开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

有没有办法在同一个X轴上查看不同时间尺度上的数据？

是的，可以通过使用时间序列数据库来实现在同一个X轴上查看不同时间尺度上的数据。时间序列数据库是一种专门用于存储和处理时间序列数据的数据库，它提供了高效的数据存储和查询功能，可以轻松地处理大规模的时间序列数据。

时间序列数据库通常支持多种时间尺度的数据聚合和查询，例如秒级、分钟级、小时级、天级、周级、月级等。通过在查询语句中指定不同的时间尺度，可以在同一个X轴上展示不同时间尺度上的数据。

时间序列数据库的优势包括高性能、高可扩展性、灵活的数据模型和丰富的查询功能。它们广泛应用于各种领域，如金融、物联网、监控系统、日志分析等。

腾讯云提供了一款名为TSDB（Time Series Database）的时间序列数据库产品，它是基于开源项目OpenTSDB开发的，具有高性能和可扩展性。TSDB支持多种时间尺度的数据聚合和查询，可以满足不同应用场景的需求。

更多关于腾讯云TSDB的信息和产品介绍，可以访问以下链接： https://cloud.tencent.com/product/tsdb

相关搜索:有没有办法在x轴上把日期细分成更小的部分？Pandas在x轴上绘制数据列有没有办法将JFreechart图表缩放到X轴上的某个值？有没有办法在不同的formdata上循环Scrapy？有没有办法在不同的域名上建立圣殿？在图表的轴上打印x值获取日期在x轴上的位置在x轴上绘制正确的点 matplotlib -在x轴上为y轴上的每个组创建条使用Dymola中的plotArrays绘制不同x轴值上的数据在y轴上绘制呼吸信号的频域图，而时间在x轴上为什么在matplotlib上x轴使用日期和x轴使用数字列表之间的绘图不同？SG面板中x轴上的不同值(SAS 9.4)在ggplot中有没有办法在同一个x轴标签中有两个不同的变量，具有不同的字体类型？散点图在x轴上复制相同的值在matplotlib中绘制x轴上的日期在Recharts中选择X轴上的范围关于时间序列在X轴上的重叠有没有办法在r中的主x轴下方添加一个x轴？如何在R上绘制X轴上的多变量，以及它们在Y轴上的值？

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

PNAS:层级动态是人脑的一个宏观组织原则

多模态证据表明，大脑区域在不同时间尺度积累信息，这个时间尺度随解剖层次的不同而不同。因此，这些实验定义的时间接受窗口在远离感觉输入的皮层区域最长。有趣的是，这些区域的自发活动也在相对较慢的时间尺度上进行(也就是说，表现出较慢的短期自相关衰减)。这些发现提出了分层时间尺度代表大脑功能内在组织原则的可能性。在这里，我们使用静息状态功能磁共振成像(functional MRI)显示，持续动态的时间尺度在整个人类大脑皮层遵循层级空间梯度。这些内在的时间尺度梯度引起了大规模皮层网络之间的系统频率差异，并预测了功能连接的个体特征。全脑覆盖允许我们进一步研究皮层下动力学的大尺度组织。我们发现，皮质的时间尺度梯度在纹状体、丘脑和小脑的地形上反映出来。最后，海马内的时间尺度遵循一个由后到前的梯度，与表征尺度增加的纵向轴相对应。因此，层级动态作为哺乳动物大脑的全球组织原则出现了。

02

AAAI 2024 | MSGNet：学习多尺度序列之间的相关性以进行多元时间序列预测

多变量时间序列预测一直是各学科面临的持续性挑战。时间序列数据通常表现出多样的序列内和序列间相关性，这导致了复杂且相互交织的依赖关系，成为众多研究的焦点。

01

重磅综述|大脑内在神经时间尺度:时间整合与分离

我们不断地受到来自环境的各种时间尺度的外部输入的轰炸。大脑是如何处理这么多时间尺度的呢?最近的静息状态研究表明，内在神经时间尺度(INT)在单模态区(如视觉皮层和听觉皮层)持续时间较短，而在跨模态区(

