history.json格式如下：（_id:数据库唯一主键，e_id：业务主键。title:"标题"， content: "内容详情"，picNo: "图片数量"，picUrl: "图片数组"， deleteFlag: 删除表示， 0未删除，1删除）{ "_id" : ObjectId("67244802c98db1738e34abf1"), "e_id" : "20", "title" : "德国实施优生法", "content" : "\n    在87年前的今天，1934年1月1日(农历1933年11月16日)，德国实施优生法。1934年1月1日，德国实施优生法，对遗传病患者可以强制施行绝育手术。","picNo" : "0","picUrl" : [],"deleteFlag" : 0} historyList.json 格式如下 {_id: "数据库唯一表示"， date: "日期"， content: 内容数组 [ { history} ] , delefeFlag: "删除表示" }

在中微子质量的单重态-三重态的马约顿模型中，轻子数被自然破坏。 如果它也被软破碎，则存在自然光的伪标量粒子ηI。 然后，它可以充当具有奇暗奇偶校验的实线单重标量χ的光介体。 它本身是不稳定的，但会通过其三重态标量分量主要衰变为两个中微子，因此不会干扰宇宙微波背景（CMB）。 它也仅与标准模型希格斯玻色子混合一圈，因此在暗物质直接搜索实验中对核外χ原子的弹性散射没有显着贡献。

智慧畜牧领域的研究和应用在近年来迅速发展，尤其是在猪只行为状态检测方面，已经形成了一系列标准的工具和数据集。这份文件详细介绍了名为“智慧畜牧-猪场猪只行为状态检测数据集VOC+YOLO格式3790张15类别”的数据集，该数据集以Pascal VOC格式和YOLO格式提供，共计3790张标注图片和对应的标注文件。每张图片都已通过专业的标注工具labelImg进行了详细的人工标注，包含15种不同的行为类别。 这15个类别包括“drink”（饮水）、“eat”（进食）、“fight”（打斗）、“investigating”（探索）、“jumpontopof”（跳到上方）、“lying”（躺卧）、“nose-poke-elsewhere”（鼻子触碰其他地方）、“nose-to-nose”（鼻子对鼻子）、“other”（其他）、“playwithtoy”（玩耍）、“run”（奔跑）、“sitting”（坐着）、“sleep”（睡觉）、“standing”（站立）和“walk”（行走）。每个行为类别在数据集中都有具体的标注数量，如“eat”行为的标注框数达到了3738个，而“sleep”行为的框数最多，为8356个，显示出不同行为出现的频率和研究的关注点。 这份数据集对于研究者和开发者来说是一份宝贵的资源。它不仅包含了丰富的场景和多样的行为状态，而且标注的精确度和一致性较高，能够为机器学习模型提供精准的训练样本。特别是，数据集采用的VOC和YOLO格式是当前目标检测领域常用的数据格式，Pascal VOC格式通常用于目标检测、分割和识别任务，而YOLO格式特别适用于实时的目标检测系统。这种格式的数据集可以直接用于训练和验证，非常适合提升算法的性能和可靠性。 除了图片和标注文件，数据集还提供了清晰的文件目录结构，方便用户管理和使用。例如，每张图片都对应一个VOC格式的xml文件和YOLO格式的txt文件，用于描述图片中的目标边界框（bounding box）信息。标注工具labelImg则用于生成这些标注文件，确保了标注的准确性和一致性。 不过，开发者在使用这份数据集时需要注意，尽管标注工作已经做了最大的努力保证准确性，但数据集本身不对训练得到的模型或权重文件的精度作出任何保证。这意味着使用者在使用数据集训练模型时，还需要进行充分的测试和调整，以确保模型的实际应用效果。 总体而言，这份“智慧畜牧-猪场猪只行为状态检测数据集VOC+YOLO格式3790张15类别”为畜牧领域的人工智能应用提供了强大的支持，尤其对那些致力于提升猪只健康监测和行为分析的科研团队和企业来说，是一个不可多得的训练资源。通过有效利用这份数据集，开发者可以推动智能畜牧技术的进一步创新，实现更高效和精准的畜牧管理。

