太阳城集团亚洲娱乐城-澳门太阳城集团娱乐城最新地址_百家乐电影网_全讯网xb112 (中国)·官方网站

本發(fā)明公開(kāi)了一種評(píng)價(jià)降相關(guān)算法效果的方法，首先通過(guò)對(duì)原始協(xié)方差陣進(jìn)行 Cholesky 下三角（LLT） 分解，選擇 L 矩陣作為規(guī)約基計(jì)算原始協(xié)方差陣的長(zhǎng)度缺陷。其次，對(duì)原始協(xié)方差陣進(jìn)行降相關(guān)，然后得 到降相關(guān)后的協(xié)方差陣，再對(duì)其進(jìn)行 Cholesky 下三角（LZLZT）分解，同樣利用分解后的 LZ矩陣計(jì)算其長(zhǎng) 度缺陷，計(jì)算方法簡(jiǎn)單且顧及了矩陣維數(shù)。最后，降相關(guān)前的長(zhǎng)度缺陷和降相關(guān)后的長(zhǎng)度缺陷進(jìn)行做差，得 到的數(shù)值越大，表明降相關(guān)效果越好。該方法可以有效的評(píng)價(jià)降相關(guān)效果，同時(shí)長(zhǎng)度缺陷考慮了協(xié)方差陣的 維數(shù)問(wèn)題，且計(jì)算簡(jiǎn)單，克服了耗時(shí)等問(wèn)題。從而有效的提高了評(píng)價(jià)方法的穩(wěn)定性和實(shí)時(shí)性。 

本發(fā)明公開(kāi)了一種六自由度串聯(lián)機(jī)器人運(yùn)動(dòng)學(xué)反解的求解方法， 該方法包括:讀入連桿參數(shù)建立機(jī)器人連桿坐標(biāo)系模型;已知連桿末 端關(guān)節(jié)位置，建立關(guān)節(jié)位置約束方程;根據(jù)各關(guān)節(jié)位置約束方程，確 定各關(guān)節(jié)位置;建立機(jī)器人各關(guān)節(jié)坐標(biāo)系的姿態(tài)約束方程;將之前求 得的關(guān)節(jié)位置坐標(biāo)解分別代入姿態(tài)約束方程中，根據(jù)姿態(tài)約束方程， 求解各組關(guān)節(jié)變量中間值;對(duì)關(guān)節(jié)變量中間值進(jìn)行分析處理，選取最 佳關(guān)節(jié)變量解。本發(fā)明采用空間幾何理論將機(jī)器人運(yùn)動(dòng)學(xué)反解中位置 和姿態(tài)進(jìn)行分離求解，大大降低了幾何法運(yùn)動(dòng)學(xué)反解運(yùn)算的復(fù)雜性， 并能夠應(yīng)用于

本發(fā)明公開(kāi)了一種基于二分法的機(jī)床加工穩(wěn)定性邊界快速求解 方法，包括如下步驟:預(yù)設(shè)參數(shù)平面、判穩(wěn)函數(shù)和迭代次數(shù)，對(duì)參數(shù)平面進(jìn)行初步劃分;利用二維二分法將每個(gè)網(wǎng)格再次劃分為更小的子 網(wǎng)格;在每個(gè)子網(wǎng)格的頂點(diǎn)利用數(shù)值積分法求解判穩(wěn)函數(shù)的函數(shù)值， 判斷子網(wǎng)格是否為包含網(wǎng)格;將非包含網(wǎng)格再次劃分并判斷，若仍為 非包含網(wǎng)格，則結(jié)束，否則，獲得新包含網(wǎng)格;利用二維二分法將獲 得的所有包含網(wǎng)格劃分為更小的子網(wǎng)格;重復(fù)進(jìn)行判斷及劃分，逐步 逼近 f(x)曲線，直至達(dá)到預(yù)設(shè)迭代次數(shù);=

本實(shí)用新型公開(kāi)了一種基于PID算法控制的電磁直立車，包括車體，所述車體頂部設(shè)有藍(lán)牙模塊，所述藍(lán)牙模塊電性連接PCB控制電路板，所述PCB控制電路板設(shè)置在所述車體內(nèi)部，且所述PCB控制電路板上設(shè)有PID控制器，所述PID控制器的一側(cè)電性連接陀螺儀，所述陀螺儀一側(cè)設(shè)有加速度傳感器，所述加速度傳感器電性連接所述PID控制器，所述PID控制器電性連接驅(qū)動(dòng)電機(jī)，所述驅(qū)動(dòng)電機(jī)設(shè)置在所述車體內(nèi)腔的底部，且所述驅(qū)動(dòng)電機(jī)設(shè)有兩個(gè)，兩個(gè)所述驅(qū)動(dòng)電機(jī)的旋轉(zhuǎn)軸分別朝向相反的方向，所述旋轉(zhuǎn)軸上連接行駛輪，本實(shí)用新型簡(jiǎn)化直立車