02

MIT揭示地球“自救”机制，一次花费数十万年

大数据文摘转载自学术头条当前，气候变化已经成为威胁全球 80 亿人口和整个地球生态的“隐形杀手”。然而，在更久远的地球历史中，地球的气候先后经历了更多、更严重的变化——从全球火山活动大爆发到全球降温的冰河时期，以及太阳辐射的剧烈变化等。但是，在过去的 37 亿年中，地球生命的脉搏却一直在“跳动”，这是为什么呢？来自麻省理工学院的科学家 Constantin Arnscheidt、Daniel Rothman 在一项研究中证实，地球拥有一种“起死回生”的本领，可以在长达数十万年的时间中调节自身的温度，

01

机器学习学习笔记（24）序列建模：循环和递归网络

循环神经网络（recurrent nerual network）或RNN是一类用于处理序列数据的神经网络，就像卷积网络是专门用于处理网格化数据X的神经网络。循环神经网络是专门用于处理序列

01

脑磁图研究：大脑多时间尺度并行抽取声音信息

阿牛哥喊你来关注思影科技，做个scientist! 我们对声音的感觉总是连续和平滑的。听人说话，听音乐，在大街上听到各种周围的声音，我们感觉起来都好像流水连续不断地流进我们的耳朵里。但是，这种主观的感受和声音本身复杂的结构有些违合感。话语里的信息有辅音、有元音、有音节、有语调，这些信息都是一段一段的不连续的，有长有短。在听音乐时也是这样，音符和小节其实都是不连续的，各有不同的时间长段。就好像看一张人脸时，细看有鼻子眼睛，远看有一个大脑袋，但我们主观感觉就是一张人脸，而不会像看毕加索画一样，眼睛鼻子

06

EEMD算法原理与实现

EMD算法能将原始信号不断进行分解，获取符合一定条件下的IMF分量。这些 IMF 分量之间的频率往往不同，这就为其在谐波检测方向的使用提供了一种思路。EMD 算法以其正交性、收敛性等特点被广泛用于信号处理等领域，但并不像小波分析或者神经网络那样，有固定的数学模型，因此它的一些重要性质仍还没有通过缜密的数学方法证明出。而且对模态分量 IMF 的定义也尚未统一，仅能从信号的零点与极值点的联系与信号的局部特征等综合描述。EMD 从理论到实际运用仍有很长的一段路要走。

03

PNAS：描绘自杀想法的时间尺度

本研究旨在利用实时监测数据和多种不同的分析方法，确定自杀思维的时间尺度。参与者是105名过去一周有自杀念头的成年人，他们完成了一项为期42天的实时监测研究(观察总数=20,255)。参与者完成了两种形式的实时评估：传统的实时评估(每天间隔数小时)和高频评估(间隔10分钟超过1小时)。我们发现自杀想法变化很快。描述性统计和马尔可夫转换模型都表明，自杀念头的升高状态平均持续1至3小时。个体在报告自杀念头升高的频率和持续时间上表现出异质性，我们的分析表明，自杀念头的不同方面在不同的时间尺度上运作。连续时间自回归模型表明，当前的自杀意图可以预测未来2 - 3小时的自杀意图水平，而当前的自杀愿望可以预测未来20小时的自杀愿望水平。多个模型发现，自杀意图升高的平均持续时间比自杀愿望升高的持续时间短。最后，在统计建模的基础上，关于自杀思想的个人动态的推断显示依赖于数据采样的频率。例如，传统的实时评估估计自杀欲望的严重自杀状态持续时间为9.5小时，而高频评估将估计持续时间移至1.4小时。

03

脑电时域复杂度可以评估抑郁症的电休克、磁休克疗法的疗效和认知副作用

最近，来自加拿大成瘾与心理健康中心的Faranak Farzan 等人在Brain杂志上发表了一篇文章，通过研究表明脑电信号的时域复杂度可以用来衡量在抑郁症治疗中使用的电休克、磁休克疗法的疗效和认知副作用。该发现有望为抑郁症新型替代疗法的设计提供靶标，从而能达到电休克、磁休克疗法相似的疗效但却能弱化其认知副作用。实验共选择了34位被试，分别接受两种抗抑郁治疗——电休克治疗（ECT，n=19），磁休克疗法(MST,n=15)。被试经过一个疗程的治疗，用64导Neuroscan系统记录治疗前后的静息态闭眼脑电

