于提升建筑防火安全性及支持可靠的灾后工程决策至关重要。然而,现有研究多局限于传统机器学习应用或有限的优化策略,缺乏结合系统性输入筛选、鲁棒验证、大规模元启发式优化与可解释分析的集成框架。本研究旨在开发一种先进预测框架,采用优化人工
来源:Buildings
时间:2026-04-03
-
基于反向步进控制的非线性混合MPPT策略在光伏SEPIC与Boost变换器中的性能比较研究
研究人员针对光伏系统中传统最大功率点跟踪(MPPT)算法在动态环境下响应慢、稳定性不足的问题,提出了一种结合反向步进控制(BSC)与多种智能算法的非线性混合MPPT策略。研究通过对比SEPIC与Boost两种直流-直流变换器在五种控制方案下的性能,验证了所提方
来源:Scientific African
时间:2026-04-03
-
基于非对称跳跃扩散与深度学习的混合方法在后补贴时代尼日利亚汇率预测中的应用
在补贴政策取消后的尼日利亚时代,尼日利亚汇率出现的快速、非线性-非对称跳跃、长期依赖性和混沌性价格波动,对现有传统单变量自回归积分滑动平均模型(ARIMA)和广义自回归条件异方差模型(GARCH)的预测能力提出了日益严峻的挑战。为填补现有研究空白,本研究融合了
来源:Scientific African
时间:2026-04-03
-
双分支深度神经网络用于FLIM参数估计
荧光寿命成像显微镜(FLIM)是研究分子相互作用和细胞微环境的强大工具。传统的寿命估计依赖于曲线拟合,这是一个计算密集且对噪声敏感的过程。为了解决这些挑战,研究人员开发了一个基于双分支深度学习的框架,用于无拟合估计FLIM参数。该框架集成了多任务学习和知识引导
来源:Advanced Photonics Research
时间:2026-04-03
-
CuCrP<sub>2</sub>S<sub>6</sub>离子电子器件中的自适应自供能光探测与神经形态计算
集成感知与处理功能的传感器内计算器件,正成为下一代人工视觉系统的关键使能技术。其发展在很大程度上取决于能否发现可模拟生物突触自适应多模态行为的材料。该研究证明,CuCrP<sub>2</sub>S<sub>6</sub>(CCPS)作为一种二维金属硫代磷酸盐,
来源:Journal of Materials Chemistry C
时间:2026-04-03
-
课程创新:神经重症监护脑电图(EEG)查房——提升神经内科住院医师脑电图判读能力的模式
背景与目的
连续脑电图(continuous EEG, cEEG)已成为重症监护病房(intensive care unit, ICU)中的重要监测工具。神经内科住院医师传统的脑电图(EEG)教学课程主要由课堂讲授构成,通常导致对ICU脑电图相关概念的接触
来源:Neurology Education
时间:2026-04-03
-
Spreading Root Sign:内侧半月板后根撕裂的早期前兆——一例病例报告
Spreading Root Sign是近期被提出的预测内侧半月板后根撕裂(medial meniscus posterior root tear, MMPRT)的指标,但目前仍未得到广泛识别。本病例报告强调了忽视该征象的严重后果。一名68岁女性因左膝疼痛就诊
来源:Arthroskopie
时间:2026-04-03
-
基于物理信息神经网络(Physics-Informed Neural Networks, PINNs)的SUC仓室模型用于从部分观测确诊病例推断未确诊感染及流行病参数
研究人员提出一种基于物理信息神经网络(Physics-Informed Neural Networks, PINNs)的SUC(Susceptible–Unconfirmed–Confirmed)仓室模型框架,用于仅根据观测到的确诊病例时间序列C(t)推断隐藏
来源:Healthcare Analytics
时间:2026-04-03
-
社区层面光伏发电量分摊的概率估计
摘要: 家用光伏(PV)系统在配电网中的日益普及增加了净负荷的不确定性和波动性。为了更好地预测和管理这种变化,并考虑到光伏发电在本地电力系统中的周期性和不确定性,本文提出了一种两阶段非参数概率估计方法——残差分位数模型(Residual Quantile Model),该方法基
来源:Journal of Modern Power Systems and Clean Energy
时间:2026-04-03