切割問(wèn)題和裝填問(wèn)題在學(xué)術(shù)界屬于一類經(jīng)典的NP 難問(wèn)題，它們有著眾多的變種，例如：一維的背包問(wèn)題，二維的矩形切割問(wèn)題，三維的裝箱問(wèn)題等。其中以二維的場(chǎng)景應(yīng)用最為廣泛，相關(guān)求解算法可以作為玻璃、板材、管材、服裝切割套料智能制造的算法內(nèi)核。 本軟件的主要用途是針對(duì)玻璃切割的場(chǎng)景提出求解多約束的矩形切割問(wèn)題的分層智能搜索算法，為玻璃切割方案提供全局優(yōu)化，實(shí)現(xiàn)原料利用率的最大化，在節(jié)約資源的同時(shí)提高產(chǎn)量。

本發(fā)明的涉及一種對(duì)圖像中矩形進(jìn)行檢測(cè)的方法。本發(fā)明旨在 尋找圖像中矩形的最佳四個(gè)頂點(diǎn)集合，首先對(duì)圖像進(jìn)行邊緣檢測(cè)，獲 得由圖像中所有邊緣點(diǎn)組成的集合即邊緣空間，然后用四個(gè)邊緣點(diǎn)表 示一個(gè)矩形個(gè)體，簡(jiǎn)稱為個(gè)體，通過(guò)計(jì)算四個(gè)邊緣點(diǎn)之間連線的存在 性和夾角接近直角的程度來(lái)計(jì)算個(gè)體的適應(yīng)度，選擇適用度高的個(gè)體 進(jìn)行交叉和變異操作來(lái)產(chǎn)生新一代的個(gè)體。通過(guò)多次選擇、交叉和變 異操作最終找到組成矩形四個(gè)頂點(diǎn)的最佳集合。該方法基于遺