04

Multi-Scale Convolutional Neural Networks for Time Series Classification

通过降采样的变换，实现在不同时间尺度的序列上的特征提取。通过滑动平均的变换，实现对噪音的抵抗性。

02

matlab画时域和频谱图_信号的频域分析及matlab实现

振动信号降噪结果分析：对于去噪效果好坏的评价，常用信号的信噪比（SNR）、估计信号同原信号的均方根误差（RMSE）来判断。SNR 越高则说明混在信号里的噪声越小，否则相反。RMSE的计算值越小则表示去噪效果越好。信噪比定义：

01

关于生物进化，研究者们存在哪些分歧？

距离达尔文《物种起源》一书问世已经160多年了，然而毫无疑问的是，生物进化仍是有待解决的最大科学问题之一。那么在生物进化研究中目前最有争议的观点以及亟需解决的问题是什么？在一个著名的生态与进化学者论坛Eco-Evo Evo-Eco上曾发起一个投票，调查学者们对15个进化生物学观点的看法。最终获得532个回复，其中38.3%为教师、25.2%为博后、31%为研究生，现将结果分享给大家。

04

人脑hub枢纽和功能连接的时间动态性

神经成像技术观察到大脑网络连接的枢纽hub，普遍认为枢纽对建立和维持一个功能平台至关重要，在这个平台上可以发生有认知意义和高效的神经元交流。然而，枢纽是静态的(即大脑区域始终是枢纽)，还是这些属性会随时间变化(即大脑区域的枢纽波动)，我们知之甚少。为了解决这个问题，我们引入了两个新的方法概念，脑连接流和节点惩罚最短路径，然后应用于时变功能连接fMRI BOLD数据。我们表明，激活的枢纽以一种非平凡的方式随时间而变化，枢纽的活动依赖于研究的时间尺度。激活的枢纽数量中较慢的波动超过了预期的程度，这主要是在皮层下结构检测到的。此外，我们观察到枢纽活动的快速波动主要存在于默认模式网络中，这表明大脑连接中的动态事件。我们的结果表明，连接枢纽的时间行为是一个多层次和复杂的问题，必须考虑到特定方法对时变连接性的时间敏感性的特性。我们讨论的结果与正在进行的讨论有关，即静息大脑中存在离散和稳定状态，以及网络枢纽在为神经元跨时间通信提供支架方面的作用。

00

循环神经网络（RNN）和LSTM初学者指南 | 入门资料

最近，有一篇入门文章引发了不少关注。文章中详细介绍了循环神经网络（RNN），及其变体长短期记忆（LSTM）背后的原理。

00

能用强化学习买卖比特币赚钱吗？能能能，当然能！

AI 科技评论按：人工智能热潮还没过去，电子货币和区块链的热潮又滚滚而来。以 BTC（比特币）为代表的电子货币近半年来吸引了全世界的注意力，每个人都想在这个热潮中分一杯羹 —— 只不过，不是每个人都赚到钱了，尤其是经验不足的投资者们。那么问题来了，现在人工智能技术也有了长足进步，连 AlphaGo 在打败柯洁之后都还能继续进化，可以对围棋无师自通，所以我们有没有机会同样用 AlphaGo 所用的强化学习（Reinforcement Learning）方法学习一个百战百胜的电子货币人工智能呢？斯坦福大学计

06

时间序列预测的20个基本概念总结

时间序列数据是有序的。这意味着观察/数据点依赖于以前的观察/数据点。因此，在模型训练期间，数据点顺序不会被打乱。

03

脑机接口概述专题一 | 从运动脑机接口到情绪脑机接口：马斯克脑机接口公司Neuralink背后的原理

编者的话：这篇文章是专业顶刊里发表的唯一一篇提出把脑机接口概念从运动系统扩展到情绪系统的观点文章，而且从系统实现的角度该说的基本也都说了。本质上讲，脑机接口是控制与学习的过程，是贯通神经系统与计算机系统的智能科学。脑机接口又是涉及多种技术有机集成的大工程。高级形式的脑机接口将是人脑智能与人工智能的集大成者。目前的技术瓶颈在其最前端的神经界面上，信号的质量和带宽都被其所限。很多人知道马斯克的脑机接口公司-Neuralink。有人仿制他们的模拟前端芯片就号称可以正面PK了，这种想法显然肤浅了。他们目前展示的仅仅是脑机接口的部分前端技术-信号转换器。这篇文章就是在讲它后边的事。

