The mass of the top quark is measured using a sample of t t-bar candidate events with one electron or muon and at least four jets in the final state, collected by CMS in pp collisions at sqrt(s) = 7 TeV at the LHC. A total of 5174 candidate events is selected from data corresponding to an integrated luminosity of 5.0 inverse femtobarns. For each event the mass is reconstructed from a kinematic fit of the decay products to a t t-bar hypothesis. The top-quark mass is determined simultaneously with the jet energy scale (JES), constrained by the known mass of the W boson in q anti-q decays, to be 173.49 +/- 0.43 (stat.+JES) +/- 0.98 (syst.) GeV.

Abstract Background Bacterial vaginosis (BV) was the most common condition for women’s health caused by the disruption of normal vaginal flora and an overgrowth of certain disease-causing bacteria, affecting 30-50% of women at some time in their lives. Gram stain followed by Nugent scoring (NS) based on bacterial morphotypes under the microscope was long considered golden standard for BV diagnosis. This conventional manual method was often considered labor intensive, time consuming, and variable results from person to person. Methods We developed four convolutional neural networks (CNN) models, and evaluated their ability to automatic identify vaginal bacteria and classify Nugent scores from microscope images. All the CNN models were first trained with 23280 microscopic images labeled with Nugent scores from top experts. A separate set of 5815 images were evaluated by the CNN models. The best CNN model was selected to generalize its application on an independent sets of 1082 images collecting from three teaching hospitals. Different hardwares were used to take images in hospitals. Results Our model could classify three Nugent Scores from images with high three classification accuracy of 89.3% (with 82.4% sensitivity and 96.6% specificity) on the 5815 test images, which was better diagnostic yield than the top-level technologists and obstetricians in China. The ability of generalization for our model was strong that it obtained 75.1%, which was 6.6% higher than the average of technologists. Conclusion The CNN model over performed human healthcare practitioners on accuracy, efficiency and stability for BV diagnosis using microscopic image-based Nugent scores. The deep learning model may offer translational application in automating diagnosis of bacterial vaginosis with proper supporting hardware.

Abstract Shear wave velocity is an essential parameter in reservoir characterization and evaluation, fluid identification and prestack inversion. However, conventional data‐driven or model‐driven shear wave velocity prediction methods exhibit several limitations, such as lack of training data sets, poor model generalization and weak model robustness. In this study, a model‐ and data‐driven approach is presented to facilitate the solution of these problems. We develop a theoretical rock physics model for fractured limestone reservoirs and then use the model to generate synthetic data that incorporates geological and geophysical knowledge. The synthetic data with random noise is utilized as the training data set for the artificial neural network, and a well‐trained shear wave velocity prediction model, random noise shear wave velocity prediction neural network, is established by parameter tuning, which fits the synthetic data with noise well. The neural network is applied directly to the real field area. Compared with conventional shear wave prediction methods, such as empirical formulas and the improved Xu–White model, the prediction results show that the random noise shear wave velocity prediction neural network has better prediction performance and generalization. Furthermore, the prediction results demonstrate the efficacy of the proposed approach, and the approach has the potential to perform shear wave velocity prediction in real areas where training data sets are unavailable.

Persistent Organic Pollutants (POPs) have the characteristics of resistance to environmental degradation, bioaccumulation and long-distance migration potential. Maternal exposure to POPs during pregnancy can enter the fetal blood circulation through the placental barrier, and have a potential impact on the functional development of the nervous system of the offspring. This in turn leads to the occurrence and development of neurological defects and diseases in adulthood. The purpose of this paper is to elucidate the effects of exposure to three major POPs (organochlorine compounds, perfluoroalkyl and polyfluoroalkyl substances, and polybrominated diphenyl ethers) during pregnancy on the functional development of the nervous system (social emotions, cognition, language, exercise, and adaptability) in children, and to provide reference for subsequent studies.

Flight test safety monitoring is an important means to improve the efficiency of test aircraft flight tests and ensure flight test safety. Aiming at the test aircraft flight test risk analysis and safety monitoring needs, this paper proposes a real-time monitoring technology for the whole process of flight test risks based on a hierarchical safety model. Through the extraction and risk level classification of the whole process of flight test safety risks, the flight test safety risk items and risk levels are obtained; then, by constructing a hierarchical safety model for test aircraft, the risk causes of flight test risks are analyzed and complete flight test safety information is captured; then, the knowledge graph is used to store large-scale flight test safety knowledge, and at the same time, a fast retrieval algorithm is used in the real-time monitoring process to realize the rapid identification and efficient retrieval of flight test risks based on telemetry data; finally, a test aircraft safety monitoring software with safety critical parameters as the core is designed to assist monitoring personnel in making decisions, and ultimately achieve the goal of timely discovery, timely warning, and timely disposal of safety risks during the monitoring process.