智慧养殖产业近年快速发展，其中猪只行为状态的自动监测与分析在提高养殖效率和保障动物福利方面发挥着重要作用。一份名为“智慧养殖猪只行为状态吃喝躺站检测数据集VOCYOLO格式2628张6类别”的介绍文档，描述了一项为智慧养殖提供关键数据支持的工具——该数据集包含了2628张图片，每张图片都经过细致的标注，对应六种猪只行为状态：饮水、进食、卧躺、坐立、嗅探和站立。这些图片以及标注文件都采用PascalVOC格式和YOLO格式，每个图片都配有相应的VOC格式的xml文件和YOLO格式的txt文件，标注内容涵盖了每个行为状态在图片中的精确位置。 数据集中的每张图片分辨率为1450x580，标注工作是由labelImg工具完成的，标注规则是用矩形框标识出猪只的不同行为。整个数据集的标注类别名称、框数以及总框数都有详细记录。例如，饮水行为的框数为2326个，进食行为的框数为5372个，卧躺行为的框数为10579个，坐立行为的框数为854个，嗅探行为的框数为4439个，站立行为的框数为8072个，总计框数达到了31642个。这些详尽的数据，为机器学习和深度学习算法提供了高质量的训练材料，进而实现自动化监控猪只行为状态的目标。 值得注意的是，这个数据集没有预先划分训练集、验证集和测试集，使用者需要根据自己的需求自行进行划分。此外，数据集的提供者在文档中明确声明，本数据集不对训练模型或权重文件的精度作任何保证，这意味着使用者在使用数据集进行模型训练时需自行评估和测试模型的准确性。 这份数据集的介绍文档虽然不提供下载地址，但提供了所在GitHub仓库的信息，即firc-dataset，感兴趣的用户可以在该仓库中找到数据集的详细信息及图片预览。通过图片预览，可以直观地感受到数据集图片的质量和标注的精确性，进一步确认这些数据对于智能养殖领域应用的价值。 特别地，文档中还提供了标注例子，展示了不同行为状态在实际图片中的标注方式，这有助于研究人员更好地理解和应用这些数据。例如，饮水行为的矩形框可能会贴合猪只口部附近的区域，而进食行为的矩形框可能会围绕着猪只正在进食的食槽。 这份数据集为智慧养殖领域的研究者和开发者提供了宝贵的资源。它不仅可以用于训练模型，也可以被用来进行算法验证、行为分析等多种科研和商业应用。数据集的详细介绍文档，虽然没有提供下载入口，但通过详细的格式、类别、标注和图片信息，为潜在的用户提供了一定程度的透明度和信心。

提出了在质子-质子碰撞中以质子能量为13 TeV衰变成希格斯玻色子对的新的大质量粒子的搜索方法。 在大型强子对撞机中使用CMS检测器收集数据，对应的综合光度为35.9 fb -1。 使用以下事件进行搜索，以寻找质量介于0.8到3.5 TeV之间的共振：一个希格斯玻色子衰变成一个底部夸克对，另一个衰变成两个W玻色子，然后衰变成一个轻子，一个中微子和一个夸克对。 希格斯玻色子衰变是通过将最终状态夸克确定为增强射流中的子结构的技术来重建的。 数据与标准模型预期一致。 排除限用于一般自旋0和自旋2大规模共振的截面与支化分数的乘积。 在具有扭曲的额外空间尺寸的模型中，在光子和大量引力子产生的背景下解释了结果。 这是迄今为止从搜索HH共振衰减到此最终状态以来的最佳结果，并且与在其他通道中搜索质量低于1.5 TeV的共振的结果可比。

