This paper proposes an innovative algorithm named 2D-LDA, which directly extracts the proper features from image matrices based on Fisher’s Linear Discriminant Analysis. We experimentally compare 2D-LDA to other feature extraction methods, such as 2D-PCA, Eigenfaces and Fisherfaces. And 2D-LDA achieves the best performance.

While Kolmogorov (1965) complexity is the accepted absolute measure of information content in an individual finite object, a similarly absolute notion is needed for the information distance between two individual objects, for example, two pictures. We give several natural definitions of a universal information metric, based on length of shortest programs for either ordinary computations or reversible (dissipationless) computations. It turns out that these definitions are equivalent up to an additive logarithmic term. We show that the information distance is a universal cognitive similarity distance. We investigate the maximal correlation of the shortest programs involved, the maximal uncorrelation of programs (a generalization of the Slepian-Wolf theorem of classical information theory), and the density properties of the discrete metric spaces induced by the information distances. A related distance measures the amount of nonreversibility of a computation. Using the physical theory of reversible computation, we give an appropriate (universal, antisymmetric, and transitive) measure of the thermodynamic work required to transform one object in another object by the most efficient process. Information distance between individual objects is needed in pattern recognition where one wants to express effective notions of "pattern similarity" or "cognitive similarity" between individual objects and in thermodynamics of computation where one wants to analyze the energy dissipation of a computation from a particular input to a particular output.

The Gulong shale oil play located in northern Songliao Basin is a promising exploration target in China. Member 1 of Qingshankou Formation (Well H) with high thermal maturity was preferred to obtain pressure-retained cores, long-time exposed cores, and produced petroleum (crude oil and gas). The selected samples were subjected to sequential extraction, GC, GC-MS, thermal desorption–gas chromatography (TD-GC) and Fourier transform ion cyclotron resonance mass spectrometry (FT-ICR MS) analysis. The compositional differences of in-situ fluids, residual bitumen trapped in open, confined, and closed pores, as well as wellstream, were systematically investigated. (1) In-situ fluid compositions, with a 30.8% proportion of nC1−5 in n-alkanes, were studied by TD-GC analysis on pressure-retained cores. Interestingly, limited amounts of C8- compounds were detected in long-time exposed bulk cores but were almost absent in exposed powder. Primally poor pore connectivity and partially adsorption or absorption of organic matter contribute to the retention of gaseous hydrocarbons. (2) Sequential extraction is a best method for obtaining compositions of fluid in pores with variable sizes. Aliphatic compounds of residual bitumen trapped in open pores are similar to those in confined pores, while polar compounds are more enriched in confined and closed pores. Originally connected pores in early oil window, has turned into confined or closed pores by compaction and cementation with increasing depth. (3) Wellstream compositions are significantly different from in-situ fluid compositions, especially in shale oil extraction. The proportion of gaseous hydrocarbons in the wellstream (76.2%) is considerably higher than that of in-situ fluids (34.1%). Comparison of aromatic hydrocarbons indicated that the wellstream is sourced from free fluids and partially adsorbed hydrocarbons in open pores. (4) Nitrogen and oxide compounds with a higher degree of condensation (higher DBE value) have poor movability, leading to extremely low content or even absence in crude oil. The compositional differences from in-situ fluids to the wellbore through the stimulated fractures are caused by selective adsorption of pore walls, confinement effect of nanopores and fluid phase changing. This study provides a window to the compositional differences of fluids released from different occurrence spaces and confirms compounds heterogeneity.

Using waste rubber to partially replace fine aggregate to make rubber concrete can not only reduce black pollution to alleviate the dilemma of natural sand resource depletion, but also improve the frost resistance of concrete, which is undoubtedly a win–win solution. Aim to promote the application of rubber concrete seasonal cold regions, it is of great significance to evaluate and predict its frost-resistance. Different from ordinary concrete, the existence of rubber changes the inherent characteristics of concrete to varying degrees, which makes the durability of rubber concrete more complicated and the establishment of prediction models more challenging. In this paper, an artificial neural network (ANN) model was proposed to predict the frost-resistance of rubberized concrete. Using water-cement ratio, cement, sand, sand rate, rubber content and the number of freeze–thaw cycles as input variables and relative dynamic elastic modulus as output variables, a three-layer BP neural network (BPNN) prediction model with a hidden layer was established on the basis of a large number of experimental data of another author. The prediction results show that the proposed BPNN model has a strong ability to predict the frost resistance of rubberized concrete with satisfactory accuracy (R2 = 0.9825, MAPE = 1.5609%), which opens up a new way to improve the prediction accuracy of frost-resistance for rubberized concrete.