02

回答薛定谔问题: 生命是什么？自由能公式

2017年5月17日收到；已于2017年9月18日收到修订版；2017年9月18日接受

01

长文 | LSTM和循环神经网络基础教程（PDF下载）

目录：前言前馈网络回顾循环网络时间反向传播BPTT 梯度消失与梯度爆炸长短期记忆单元（LSTM）多时间尺度和远距离依赖门控循环单元GRU LSTM超参数调试文章较长，下载PDF阅读更爽 1. 点击阅读原文 2. 回复：20180301 前言本文旨在帮助神经网络学习者了解循环网络的运作方式，以及即LSTM的功能和结构。循环网络是一类人工神经网络，用于识别诸如文本、基因组、手写字迹、语音等序列数据的模式，或用于识别传感器、股票市场、政府机构产生的数值型时间序列数据。循环网络可以说是最强大的神

皮质-皮质网络的多尺度交流

大脑网络中的信号在多个拓扑尺度上展开。区域可以通过局部回路交换信息，包括直接邻居和具有相似功能的区域，或者通过全局回路交换信息，包括具有不同功能的远邻居。在这里，我们研究了皮质-皮质网络的组织如何通过参数化调整信号在白质连接体上传输的范围来调节局部和全局通信。我们发现，大脑区域在偏好的沟通尺度上是不同的。通过研究大脑区域在多个尺度上与邻居交流的倾向，我们自然地揭示了它们的功能多样性：单模态区表现出对局部交流的偏好，而多模态区表现出对全球交流的偏好。我们表明，这些偏好表现为区域和尺度特定的结构-功能耦合。即，单模态区域的功能连接出现在小尺度回路的单突触通信中，而跨模态区域的功能连接出现在大尺度回路的多突触通信中。总之，目前的研究结果表明，交流偏好在大脑皮层之间是高度异质性的，形成了结构-功能耦合的区域差异。

02

DeepMind 再发 Nature，图神经网络解决物理难题

DeepMind 作为《自然》期刊的大户，最近在《自然·物理》发表了一篇论文，讲述了如何利用图神经网络研究玻璃态变化的问题。

02

NC：皮层微结构的神经生理特征

在整个皮层中观察到微结构的系统空间变化。这些微结构梯度反映在神经活动中，可以通过神经生理时间序列捕获。自发的神经生理动力学是如何在整个皮层组织的，以及它们是如何从异质皮层微结构中产生的，目前尚不清楚。在这里，我们通过估计来自静息状态脑磁图(MEG)信号的6800多个时间序列特征，广泛地描绘了整个人脑的区域神经生理动力学。然后，我们将区域时间序列概况映射到一个全面的多模式，多尺度的皮质微结构图谱，包括微观结构，代谢，神经递质受体，细胞类型和层流分化。我们发现神经生理动力学的主导轴反映了信号的功率谱密度和线性相关结构的特征，强调了电磁动力学的常规特征的重要性，同时识别了传统上较少受到关注的附加信息特征。此外，神经生理动力学的空间变化与多种微结构特征共定位，包括基因表达梯度、皮质髓鞘、神经递质受体和转运体、氧和葡萄糖代谢。总的来说，这项工作为研究神经活动的解剖学基础开辟了新的途径。

05

Cerebral Cortex：疼痛热刺激引起的脑功能网络分离与整合

目前的研究旨在确定热痛期间大脑网络整合/分离的变化，使用高时间分辨率的网络连接事件优化方法。参与者(n = 33)主动判断施加于前臂掌侧的热刺激是否疼痛，然后在每次试验后评价温暖/疼痛强度。我们表明，试验中整合/分离的时间演化与疼痛的主观评级相关。具体来说，大脑在处理疼痛刺激时从隔离状态转变为整合状态。在所有的网络中，与主观疼痛评分的关联发生在不同的时间点。然而，当在较低的时间分辨率下测量时变功能连接时，评分和整合/分离之间的关联程度消失了。此外，与疼痛相关的整合增强在一定程度上可以通过网络之间连接的相对增加来解释。我们的研究结果强调了在单一时间点尺度上研究疼痛和大脑网络连接之间关系的重要性，因为通常使用的连接数据的时间聚合可能导致网络连接的细尺度变化可能被忽视。整合/分离之间的相互作用反映了大脑网络之间信息处理需求的变化，这种适应既发生在认知任务中，也发生在痛感处理中。