本成果采用最新的深度學(xué)習(xí)和分子模擬算法，結(jié)合新一代分子特征化方法，開(kāi)發(fā)了多種計(jì)算機(jī)模型，可用于藥物開(kāi)發(fā)中的多個(gè)階段，為藥物的快速設(shè)計(jì)開(kāi)發(fā)提供一個(gè)完整的基于人工智能的解決方案。成果：1.藥物毒性預(yù)測(cè)方法：傳統(tǒng)的化合物毒性檢測(cè)技術(shù)一般需要使用生化試驗(yàn)、細(xì)胞實(shí)驗(yàn)、甚至動(dòng)物模型，這些方法不僅耗費(fèi)大量時(shí)間，而且成本很高。使用計(jì)算模型進(jìn)行有機(jī)化合物的毒性預(yù)測(cè)，所需投入較少，但產(chǎn)出巨大。特別是基于化合物的物理化學(xué)和結(jié)構(gòu)特性的計(jì)算模型，甚至能夠在化合物合成之前就對(duì)其進(jìn)行預(yù)測(cè)，大大提高了效率，使其越來(lái)越受到歡迎。在進(jìn)行體外和體內(nèi)試驗(yàn)之前先使用計(jì)算機(jī)模型對(duì)化合物進(jìn)行大規(guī)模的毒性篩選，能夠更好地解決候選藥物具有毒性的問(wèn)題。我們建立了一套新的基于多種分子指紋和機(jī)器學(xué)習(xí)算法的化合物毒性預(yù)測(cè)集成學(xué)習(xí)算法，運(yùn)用此集成學(xué)習(xí)算法建立了新的有機(jī)化合物致癌性、致突變性和肝毒性預(yù)測(cè)模型。我們分別建立了名為CarcinoPred-EL (http://112.126.70.33/toxicity/CarcinoPred-EL/, 致癌性預(yù)測(cè))、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突變性預(yù)測(cè))、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性預(yù)測(cè))的預(yù)測(cè)服務(wù)器，這些服務(wù)器能夠?yàn)槭褂谜咛峁└咝Ц憬莸念A(yù)測(cè)技術(shù)服務(wù)。自2017年服務(wù)器發(fā)表起，我們已為國(guó)內(nèi)外藥物分子設(shè)計(jì)研究者提供了5000多次共計(jì)超過(guò)20多萬(wàn)個(gè)化合物的毒性預(yù)測(cè)服務(wù)。在有機(jī)化合物毒性預(yù)測(cè)研究方向，我們主要完成了化合物的細(xì)胞毒性、心臟毒性、生殖毒性、血腦屏障透過(guò)性、水生生物毒性預(yù)測(cè)模型，以及糖尿病早期篩查模型的開(kāi)發(fā)，正在進(jìn)行P450酶阻滯劑性預(yù)測(cè)模型、基于圖神經(jīng)網(wǎng)絡(luò)的毒性預(yù)測(cè)算法研究、基于分子對(duì)接的化合物毒性預(yù)測(cè)研究等。相關(guān)研究成果已發(fā)表多篇學(xué)術(shù)論文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次數(shù)80，ESI 1%高被引論文；Ai H., et al. Toxicological Sciences, 2018, 165: 100-107；Yin Z., et al. Journal of Applied Toxicology. 2019, 39(10): 1366-1377；Ai H., et al. Ecotoxicology and Environmental Safety. 2019, 179: 71-78；Liu M., et al. Toxicology Letters. 2020, 332: 88-96；Feng H., et al. Toxicology Letters. 2021, 340: 4-14；Li S. et al. Interdisciplinary Sciences: Computational Life Sciences. 2021, 13: 25-33.）致癌性預(yù)測(cè)服務(wù)器首頁(yè)致癌性預(yù)測(cè)結(jié)果頁(yè)相關(guān)綜述對(duì)本服務(wù)器的介紹RF-hERG-Score預(yù)測(cè)藥物引起的hERG相關(guān)心臟毒性2.藥物設(shè)計(jì)方法：在計(jì)算機(jī)上對(duì)藥物靶點(diǎn)和藥物分子的結(jié)構(gòu)和活性建模，計(jì)算藥物與靶點(diǎn)之間的相互作用關(guān)系，從而設(shè)計(jì)出具有治療作用的藥物。計(jì)算機(jī)輔助藥物設(shè)計(jì)可以為藥物設(shè)計(jì)各階段的實(shí)驗(yàn)方案提供有意義的指導(dǎo)，減少需要通過(guò)實(shí)驗(yàn)評(píng)估的候選藥物的數(shù)量，從而加快新藥研發(fā)速度。我們應(yīng)用分子對(duì)接、分子動(dòng)力學(xué)模擬、自由能計(jì)算、機(jī)器學(xué)習(xí)等方法研究流感病毒等重要疾病的計(jì)算機(jī)輔助藥物設(shè)計(jì)、并開(kāi)發(fā)更有效的計(jì)算機(jī)輔助藥物設(shè)計(jì)方法。在計(jì)算機(jī)輔助藥物設(shè)計(jì)研究我們主要完成了流感病毒M2質(zhì)子通道蛋白抑制劑虛擬篩選方法研究，正在進(jìn)行先導(dǎo)化合物生成模型研究、基于機(jī)器學(xué)習(xí)的虛擬篩選打分函數(shù)算法開(kāi)發(fā)、SARS-CoV-2病毒S蛋白與受體相互作用及藥物設(shè)計(jì)研究。特異性重打分函數(shù)顯著虛擬篩選性能顯著較高篩選出兩個(gè)候選抑制劑3.藥物靶點(diǎn)識(shí)別方法：長(zhǎng)非編碼RNA（lncRNA）是一種長(zhǎng)度在200nt至100,000nt之間的非編碼RNA，是轉(zhuǎn)錄物的主要成分。研究表明lncRNA在許多生物學(xué)和病理學(xué)過(guò)程中起著重要作用。lncRNA起作用的重要途徑是與其靶蛋白結(jié)合。lncRNA-蛋白質(zhì)相互作用的實(shí)驗(yàn)研究需要大量資源。累積的實(shí)驗(yàn)數(shù)據(jù)使得通過(guò)計(jì)算方法預(yù)測(cè)lncRNA-蛋白質(zhì)相互作用成為可能。我們使用各種數(shù)學(xué)建模和機(jī)器學(xué)習(xí)方法開(kāi)發(fā)了幾種用于預(yù)測(cè)lncRNA-蛋白質(zhì)相互作用的新模型。這些模型命名為：RWLPAP（隨機(jī)游走），LPI-NRLMF（鄰域正則化邏輯矩陣分解），IRWNRLPI（集成隨機(jī)游走和鄰域規(guī)則化Logistic矩陣分解），LPI-BNPRA（雙向網(wǎng)絡(luò)投影推薦算法），LPI-ETSLP（基于特征值變換的半監(jiān)督鏈路預(yù)測(cè)），HLPI-Ensemble（集成學(xué)習(xí)）。在交叉驗(yàn)證中，我們的模型獲得了較好的預(yù)測(cè)性能。lncRNA-蛋白質(zhì)相互作用預(yù)測(cè)模型的性能比較lncRNA-蛋白質(zhì)相互作用預(yù)測(cè)服務(wù)器相關(guān)軟件著作權(quán)：

