基于半监督卷积神经网络的心律不齐分类

心律不齐早期的检测和分类有十分重要的价值.然而,由于心律不齐特征不够明显、不同人体心电信号存在较大的差异性等问题,心律不齐分类技术在现实中的应用存在很大困难.针对上述问题,提出了一种基于半监督卷积神经网络的心律不齐分类方法.首先,对心电信号进行马尔可夫变迁场变换将其变为二维图像;然后,迁移二维卷积神经网络训练得到普通模型;最后,使用半监督训练的方法得到特定模型,使用得到的特定模型对特定病人的心电信号进行分类.该方法从二维图像中提取更高层次的特征来提高分类性能,并有效地克服不同人体心电信号之间的差异性,增强了模型的泛化能力.遵循美国医疗器械促进协会标准,使用麻省理工学院和波士顿贝丝以色列医院心律不齐数据库中的数据,完成了心律不齐五分类,总准确率达到了97.9％,提升了心律不齐分类技术的现实应用价值.     

安徽省颍河生产圩治理思路与方案探讨

本文针对安徽省颍河生产圩成因及现状,剖析存在问题,统筹安全与发展,提出分类治理、分级设防治理思路,研究分类原则与治理方案,分析实施效果,为类似工程规划提供参考。     

基于阶段注意力机制的电力线提取算法

电力系统维护是电力系统稳定运行的重要保障，应用智能算法的无人机电力巡检则为电力系统维护提供便捷。电力线提取是自主电力巡检以及保障飞行器低空飞行安全的关键技术，结合深度学习理论进行电力线提取是电力巡检的重要突破点。本文将深度学习方法用于电力线提取任务，结合电力线图像特点嵌入改进的图像输入策略和注意力模块，提出一种基于阶段注意力机制的电力线提取模型（SA-Unet）。本文提出的SA-Unet模型编码阶段采用阶段输入融合策略（Stage input fusion strategy， SIFS），充分利用图像的多尺度信息减少空间位置信息丢失。解码阶段通过嵌入阶段注意力模块（Stage attention module，SAM）聚焦电力线特征，从大量信息中快速筛选出高价值信息。实验结果表明，该方法在复杂背景的多场景中具有良好的性能。     

基于1D CNN与XGBoost的恶意代码纹理检测

恶意代码数量已经呈现爆炸式增长,对于恶意代码的检测防护显得尤为重要.近几年,基于深度学习的恶意代码检测方法开始出现,基于此,提出一种新的检测方法,将恶意代码二进制文件转化为十进制数组,并利用一维卷积神经网络(1 Dimention Convolutional Neural Networks,1D CNN)对数组进行分类和识别.针对代码家族之间数量不平衡的现象,该算法选择在分类预测上表现良好的XGBoost,并对Vision Research Lab中的25个不同恶意软件家族的9458个恶意软件样本进行了实验.实验结果表明,所提的方法分类预测精度达到了97％.     

混菌矿化增强再生粗骨料的物理力学性能

为克服单一微生物培养成本高且矿化鲁棒性不足的缺陷，提出了一种混菌矿化增强再生粗骨料物理力学性能的方法.通过筛选矿化效率较高的好氧嗜碱混菌，考察了混菌矿化对再生粗骨料物理力学性能和混凝土抗压强度的影响.结果表明：相同增强时间下，混菌比纯菌呈现出更优异的矿化增强效果；随着混菌矿化增强时间的延长，再生粗骨料吸水率和压碎指标呈现出先减小后增大的趋势，最优增强时间为15 d；采用矿化增强再生粗骨料制备的再生混凝土抗压强度提高幅度达到22.1%.     

基于GA-BP神经网络的电网暂稳极限切除时间预测

本文介绍了一种利用PSASP软件结合GA-BP神经网络的极限切除时间预测方法.通过PSASP软件搭建三机九节点系统,模拟系统发生三相短路故障,得到实验数据,将实验数据分为训练集和测试集,构建基于GA-BP的极限切除时间预测模型.结果表明,基于GA-BP模型的极限切除时间预测值与实际值基本一致,且GA-BP模型的预测精度高于BP模型.     

基于NTP的网络时间服务器校准方法探讨

为了解决基于NTP的网络时间服务器校准问题,对其展开校准项目和校准方法的探讨,给出了NTP同步偏差、定时准确度和定时稳定度等校准项目并结合实验详细阐述了两种NTP同步偏差的校准方法,实验结果表明,采用直接测量法的NTP同步偏差为10.25μs,不确定度为62.08μs(k=2);采用比较法的NTP同步偏差为139.75μs,不确定度为6.36ms(k=2).