03

回答薛定谔的问题，生命是什么？AGI需要参考生命智能

The foundation: Mechanism, prediction, and falsification in Bayesian enactivism

02

2021年3月四篇深度学习论文推荐

这是Machine-Learning-Collage系列，每隔一周作者都会编写一个本周论文的幻灯片摘要。每月底所有的幻灯片画都会被集中到一个总结文章中。作者希望给读者一个直观和直观的一些最酷的趋势。以

04

EEG&ERP研究：利他林对持续性注意神经信号的影响

虽然已确定利他林（Methylphenidate, MPH）能增强持续性注意，但此效应的神经机制仍不清楚。爱尔兰都柏林三一学院神经科学学院和心理学学院Paul M. Dockree等人在Biological Psychiatry发表文章，探讨MPH 是如何影响不同时间尺度上注意力减退的电生理指标。

03

研究全脑神经网络时间动态的工具：脑电微状态介绍

瑞士研究者Christoph M.Michel 和ThomasKoenig在NeuroImage发文，介绍了一种用多通道EEG表征人脑静息态活动的办法。这种方法检测大脑的电微态，即短时间内头皮电压分布保持半稳定性，其反映大规模网络节点之间的活动具有准同时性。微状态代表了自发性意识加工的结构链，它们的发生和时间动态决定了心理状态的质量。神经和精神疾病的意识加工紊乱表现为特定微状态的时间动态变化。脑电微状态与静息态网络密切相关，其时间进程的无标度属性解释了为什么相似的脑网络可以在不同的时间尺度中被观察到。

02

Nature｜气候变化中超过临界点

古记录表明，气候系统有临界点，在这些临界点上，微小的强制力变化会对地球系统的组成部分（即临界要素）造成实质性的、不可逆转的改变。随着大气中的温室气体浓度因化石燃料燃烧而继续上升，人类活动也可能触发临界点，其影响将难以适应。以前的研究报告称，对于关键的临界要素（如冰盖融化）来说，全球变暖的阈值比工业化前的条件低。如果是这样，当代的高升温率意味着超过这些阈值几乎是不可避免的，这被广泛认为意味着我们现在致力于遭受这些临界事件。在这里，此研究中表明这种假设可能是有缺陷的，特别是对于快速变化的气候中缓慢发生的临界要素（如大西洋经向翻转环流的崩溃）。最近发展的理论表明，如果过冲时间与临界要素的有效时间尺度相比很短，则可能暂时超过阈值而不引起系统状态的变化。为了证明这一点，考虑了具有规定阈值的临界要素的简单模型，该模型由全球变暖轨迹驱动，在全球变暖水平比工业化前水平高1.5摄氏度之前，全球变暖轨迹达到顶峰，然后恢复稳定。这些结果强调了在评估与过冲临界点阈值有关的风险时考虑时间尺度的重要性。

02

时序预测的深度学习算法介绍

深度学习方法是一种利用神经网络模型进行高级模式识别和自动特征提取的机器学习方法，近年来在时序预测领域取得了很好的成果。常用的深度学习模型包括循环神经网络（RNN）、长短时记忆网络（LSTM）、门控循环单元（GRU）、卷积神经网络（CNN）、注意力机制（Attention）和混合模型（Mix ）等，与机器学习需要经过复杂的特征工程相比，这些模型通常只需要经数据预处理、网络结构设计和超参数调整等，即可端到端输出时序预测结果。深度学习算法能够自动学习时间序列数据中的模式和趋势，神经网络涉及隐藏层数、神经元数、学习率和激活函数等重要参数，对于复杂的非线性模式，深度学习模型有很好的表达能力。在应用深度学习方法进行时序预测时，需要考虑数据的平稳性和周期性，选择合适的模型和参数，进行训练和测试，并进行模型的调优和验证。来源：轮回路上打碟的小年轻（侵删）

