基于形态特征提取的急性下壁心肌梗死BiLSTM网络辅助诊断算法

急性下壁心肌梗死是一种病发急、进展快、致死率高的心脏疾病,该文提出一种新颖的基于形态特征提取的BiLSTM神经网络分类的急性下壁心肌梗死辅助诊断算法,可大幅度提高医生对急性下壁心肌梗死疾病的诊断效率并有助于及时确诊.算法包括:对胸痛中心数据库心拍信号进行降噪及心拍分割;根据临床心内科医学诊断指南提取了12导联波形距离特征和分导联波形幅值特征;依据提取的特征搭建LSTM与BiLSTM神经网络进行心拍的分类识别;使用PTB公开数据库和胸痛中心数据库多临床中心进行交叉验证.实验结果表明,加入胸痛中心真实临床数据后,基于形态特征提取BiLSTM神经网络的急性下壁心肌梗死辅助诊断算法准确率达到99.72％,精度达到99.53％,灵敏度达到100.00％,同时F1-Score达到99.76.该算法比其他现有算法准确率提高至少1％,该项研究具有非常重要的临床应用价值.     

基于声发射原理的矿井掘进机故障诊断技术研究

针对在我国各大矿区广泛应用的EBZ160悬臂式掘进机,基于声发射原理及技术,设计一套掘进机故障诊断声发射检测系统,获得各种故障的声发射数据样本,同时借助小波神经网络的迭代收敛性质,对故障数据样本的精确度进行验证,正确率较高,能够较好地应用于井下掘进机的故障诊断.     

MOMEDA结合数学形态滤波的齿轮故障特征提取

为了实现齿轮故障特征的有效提取,针对齿轮早期故障振动信号非线性、非平稳且信噪比低的特点,提出了一种基于多点最优最小熵反卷积(MOMEDA)和数学形态滤波的齿轮故障特征提取方法。首先利用MOMEDA恢复信号中的周期性故障特征并实现信号的降噪,再运用形态差值滤波器对解卷积后的信号进行滤波以增强信号中的冲击特征,最后对滤波结果求取频谱以进行故障特征提取;通过对仿真结果和实验数据的分析验证了该方法的可行性和有效性。结果表明,该方法具有抑制噪声和提取周期性故障冲击特征的能力,能够实现齿轮故障特征的提取。     

石港煤业15106工作面运输顺槽底板突水危险性评价与分析

为保障15106工作面运输顺槽掘进期间的安全,通过具体分析承压水对底板的破坏模式,得出巷道塑性圈的发育深度为2.7m,底板隔水层的主要破坏过程为完整→小裂隙形成→裂隙扩展→底板破碎;采用岩柱法力学模型进行底板突水危险性的评价,基于巷道底板铝土泥岩隔水层的各项参数,计算出隔水层的所能承受的最大水压为3.26MPa,而其所承受的水压值约为1.42MPa,故判断巷道掘进期间无突水危险性,巷道掘进期间加强探访水作业,防止地质构造区域出现底板突水现象。     

手工艺品陶瓷的审美形态和价值

手工艺品设计的审美形态,意指造型、色彩和装饰,而作为手工艺品的杰出代表陶瓷,其有着晶莹剔透的外观造型,瑰丽而朴实的色彩,工艺精到的装饰,成为了17世纪当时国际上的强势语言,代表着中国的形象,在其整体的审美形态的背后所承载的是大国工匠的精雕细琢、精益求精、一丝不苟、视手工艺品为自己生命的大国工匠精神,这种精神是我们当代从事设计类工作应该要传承和弘扬的。而笔者以手工艺品陶瓷的造型改善了当地人的生活状况和质量,影响了他们的生活方式;陶瓷艺术来促使了当地文化思潮的进程,作为两个主要的线索,来展开论述,揭示了设计需要学习中国古代工匠的工艺精神,传承和弘扬这种大国工匠精神,用这种精神来指导设计制作,以期能够设计出更优秀,有东方韵味的作品。     

基于深度信念网络的列车故障音频诊断方法

铁路在交通运输行业有着举足轻重的地位，一旦列车发生故障将会导致严重的生命财产损失。由于列车发生故障的概率相对较低，因此难以捕获列车的故障样本。针对上述问题，提出了一种无监督学习的列车故障识别方法，通过检测列车音频信号来识别列车故障。该方法基于深度信念网络(DBN)，利用小波包分解提取检测信号的特征向量并将其作为DBN的输入，待网络充分训练后，由训练好的DBN识别当前列车的运行状况。现场监测实验结果表明，该方法能够在无监督的条件下有效识别列车故障，保障了列车的运行安全。