本成果采用最新的深度學(xué)習(xí)和分子模擬算法，結(jié)合新一代分子特征化方法，開(kāi)發(fā)了多種計(jì)算機(jī)模型，可用于藥物開(kāi)發(fā)中的多個(gè)階段，為藥物的快速設(shè)計(jì)開(kāi)發(fā)提供一個(gè)完整的基于人工智能的解決方案。 成果：1.藥物毒性預(yù)測(cè)方法：傳統(tǒng)的化合物毒性檢測(cè)技術(shù)一般需要使用生化試驗(yàn)、細(xì)胞實(shí)驗(yàn)、甚至動(dòng)物模型，這些方法不僅耗費(fèi)大量時(shí)間，而且成本很高。使用計(jì)算模型進(jìn)行有機(jī)化合物的毒性預(yù)測(cè)，所需投入較少，但產(chǎn)出巨大。特別是基于化合物的物理化學(xué)和結(jié)構(gòu)特性的計(jì)算模型，甚至能夠在化合物合成之前就對(duì)其進(jìn)行預(yù)測(cè)，大大提高了效率，使其越來(lái)越受到歡迎。在進(jìn)行體外和體內(nèi)試驗(yàn)之前先使用計(jì)算機(jī)模型對(duì)化合物進(jìn)行大規(guī)模的毒性篩選，能夠更好地解決候選藥物具有毒性的問(wèn)題。我們建立了一套新的基于多種分子指紋和機(jī)器學(xué)習(xí)算法的化合物毒性預(yù)測(cè)集成學(xué)習(xí)算法，運(yùn)用此集成學(xué)習(xí)算法建立了新的有機(jī)化合物致癌性、致突變性和肝毒性預(yù)測(cè)模型。我們分別建立了名為CarcinoPred-EL (http://112.126.70.33/toxicity/CarcinoPred-EL/, 致癌性預(yù)測(cè))、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突變性預(yù)測(cè))、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性預(yù)測(cè))的預(yù)測(cè)服務(wù)器，這些服務(wù)器能夠?yàn)槭褂谜咛峁└咝Ц憬莸念A(yù)測(cè)技術(shù)服務(wù)。自2017年服務(wù)器發(fā)表起，我們已為國(guó)內(nèi)外藥物分子設(shè)計(jì)研究者提供了5000多次共計(jì)超過(guò)20多萬(wàn)個(gè)化合物的毒性預(yù)測(cè)服務(wù)。在有機(jī)化合物毒性預(yù)測(cè)研究方向，我們主要完成了化合物的細(xì)胞毒性、心臟毒性、生殖毒性、血腦屏障透過(guò)性、水生生物毒性預(yù)測(cè)模型，以及糖尿病早期篩查模型的開(kāi)發(fā)，正在進(jìn)行P450酶阻滯劑性預(yù)測(cè)模型、基于圖神經(jīng)網(wǎng)絡(luò)的毒性預(yù)測(cè)算法研究、基于分子對(duì)接的化合物毒性預(yù)測(cè)研究等。相關(guān)研究成果已發(fā)表多篇學(xué)術(shù)論文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次數(shù)80，ESI 1%高被引論文；Ai H., et al. Toxicological Sciences, 2018, 165: 100-107；Yin Z., et al. Journal of Applied Toxicology. 2019, 39(10): 1366-1377；Ai H., et al. Ecotoxicology and Environmental Safety. 2019, 179: 71-78；Liu M., et al. Toxicology Letters. 2020, 332: 88-96；Feng H., et al. Toxicology Letters. 2021, 340: 4-14；Li S. et al. Interdisciplinary Sciences: Computational Life Sciences. 2021, 13: 25-33.） 致癌性預(yù)測(cè)服務(wù)器首頁(yè) 致癌性預(yù)測(cè)結(jié)果頁(yè) 相關(guān)綜述對(duì)本服務(wù)器的介紹 RF-hERG-Score預(yù)測(cè)藥物引起的hERG相關(guān)心臟毒性 2.藥物設(shè)計(jì)方法：在計(jì)算機(jī)上對(duì)藥物靶點(diǎn)和藥物分子的結(jié)構(gòu)和活性建模，計(jì)算藥物與靶點(diǎn)之間的相互作用關(guān)系，從而設(shè)計(jì)出具有治療作用的藥物。計(jì)算機(jī)輔助藥物設(shè)計(jì)可以為藥物設(shè)計(jì)各階段的實(shí)驗(yàn)方案提供有意義的指導(dǎo)，減少需要通過(guò)實(shí)驗(yàn)評(píng)估的候選藥物的數(shù)量，從而加快新藥研發(fā)速度。我們應(yīng)用分子對(duì)接、分子動(dòng)力學(xué)模擬、自由能計(jì)算、機(jī)器學(xué)習(xí)等方法研究流感病毒等重要疾病的計(jì)算機(jī)輔助藥物設(shè)計(jì)、并開(kāi)發(fā)更有效的計(jì)算機(jī)輔助藥物設(shè)計(jì)方法。在計(jì)算機(jī)輔助藥物設(shè)計(jì)研究我們主要完成了流感病毒M2質(zhì)子通道蛋白抑制劑虛擬篩選方法研究，正在進(jìn)行先導(dǎo)化合物生成模型研究、基于機(jī)器學(xué)習(xí)的虛擬篩選打分函數(shù)算法開(kāi)發(fā)、SARS-CoV-2病毒S蛋白與受體相互作用及藥物設(shè)計(jì)研究。 特異性重打分函數(shù)顯著虛擬篩選性能顯著較高 篩選出兩個(gè)候選抑制劑 3.藥物靶點(diǎn)識(shí)別方法：長(zhǎng)非編碼RNA（lncRNA）是一種長(zhǎng)度在200nt至100,000nt之間的非編碼RNA，是轉(zhuǎn)錄物的主要成分。研究表明lncRNA在許多生物學(xué)和病理學(xué)過(guò)程中起著重要作用。lncRNA起作用的重要途徑是與其靶蛋白結(jié)合。lncRNA-蛋白質(zhì)相互作用的實(shí)驗(yàn)研究需要大量資源。累積的實(shí)驗(yàn)數(shù)據(jù)使得通過(guò)計(jì)算方法預(yù)測(cè)lncRNA-蛋白質(zhì)相互作用成為可能。我們使用各種數(shù)學(xué)建模和機(jī)器學(xué)習(xí)方法開(kāi)發(fā)了幾種用于預(yù)測(cè)lncRNA-蛋白質(zhì)相互作用的新模型。這些模型命名為：RWLPAP（隨機(jī)游走），LPI-NRLMF（鄰域正則化邏輯矩陣分解），IRWNRLPI（集成隨機(jī)游走和鄰域規(guī)則化Logistic矩陣分解），LPI-BNPRA（雙向網(wǎng)絡(luò)投影推薦算法），LPI-ETSLP（基于特征值變換的半監(jiān)督鏈路預(yù)測(cè)），HLPI-Ensemble（集成學(xué)習(xí)）。在交叉驗(yàn)證中，我們的模型獲得了較好的預(yù)測(cè)性能。 lncRNA-蛋白質(zhì)相互作用預(yù)測(cè)模型的性能比較 lncRNA-蛋白質(zhì)相互作用預(yù)測(cè)服務(wù)器相關(guān)軟件著作權(quán)：