03

时序预测双飞轮，全面超越Transformer，纯MLP模型实现性能效能齐飞

本文作者简介：王世宇，蚂蚁集团算法专家，在AI创新技术部NextEvo主要负责时序算法研究方向，主导时序预测平台建设和时序算法创新研发和架构工作，推动预测与决策联动的双引擎能力。在ICLR, IJCAI, KDD, AAAI, WSDM, ICDM, DASFAA等顶级会议发表多篇论文。

01

飘洋过海来看你的不一定是爱情，有可能是它

2018年9月16日，像往常一样，我坐在窗边憧憬爱情，幻想着心仪的她会乘风破浪、飘洋过海地来看我。

02

自监督：对比学习contrastive learning「建议收藏」

自监督方法将取代深度学习中占主导地位的直接监督范式的预言已经存在了相当一段时间。Alyosha Efros打了一个著名的赌，赌在2015年秋季之前，一种无监督的方法将会在检测Pascal VOC方面胜过有监督的R-CNN。但四年之后，他的预言现在已经实现了。目前，自监督方法（MoCo， He et al.， 2019）在Pascal VOC上的检测性能已经超越了监督方法，并在许多其他任务上取得了良好的效果。

02

值得收藏！脑机接口概述专题二 | 从运动脑机接口到情绪脑机接口：运动脑机接口

闭环控制的理念推动了脑机接口解码器的发展。包括调整解码器的构造和训练方式以及引导感觉运动脑机接口形成新的控制通路（图2）。类似于我们学习新的自然技能，用户可以通过改变神经表征来学会控制脑机接口，这一过程就是神经适应。从闭环控制的角度出发，我们通过解码器引导脑机接口去适配神经适应。在侵入式运动脑机接口中可以记录多个尺度的神经信号（专栏1），我们重点放在使用神经脉冲信号的解码器上。

03

TPAMI 2021 | 时间走向二维，基于文本的视频时间定位新方法兼顾速度与精度

当时间的维度从一维走向二维，时序上的建模方式也需要相应的改变。本文提出了多尺度二维时间图的概念和多尺度二维时域邻近网络（MS-2D-TAN）用于解决视频时间定位的问题。本文拓展自 AAAI 2020 [1]，并将单尺度的二维时间建模拓展成了一个多尺度的版本。新模型考虑了多种不同时间尺度下视频片段之间的关系，速度更快的同时精度也更高。本文在基于文本的视频时间定位任务中验证了其有效性。相关内容将发表在 TPAMI上。

03

Facebook频谱图模型生成比尔·盖茨声音，性能完胜WaveNet、MAESTRO

作者 | James Vincent 等编译 | 夕颜、Monanfei 出品 | AI科技大本营（ID:rgznai100）

02

想了解递归神经网络？这里有一份入门教程

本文来自deeplearning4j，AI科技评论编辑。递归神经网络是一类人工神经网络，用于识别诸如文本、基因组、手写字迹、语音等序列数据的模式，或用于识别传感器、股票市场、政府机构产生的数值型时间序列数据。递归网络可以说是最强大的神经网络，甚至可以将图像分解为一系列图像块，作为序列加以处理。由于递归网络拥有一种特定的记忆模式，而记忆也是人类的基本能力之一，所以下文的7个部分中，会时常将递归网络与人脑的记忆活动进行类比。前馈网络递归网络沿时间反向传播梯度消失与梯度膨胀长短期记忆单元（LSTM

03

干货 | 工商业用户负荷分析与预测系统项目

第一部分是项目背景与需求分析。在“双碳”目标的大背景下，能源电力行业面临着深刻的变革，负荷预测作用也更加突出。虚拟电厂由于其经济效益显著，市场需求也日益扩大。该项目是基于与大唐科研总院的合作，明确从数据、算法和系统等方面提出了完整的需求文档。主要技术路线包括以下三个部分，分别为多类型数据预处理、用户负荷特征分析与提取以及负荷预测模型系统建立。