The distinctive pharmacological characteristics of Chinese medicinal herbs are rendering them increasingly popular as functional foods. However, fresh herbs are prone to mold and decay. Currently, drying processing is primarily employed to extend the storage time and effectively preserve the bioactive constituents of these herbs. After examining of the recent literatures on drying Chinese medicinal herbs, this paper provides a comprehensive overview of various drying technologies, including shade drying, hot air drying, solar drying, heat pump drying, microwave drying, far-infrared drying, vacuum drying, vacuum freeze drying, radio frequency drying, high voltage electric field drying and some combined techniques. While, an extensive illustration for each drying method principles, advantages/disadvantages, potential improvements and deep investigation of its energetic performance and the influence on the main active components in the drying process, such as polysaccharides, polyphenols, flavonoids, saponins, volatile oils, were summarized. The results showed that the combined drying technology not only had high efficiency and low energy consumption, but also preserved the bioactive medicinal components and sensory quality at the best. This paper provides a theoretical foundation and vast technical support for enhancing the value of Chinese medicinal herbs utilization and drying industry.

The influence of the oxidizers including H2O2, K2S2O8, KMnO4, KClO4, KIO4 and (NH4)2S2O8 on copper chemical mechanical poshing was systematically investigated. Microscopic observations, electrochemical characterizations and X-ray photoelectron spectroscopy depth profile analyses revealed that the corrosion and removal behaviors were determined by the decomposition product of the oxidizers, other than their oxidizing capabilities. All oxidizers, except the persulfate, generated significant quantities of OH- ions upon decomposition, which formed a dense passivation oxide film on copper surface. While the copper surfaces in the neutral persulfate solutions were porous and loose, promoting the oxidizer to penetrate and further corrode the inner layer.

Low-dose computed tomography (LDCT) has gained increasing attention owing to its crucial role in reducing radiation exposure in patients. However, LDCT-reconstructed images often suffer from significant noise and artifacts, negatively impacting the radiologists' ability to accurately diagnose. To address this issue, many studies have focused on denoising LDCT images using deep learning (DL) methods. However, these DL-based denoising methods have been hindered by the highly variable feature distribution of LDCT data from different imaging sources, which adversely affects the performance of current denoising models. In this study, we propose a parallel processing model, the multi-encoder deep feature transformation network (MDFTN), which is designed to enhance the performance of LDCT imaging for multisource data. Unlike traditional network structures, which rely on continual learning to process multitask data, the approach can simultaneously handle LDCT images within a unified framework from various imaging sources. The proposed MDFTN consists of multiple encoders and decoders along with a deep feature transformation module (DFTM). During forward propagation in network training, each encoder extracts diverse features from its respective data source in parallel and the DFTM compresses these features into a shared feature space. Subsequently, each decoder performs an inverse operation for multisource loss estimation. Through collaborative training, the proposed MDFTN leverages the complementary advantages of multisource data distribution to enhance its adaptability and generalization. Numerous experiments were conducted on two public datasets and one local dataset, which demonstrated that the proposed network model can simultaneously process multisource data while effectively suppressing noise and preserving fine structures. The source code is available at https://github.com/123456789ey/MDFTN .

Abstract The deep echo state network demonstrates strong predictive performance in time series tasks, but inter-layer weight optimization and reservoir structure design are still challenging tasks. To address this, we propose the cooperative co-evolutionary deep echo state network (CCEDESN). Firstly, inspired by the hierarchical structure of the brain, we introduce a modular hierarchical design. Each layer of the reservoir contains multiple sub-reservoirs, with central neurons in each sub-reservoir interacting with those in other sub-reservoirs to enhance information processing. Secondly, an advanced cooperative co-evolutionary algorithm is proposed to simultaneously optimize the layer connection weights and hyperparameters of the deep echo state network. We evaluate the CCEDESN model on the Mackey-Glass system, sunspot data, and Apple stock opening prices. The experimental results show that the CCEDESN model achieves superior prediction accuracy compared to other models.