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種基于門限的低復(fù)雜度MPA算法， 該算法通過(guò)設(shè)置置信度門限來(lái)及時(shí)對(duì)可靠的碼字進(jìn)行譯碼，或?qū)Πl(fā)送概率極低的碼字進(jìn)行 舍棄，從而有效地降低了原始MPA算法的復(fù)雜度。

本發(fā)明公開(kāi)了一種并行 LLL 高維模糊度降相關(guān)算法，首先通過(guò)混合利用 Cholesky 下三角 LTL 分解 以及上三角 UTU 分解，提高 LLL 算法針對(duì)高維模糊度降相關(guān)的計(jì)算效率，增強(qiáng)高維模糊度降相關(guān)的能 力。其次為了得到降相關(guān)能力較強(qiáng)的 Z 變換矩陣，所以在每一次 QR 分解變換過(guò)程中，變換系數(shù)矩陣要 獲取較小的整數(shù)值，因此在每次下三角分解前先對(duì)模糊度協(xié)方差矩陣的行向量按內(nèi)積大小進(jìn)行升序排序， 而在上三角分解前先對(duì)矩陣的列向量按內(nèi)積大小進(jìn)行降序排列，由此求得的 Z 變換降相關(guān)性能更佳。最 后把算法正交變換過(guò)程中的取整運(yùn)算移至在求 Z 矩陣時(shí)取整，可以避免算法迭代過(guò)程中反復(fù)取整而引起 的誤差累積，解決算法發(fā)散的問(wèn)題，從而進(jìn)一步提高并行 LLL 算法的計(jì)算效率和穩(wěn)定性。