03

Google Earth Engine（GEE）——Köppen-Geiger 气候地图1986-2010 年期间分辨率为 5 弧分

柯本气候分类法是根据气候和植被之间的经验关系而制定的。这种类型的气候分类方案提供了一种有效的方法来描述由多个变量及其季节性定义的气候条件，用一个单一的指标来衡量。与单一变量的方法相比，柯本分类法可以为气候变化的描述增加一个新的维度。此外，人们普遍认为，用柯本分类法确定的气候组合在生态上是相关的。因此，该分类已被广泛用于绘制长期平均气候和相关生态系统条件的地理分布图。近年来，人们对使用该分类法来确定气候的变化和植被随时间变化的可能性也越来越感兴趣。这些成功的应用表明，将柯本分类法作为一种诊断工具来监测不同时间尺度上的气候条件变化是有潜力的。这项工作利用全球温度和降水观测数据集，揭示了1901-2010年期间的气候变化和变化，证明了柯本分类法不仅能描述气候变化，而且能描述各种时间尺度的气候变异性。结论是，1901-2010年最重要的变化是干燥气候（B）的面积明显增加，同时自1980年代以来极地气候（E）的面积明显减少。还确定了年际和年代际变化的空间稳定气候区域，这具有实际和理论意义

01

数字孪生五维模型及十大领域应用

数字孪生(Digital Twin)作为践行智能制造、工业4.0、工业互联网、智慧城市等先进理念的使能技术与手段，近期备受学术界和企业界关注，尤其是数字孪生的落地应用更是关注热点。模型是数字孪生的基础与核心，而传统数字孪生三维模型已无法满足现阶段技术发展与应用需求。在此背景下，为推动数字孪生技术在相关领域和行业的进一步应用，在数字孪生车间研究过程中，提出了数字孪生五维模型的概念，以适应新需求。基于前期相关研究，在进一步阐述数字孪生五维模型后，结合相关合作企业实际应用需求，重点探讨了数字孪生五维模型在卫星/空间通信网络、船舶、车辆、发电厂、飞机、复杂机电装备、立体仓库、医疗、制造车间、智慧城市10个领域的应用思路与方案，以期为相关领域践行数字孪生理念与技术提供参考。

09

思考总结10年，图灵奖得主Yann LeCun指明下一代AI方向：自主机器智能

选自arXiv 作者：Yann LeCun 机器之心编译编辑：小舟、陈萍在这篇长达 62 页的论文中，LeCun 表示，这篇论文提炼了他对过去 5 年 - 10 年关于 AI 发展大方向的思考，这基本上是他计划在接下来的 10 年中开展的工作，也是他希望激励其他人从事的工作。随着机器学习的不断发展，领域内的研究者开始思考一个问题：我们离通用人工智能（AGI）还有多远？要实现 AGI，最关键的一点是让机器了解世界是如何运转的，掌握广泛的现实知识。这也是图灵奖得主 LeCun 近期在探索的问题。他曾

01

手机大数据如何成为城市研究与规划的基础数据？

以下内容来自【2015城市规划·长安论坛—新技术支撑下的城乡规划编制方法变革】。

04

BRAIN：路易体痴呆的波动性认知障碍：病理生理学框架

波动性认知障碍是一种复杂的致残症状，在路易体痴呆和帕金森痴呆中常见，（路易体痴呆(dementia with lewy bodies，DLB)是一种常见于中年晚期及老年的进行性神经系统变性引起的临床表现主要为波动性的认知功能障碍、帕金森综合征及视幻觉的疾病。DLB是仅次于阿尔茨海默病(Alzheimer disease，AD)的第二大变性痴呆性疾病，占人口总数的0-5％、痴呆患者总数的0-30.5％，其年发病率约为0.1％，占年新发痴呆患者总数的3.2％，最近一项基于人口15年的前瞻性研究报道法国西南地区65岁以上老年人中DLB的年发生率为112/10万人。国内DLB的临床研究报道例数很少，30余年间仅有35例临床资料比较详细的报道，DLB是值得人们加强认识和重视的疾病。）的核心诊断症状。