TeV blazar Markarian 421在2004年4月经历了多次TeV燃烧，并同时观察了X射线和TeV能量。 可以看出，在较低能量范围内，TeV爆发没有对应的爆发。 这可能意味着它可能是孤儿耀斑。 我们展示了费米加速的能量≤168 TeV的质子可以与blazar内部区域的背景同步加速器自康普顿光子的低能尾部相互作用，产生多TeV耀斑，我们的结果与实测值非常吻合 光谱。 根据我们的研究，我们预测，在同步加速器光谱的结束和SSC光谱的开始之间具有深谷的blazars可能是孤儿爆发的候选者。 这种情况的将来可能的候选对象是HBL Mrk 501和PG 1553 + 113对象。

我们研究了夸克领域中两个非标准风味违规的希格斯双峰模型的版本。 我们发现当前和未来对撞机都可以达到的稀有顶部衰变t→hc和t→hu的分支比率，而稀有B衰变和中性D介子混合产生的其他风味约束以及希格斯信号强度测量的约束仍然存在 控制下。 所考虑的设置中最突出的对撞机签名是pp→tH→ttc，这为在LHC上搜索相同符号的顶部提供了持续的动力，并且为解释这些搜索提供了简单的框架。 作为我们研究的副产品，我们提供了稀有顶部衰减BR（t→hc）SM =（4.19-0.80 + 1.08±0.16）×10-15和BR（t→hu）SM =的更新的标准模型预测。 （3.66-0.70 + 0.94±0.67）×10-17，主要不确定性来自于更高阶的QCD和Cabibbo-Kobayashi-Maskawa矩阵元素。

PP-Structure工具包为百度飞浆团队开发出的一款开源工具，用于表格OCR识别，原工具在python环境中使用，打包为exe文件的主要目的是将表格OCR识别功能移植到其他没有安装python的Windows系统下，非常适用于离线环境中使用。

目录结构 2025_MCM_Problem_C.pdf / 2025_MCM_Problem_C_cn.pdf：赛题英文与中文原文 2025_Problem_C_Data/：官方原始数据集 summerOly_athletes.csv：运动员信息 summerOly_medal_counts.csv：奖牌统计 其他辅助数据 M23 2025美赛C题1-5问M奖级可运行代码展示+建模教程+结果分析等！2025美赛C题超详细解析教程/：主代码与教程 M23配套资料.../：分模块 Python 脚本 1-1奖牌预测.py：奖牌预测主模型 2-1进步退步分析.py：国家奖牌进步/退步分析 3-1零奖牌统计.py：零奖牌国家统计 3-2奖牌突破概率分析.py：奖牌突破概率分析 4-2.项目设置与奖牌数的关系.py：项目设置与奖牌数关系分析 4-5东道主效应.py：东道主效应分析 其他脚本详见目录 cleaned_data/：数据清洗与中间结果 data_clean.py：数据清洗脚本 grouped_data.csv 等：清洗后数据 预测/：预测相关数据与脚本 predicate.py：预测主脚本 medals_data.csv 等：预测用数据 论文/：相关论文与文档 其他：辅助文件、可视化、报告等 主要功能 数据清洗与预处理：对原始奥运数据进行清洗、归一化、特征工程等处理。 奖牌预测模型：基于线性回归、随机森林等方法，预测 2028 年洛杉矶奥运会各国奖牌数。 进步/退步分析：分析各国奖牌数的历史趋势，识别进步与退步国家。 可视化分析：对奖牌分布、进步退步、东道主效应等进行可视化展示。 辅助分析脚本：如零奖牌统计、项目设置影响、教练效应等。 依赖环境 Python 3.7+ pandas numpy scikit-learn matplotlib seaborn

受到LHCb协作组织最近在发现新的底部重子（例如<math> Ξ b （< / mo> 6227 ） - </ math>和<math> Σ b （ 6097 ） ± </ math>，我们在重夸克-夸克图片中使用Regge方法重新检查了有魅力和底层重子的轨道激发光谱。 结果表明，自旋