Yeo7网络 17网络的AAL90 脑图谱的 映射关系模板https://www.freesurfer.net/fswiki/CerebellumParcellation_Buckner2011 参考文献：Yeo BT, Krienen FM, Sepulcre J, Sabuncu MR, Lashkari D, Hollinshead M, Roffman JL, Smoller JW, Zollei L., Polimeni JR, Fischl B, Liu H, Buckner RL. The organization of the human cerebral cortex estimated by intrinsic functional connectivity. J Neurophysiol 106(3):1125-65, 2011

DFT的matlab源代码 redis_orm Object Relational Mapping use redis as a relational database。 产出背景 项目的快速迭代，不仅需要敏捷的开发，还需具备较高性能的和稳定性，单纯用关系型数据库有瓶颈，然后在关系型数据库基础上加分布式缓存或者进程内缓存有增加了开发和维护成本， 刚好项目中在用Redis，就考虑基于Redis的Hash和SortedSet两个数据结构来设计类似关系型数据库的ORM。经过多个版本的迭代，现在已经实现了ORM的基本功能，在应用中发现维护和查看数据 不太方便，又开发了[工作台](https://github.com/weikaishio/redis_orm_workbench). 功能列表 基于对象的增、删、改、查、统计 基于Map的增、删、改、查、统计(方便用在redis_orm_workbench) 支持动态创建表、删除表、创建索引、重建索引 支持可配置的自动同步到MySql数据库(一般为了更方便的查询统计所用) 使用说明 模型定义的标签说明 TagIdentifier = "redis_

神经关系推理（NRI） 用于交互系统的图神经网络 给定节点的时间序列数据，NRI模型会将未来的节点状态和节点之间的基础抵销关系预测为边缘。 这是Chainer中神经关系推理（NRI）的再现作品。 作者的原始实现可在此处找到： 。 请参阅本文的详细信息： 交互系统的神经关系推断。 Thomas Kipf *，Ethan Fetaya *，Kuan-Chieh Wang，Max Welling，Richard Zemel。 ：平等贡献） 数据集 粒子物理模拟数据集 cd data python generate_dataset.py 训练 粒子物理模拟数据集 python train.py --gpu 0 可视化结果 python utils/visualize_results.py \ --args-file results/2019-01-22_10-20-25_0/args.

针对已有自适应细分方法中存在的问题，提出了一种新的自适应多分辨率细分曲面的表示方法。该方法结合拓扑细分的特点，运用二维组合映射对半边数据结构进行形式化定义，并引出超映射的概念。在超映射这个通用的理论框架中引出了半边结构在多分辨率上的扩展，并对其在自适应细分方法中的应用进行了讨论。结果表明这种结构具有普适性，支持多种细分方法，允许在网格的任何多分辨率层次上及时有效地导航，并且在自适应细分过程中避免了拓扑裂缝的产生。

plot_qshq_rwtp.py 使用python，neo4j绘制群山回唱人物关系图 qshc.txt 群山回唱人物关系 neo4j-community-3.5.31-windows.zip neo4j-community-4.4.18-windows.zip neo4j-community-5.5.0-windows.zip graph.png 人物关系图谱png graph.svg

RAT-SQL 该存储库包含ACL 2020论文。 如果您在工作中使用RAT-SQL，请按以下方式引用： @inproceedings { rat-sql , title = " {RAT-SQL}: Relation-Aware Schema Encoding and Linking for Text-to-{SQL} Parsers " , author = " Wang, Bailin and Shin, Richard and Liu, Xiaodong and Polozov, Oleksandr and Richardson, Matthew " ,

