High order neural networks have strong nonlinear mapping ability, but the network structure is more complex, which restricts the efficiency of the network, and the relevant theoretical analysis is still not perfect up to now.To solve these problems, an online gradient learning algorithm model of Pi-Sigma neural network with a smooth set lasso regular term is proposed.Since the original lasso regular term contains absolute values and is not differentiable at the origin, it causes experiment oscillations and poses a great challenge to the convergence analysis of the algorithm.We use grinding technology to overcome this deficiency.The main contribution of this paper lies in the adoption of online learning algorithm, which effectively improves the efficiency of the algorithm.At the same time, strict theoretical proofs are presented, including strong convergence and weak convergence.Finally, the effectiveness of the algorithm and the correctness of the theoretical results are verified by numerical experiments.

Abstract Materials science is an interdisciplinary field that studies the properties, structures, and behaviors of different materials. A large amount of scientific literature contains rich knowledge in the field of materials science, but manually analyzing these papers to find material-related data is a daunting task. In information processing, named entity recognition (NER) plays a crucial role as it can automatically extract entities in the field of materials science, which have significant value in tasks such as building knowledge graphs. The typically used sequence labeling methods for traditional named entity recognition in material science (MatNER) tasks often fail to fully utilize the semantic information in the dataset and cannot effectively extract nested entities. Herein, we proposed to convert the sequence labeling task into a machine reading comprehension (MRC) task. MRC method effectively can solve the challenge of extracting multiple overlapping entities by transforming it into the form of answering multiple independent questions. Moreover, the MRC framework allows for a more comprehensive understanding of the contextual information and semantic relationships within materials science literature, by integrating prior knowledge from queries. State-of-the-art (SOTA) performance was achieved on the Matscholar, BC4CHEMD, NLMChem, SOFC, and SOFC-Slot datasets, with F1-scores of 89.64%, 94.30%, 85.89%, 85.95%, and 71.73%, respectively in MRC approach. By effectively utilizing semantic information and extracting nested entities, this approach holds great significance for knowledge extraction and data analysis in the field of materials science, and thus accelerating the development of material science. Scientific contribution We have developed an innovative NER method that enhances the efficiency and accuracy of automatic entity extraction in the field of materials science by transforming the sequence labeling task into a MRC task, this approach provides robust support for constructing knowledge graphs and other data analysis tasks.

Estimating human pose from images is the key to enabling machines to understand human actions. Existing works on human pose estimation mainly focus on designing more resultful deep neural networks to regress the locations of human joints. Although the human pose is obedient to anatomy and shows rich anatomical features, reasoning human body structure by machine in a complex environment is still an open problem. This paper proposes AnatPose which can effectively capture the structural dependency among human body parts by both deep neural network architecture and learning objectives: (1) For the deep neural network architecture, a bidirectional learning paradigm is proposed to learn body-part proportions and dependencies by organizing human body parts as sequential data. This innovation enables the messages to pass in a bidirectional way and makes the human body exchange information about each part deeper during training. (2) For the learning objective, the proposed AnatPose learns a probabilistic representation of multi-scale anatomical features, including keypoint heatmaps, bone heatmaps, and symmetry heatmaps. This innovation enables the multi-scale anatomical features to successfully capture the structural dependency at both low-level joints and high-level associations from the anatomical priors of the human body. Extensive experimental results demonstrate that the proposed AnatPose shows state-of-the-art performance on three challenging datasets. It achieves a [email protected] detection rate of 95.2% on the LSP dataset, a [email protected] detection rate of 92.9% on the MPII dataset, and an mAP of 76.6% on the Microsoft COCO dataset. Benefiting from its state-of-the-art accuracy, the proposed approach is expected to be widely used in various human pose estimation-driven applications.

Nerve injury represents the primary reason of mortality and disability in ischemic stroke, but effective drug delivery to the region of cerebral ischemia and hypoxia poses a significant challenge in neuroprotective treatment. To address these clinical challenges, a biomimetic nanomotor, Pt@LF is designed, to facilitate deep delivery of neuroprotective agents and inhibit ferroptosis in ischemic stroke. Pt@LF traverses the blood-brain barrier (BBB) and penetrates into deep cerebral ischemic-hypoxic areas due to the active targeting capacity of apo-lactoferrin (Apo-LF) and the self-propelling motion properties of nanomotors. Subsequently, Pt@LF loosens thrombus and alleviates the "no reflow" phenomenon via mechanical thrombolysis. Thanks to the various enzyme-like abilities and multi-target ferroptosis inhibition capability, Pt@LF ameliorates the inflammatory microenvironment and rescues dying neurons. In conclusion, Pt@LF demonstrates efficiently deep penetration and neuroprotective effects in vitro and vivo. And this study provides a promising therapeutic platform for the treatment of ischemic stroke.

At present, metal particles are still one of the main insulation defects that harm the insulation performance of GIS. Especially during the moment or a period of time after GIS live operation, GIS discharge faults caused by metal particles occur frequently. However, there is currently a lack of research on the motion and induced discharge characteristics of particles under the mechanical vibration of live operation. This article built a 126 kV GIS experimental platform, simulated the process of GIS switch electrification operation through external mechanical vibration, and researched the motion and induced discharge process of wire metal particles under mechanical vibration. Research has found that the mechanical vibration generated by switch operation can reduce the jumping field strength of metal particles by about 40%, and multiple stationary particles can form a series discharge of multiple particles in the SF6gas gap after being excited to lift off, reducing the breakdown voltage of SF6.