Abstract Aiming at the electric vehicle charging pile control system has the characteristics of multi-parameter, strong coupling and non-linearity, and the existing traditional PID control and fuzzy PID control methods have the problems of slow charging speed, poor control performance and anti-interference ability, as well as seriously affecting the service life of the battery, this paper designs a kind of improved particle swarm algorithm to optimize the PID controller of the charging control system for electric vehicle charging piles, and utilizes the improved particle swarm algorithm to Adaptive and precise adjustment of proportional, integral and differential parameters, so that the system quickly reaches stability, so as to improve the accuracy of the system control output current or voltage. Simulation results show that the optimized system response speed of the improved particle swarm algorithm is improved by 3.077 s, the overshooting amount is reduced by 1.01%, and there is no oscillation, which has strong adaptability and anti-interference ability, and can significantly improve the control accuracy and charging efficiency of the charging pile control system.

Accurate, reliable prediction of risk for Alzheimer's disease (AD) is essential for early, disease-modifying therapeutics. Multimodal MRI, such as structural and diffusion MRI, may contain multi-dimensional information neurodegenerative processes in AD. Here we tested the utility of structural MRI and diffusion MRI as imaging markers of AD using high-throughput brain phenotyping including morphometry and white-matter structural connectome (whole-brain tractography), and machine learning analytics for classification. We used a retrospective cohort collected at a dementia clinic (Ilsan Dementia Cohort; N=211; 110 AD, 64 mild cognitive impairment [MCI], and 37 subjective memory complaints [SMC]). Multi-modal MRI was collected (T1, T2-FLAIR, and diffusion MRI) and was used for morphometry, structural connectome, and white matter hyperintensity (WHM) segmentation. Our machine learning model trained on the large-scale brain phenotypes (n=34,646) classified AD, MCI, and SMC with unprecedented accuracy (AD/SMC: 97% accuracy, MCI/SMC: 83% accuracy; AD/MCI: 98% accuracy) with strict iterative nested ten-fold cross-validation. Model comparison revealed that white-matter structural connectome was the primary contributor compared with conventional volumetric features (e.g., WHM or hippocampal volume). This study indicates promising utility of multimodal MRI, particularly structural connectome, combined with high-throughput brain phenotyping and machine learning analytics to extract salient features enabling accurate diagnostic prediction.

Accurate, reliable prediction of risk for Alzheimers disease (AD) is essential for early, disease-modifying therapeutics. Multimodal MRI, such as structural and diffusion MRI, is likely to contain complementary information of neurodegenerative processes in AD. Here we tested the utility of commonly available multimodal MRI (T1-weighted structure and diffusion MRI), combined with high-throughput brain phenotyping-morphometry and connectomics-and machine learning, as a diagnostic tool for AD. We used, firstly, a clinical cohort at a dementia clinic (study 1: Ilsan Dementia Cohort; N=211; 110 AD, 64 mild cognitive impairment [MCI], and 37 subjective memory complaints [SMC]) to test and validate the diagnostic models; and, secondly, Alzheimers Disease Neuroimaging Initiative (ADNI)-2 (study 2) to test the generalizability of the approach and the prognostic models with longitudinal follow up data. Our machine learning models trained on the morphometric and connectome estimates (number of features=34,646) showed optimal classification accuracy (AD/SMC: 97% accuracy, MCI/SMC: 83% accuracy; AD/MCI: 97% accuracy) with iterative nested cross-validation in a single-site study, outperforming the benchmark model (FLAIR-based white matter hyperintensity volumes). In a generalizability study using ADNI-2, the combined connectome and morphometry model showed similar or superior accuracies (AD/HC: 96%; MCI/HC: 70%; AD/MCI: 75% accuracy) as CSF biomarker model (t-tau, p-tau, and Amyloid beta;, and ratios). We also predicted MCI to AD progression with 69% accuracy, compared with the 70% accuracy using CSF biomarker model. The optimal classification accuracy in a single-site dataset and the reproduced results in multi-site dataset show the feasibility of the high-throughput imaging analysis of multimodal MRI and data-driven machine learning for predictive modeling in AD.

Accurate, reliable prediction of risk for Alzheimer’s disease (AD) is essential for early, disease-modifying therapeutics. Multimodal MRI, such as structural and diffusion MRI, is likely to contain complementary information of neurodegenerative processes in AD. Here we tested the utility of the multimodal MRI (T1-weighted structure and diffusion MRI), combined with high-throughput brain phenotyping—morphometry and structural connectomics—and machine learning, as a diagnostic tool for AD. We used, firstly, a clinical cohort at a dementia clinic (National Health Insurance Service-Ilsan Hospital [NHIS-IH]; N=211; 110 AD, 64 mild cognitive impairment [MCI], and 37 cognitively normal with subjective memory complaints [SMC]) to test the diagnostic models; and, secondly, Alzheimer’s Disease Neuroimaging Initiative (ADNI)-2 to test the generalizability. Our machine learning models trained on the morphometric and connectome estimates (number of features=34,646) showed optimal classification accuracy (AD/SMC: 97% accuracy, MCI/SMC: 83% accuracy; AD/MCI: 97% accuracy) in NHIS-IH cohort, outperforming a benchmark model (FLAIR-based white matter hyperintensity volumes). In ADNI-2 data, the combined connectome and morphometry model showed similar or superior accuracies (AD/HC: 96%; MCI/HC: 70%; AD/MCI: 75% accuracy) compared with the CSF biomarker model (t-tau, p-tau, and Amyloid β, and ratios). In predicting MCI to AD progression in a smaller cohort of ADNI-2 (n=60), the morphometry model showed similar performance with 69% accuracy compared with CSF biomarker model with 70% accuracy. Our comparison of classifiers trained on structural MRI, diffusion MRI, FLAIR, and CSF biomarkers show the promising utility of the white matter structural connectomes in classifying AD and MCI in addition to the widely used structural MRI-based morphometry, when combined with machine learning.Highlights

Abstract Fusion navigation and positioning have evolved into crucial technologies and methodologies within navigation systems. Currently, the majority of combined positioning frameworks employ Kalman filtering algorithms for data fusion. To explore more efficient and high-precision fusion architectures and algorithms, we introduce a fusion navigation framework based on a fully-connected neural network (FCNN). Initially, we conducted an analysis of existing fusion positioning technology, data fusion algorithms, and the application of artificial intelligence algorithms in navigation positioning. Drawing insights from the federated Kalman filter (FKF) architecture, FCNN, and attention mechanism, we propose a fusion navigation framework centered on FCNN. Finally, fixed-point and trajectory determination experiments were carried out in both open and semi-shielded environments. The results demonstrate that, compared to the traditional FKF architecture, the FCNN fusion navigation framework, coupled with the attention mechanism fusion algorithm, effectively accommodates data, mitigates errors, and achieves superior positioning accuracy.