4.1 电子病历实体关系抽取任务 电子病历命名实体关系抽取主要研究从电子病 历中抽取疾病、症状、检查和治疗这几类实体间的 关系. 这些实体关系体现了患者健康状况信息和针 对患者的医疗处置措施, 也体现了医生的专业知识. 如下面的例子: 1) 头 CT 检查显示腔隙性脑梗死 (检查 “头 CT” 证实了疾病 “腔隙性脑梗死”); 2) 患者彩超结果汇报轻度脂肪肝、慢性胆囊炎, 给予饮食指导, 继续治疗方案 (“彩超” 证实了 “轻度 脂肪肝” 和 “慢性胆囊炎”, “饮食指导” 施加于 “轻 度脂肪肝” 和 “慢性胆囊炎”). 电子病历实体关系抽取任务在命名实体识别基 础上展开, 对病历文本中同一个语句中的两个命名 实体赋予预定义的关系类型, 因而该任务转化为分 类问题, 通常采用基于机器学习的方法实现, 评价指 标采用精确度、召回率和 F 值. 目前电子病历实体 关系只限于一个句子范围内两个实体之间的关系. Uzuner 首先对医疗实体关系抽取进行了开创 性的研究, 详细定义了六大类医疗实体关系: 当前疾 病和治疗的关系、可能的疾病和治疗的关系、疾病 (包括当前的和可能的) 和检查的关系、疾病和症状 的关系、当前症状和治疗的关系、可能的症状和治 疗的关系[3]. 如果已经定义了修饰识别任务, 实现了 疾病和症状的修饰识别, 那么在关系抽取时, 可以不 考虑修饰的影响, 直接抽取实体间的关系, 然后借助 实体的修饰, 可以得到文献 [3] 定义的上述各类关 系. 所以, 在 I2B2 2010 评测中, 实体关系的定义没 有考虑修饰的因素. I2B2 2010 首次对电子病历命 名实体关系进行了系统的分类[12], 这些关系包括医 疗问题和医疗问题之间的关系、医疗问题和检查之 间的关系、医疗问题和治疗之间的关系. 这三类关系 以医疗问题为中心, 反映了电子病历面向医疗问题 的信息组织方式. 这三类关系只限于一个句子范围 内两个实体之间的关系. 表 5 详细列出了医疗问题、 检查和治疗这三类实体间的关系. 针对中文电子病历特点, 医疗问题被拆分为疾 病和症状,那么在定义实体关系时,也应作相应调整. 主要体现在两方面: 1) 医疗问题和治疗 (或检查) 的 关系转变为疾病和治疗的关系以及症状与治疗的 关系, 医疗问题和检查的关系也转变为疾病和检查 的关系以及症状和检查的关系; 2) 医疗问题之间的 关系替换为疾病和症状的关系 (疾病导致了症状)、 疾病和疾病的关系 (疾病导致了另一个疾病)、症状 和症状的关系 (症状伴随另一个症状). 自动抽取这几类实体间的关系可以构造患者健 康状况的简明摘要, 医生可以预先快速浏览病人的 信息, 后续再关注特定的细节. 除了可以用作医疗研 表 4 疾病和症状的修饰识别方法总结 Table 4 Summarization of methods for assertion classification 作者 方法 用到的资源 数据 评价 (F 值) Chapman 等[13] (NegEx) 规则 正则表达式规则 出院小结 0.853 Mutalik 等[105] (Negfinder) 规则 正则表达式规则、句法规则 自建语料 0.965 Sohn 等[106] (DepNeg) 规则 依存规则 I2B2 2010 评测数据 0.838 Harkema 等[107] (ConText) 规则 正则表达式规则、触发词 6 种类型的病历文本 0.76∼ 0.93 Uzuner 等[108] SVM / 三个机构的病历 0.35∼ 0.98 Grouin 等[110] SVM NegEx I2B2 2010 评测数据 0.931 Jiang 等[97] SVM MedLEE I2B2 2010 评测数据 0.931 de Bruijn 等[99] SVM cTAKES I2B2 2010 评测数据 0.936 Clark 等[111] CRF、最大熵 语义分类词典、状态规则 I2B2 2010 评测数据 0.934

基于R2RML的关系数据库向资源描述框架映射算法，周书锋，许卓明，语义网的目标是建立以资源描述框架（RDF）为标准数据模型的数据网。当前大多数Web数据源是由关系数据库（RDB）驱动的，因此RDB数据向

对雅鲁藏布江流域归一化差值植被指数(normalized difference vegetation index, NDVD时空变化特征分析的同时,把流域站点降水量点数据插值成与流域NDVI相一致的空间Grid数据,并对流域NDVI与降水量的关系进行了分析。考虑到降水量插值误差的存在,分析了流域站点NDVI与降水量的关系。结果表明,流域与流域站点NDVI与降水量均具有较强的季节性与时间上的一致性。其线性相关系数与对数相关系数都在0.7以上。

PCB线径与电流匹配关系，各种线径在各种材质和温度下的电流负载情况