04

汪小京：脑科学需要自己的牛顿

今天，在全球范围，类脑智能和脑技术（BrainTech）的发展都得到了政府和企业的高度重视。类脑技术大致分为四个方面：（1）硬件设计创新。也就是从神经网络的研究里得到启发，发展新型芯片，比如IBM去年公布的TrueNorth芯片。（2）开发智能机器人。比如美国的Boston Dynamics公司，中国的小i机器人公司都在从事这一类的研发。（3）脑－机接口技术，即记录、解读脑的电信号，通过脑的信号来控制机器。这类技术的应用价值很高，有望在将来服务于瘫痪的病人，让他们用思维来指挥机器人。（4）发展

05

代码：Learning to Learn and Forget

Short-Term Plasticity Neurons Learning to Learn and Forget2206.14048

01

代码：Learning to Learn and Forget （华为）

Short-Term Plasticity Neurons Learning to Learn and Forget2206.14048

02

nature reviews neuroscience|数据驱动的神经退行性疾病进展模型：跳出黑匣子思考

数据驱动的疾病进展模型是一组新兴的计算工具，可重建长期慢性疾病的疾病时间线，为了解疾病过程及其潜在机制提供独特的见解。这种方法将人类的先验知识和假设与大规模数据处理和参数估计相结合，从短期数据推断出长期的疾病轨迹。与“黑匣子”机器学习工具相比，数据驱动的疾病进展模型通常需要更少的数据，并且本身具有可解释性，因此除了实现分类、预测和分层之外，还有助于理解疾病。在这篇综述中，我们将当前数据驱动的疾病进展模型置于一个总体框架中，并讨论了与构建静态疾病轮廓的更广泛的机器学习工具相比，它们在构建疾病时间轴方面的增强效用。我们回顾了它们在多种神经退行性疾病(尤其是阿尔茨海默病)中的应用，如确定疾病生物标志物的时间轨迹、检验关于疾病机制的假设和发现疾病亚型。我们概述了技术发展的关键领域，并将其转化为更广泛的神经科学和非神经科学应用。最后，我们讨论了将疾病进展模型纳入临床实践和试验设置的潜在途径和障碍。

01

情绪脑机接口：脑机接口概述专题三 | 从运动脑机接口到情绪脑机接口

编者的话：这篇文章是专业顶刊里发表的唯一一篇提出把脑机接口概念从运动系统扩展到情绪系统的观点文章，而且从系统实现的角度该说的基本也都说了。本质上讲，脑机接口是控制与学习的过程，是贯通神经系统与计算机系统的智能科学。脑机接口又是涉及多种技术有机集成的大工程。高级形式的脑机接口将是人脑智能与人工智能的集大成者。目前的技术瓶颈在其最前端的神经界面上，信号的质量和带宽都被其所限。很多人知道马斯克的脑机接口公司-Neuralink。有人仿制他们的模拟前端芯片就号称可以正面PK了，这种想法显然肤浅了。他们目前展示的仅仅是脑机接口的部分前端技术-信号转换器。这篇文章就是在讲它后边的事。

03

开发一个通用的、可推广的生物表征能力模型；即表型表征理论

Neural and phenotypic representation under the free-energy principle 2021

01

多尺度动力学模型表征空间细胞稳态|Nat. Methods

接下来，分析了上皮-间充质转化(EMT)过程中的模拟基因调控回路，其中三个吸引子，分别表示为上皮(E)，间充质(M)和中间细胞状态(ICS)，可能在某些参数范围内共存。与scVelo计算的RNA速率相比，STT平均速率明显恢复了这三个吸引子。总的来说，STT能够重建单细胞基因表达数据集中复杂的多稳态细节。

02

大脑分层预测让大模型更卷！Meta最新研究登Nature子刊

---- 新智元报道编辑：Ellie 桃子【新智元导读】近日，Nature子刊发表Meta最新研究成果，揭示目前的语言模型与人类大脑的差异，或将为开发更强大的生成式AI提供启示。 1000亿个神经元，每个神经元有8000个左右的突触，大脑的复杂结构为人工智能研究带来启发。当前，多数深度学习模型的架构，便是一种受生物大脑神经元启发的人工神经网络。生成式AI大爆发，可以看到深度学习算法在生成、总结、翻译和分类文本的能力越来越强大。然而，这些语言模型仍然无法与人类的语言能力相匹配。恰恰预

02

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