夜戴型角膜塑形镜对近视患者调节滞后及视网膜形态影响的相关分析

目的:探讨夜戴型角膜塑形镜对近视患者调节滞后及视网膜形态的影响。方法:抽取2014年8月-2016年8月来本院选择验配角膜塑形镜,并经过12个月以上定期复查的少年儿童近视患者15例(30眼),将其作为观察组,选择同期配戴普通近视框架眼镜的少年儿童近视患者15例(30眼)作为对照组。观察两组患者配戴前及配戴6、10、12个月后的调节滞后量和黄斑区视网膜平均厚度的变化。结果:两组患者配戴前与配戴6个月后的调节滞后量和黄斑区视网膜平均厚度比较,差异均无统计学意义(P>0.05);观察组患者配戴10个月后的调节滞后量情况明显优于对照组,差异有统计学意义(P<0.05),但两组患者的黄斑区视网膜厚度比较,差异无统计学意义(P>0.05);观察组患者配戴12个月后的调节滞后量和黄斑区视网膜厚度情况均明显优于对照组,差异均有统计学意义(P<0.05)。结论:夜戴型角膜塑形镜能够有效提升青少年儿童的裸眼视力,改善调节滞后,并促进患者黄斑区视网膜平均厚度趋向稳定。     

采用信息增益率的混合入侵检测模型设计

针对现有混合入侵检测模型仅定性选取特征而导致检测精度较低的问题，同时为了充分结合误用检测模型和异常检测模型的优势，提出一种采用信息增益率的混合入侵检测模型.首先，利用信息增益率定量地选择特征子集，最大程度地保留样本信息；其次，采用余弦时变粒子群算法确定支持向量机参数构建误用检测模型，使其更好地平衡粒子在全局和局部的搜索能力，然后，选取灰狼算法确定单类支持向量机参数构建异常检测模型，以此来提高对最优参数的搜索效率和精细程度，综合提高混合入侵检测模型对攻击的检测效果；最后，通过两种数据集进行仿真实验，验证了所提混合入侵检测模型具有较好的检测性能.     

云组合服务网络的异常植入数据检测算法

云组合服务网络在路由转发控制受到节点的同态扰动影响,容易受到植入入侵,为了提高网络的安全性,提出一种基于阈值组合判决的云组合服务网络的异常植入数据检测算法。构建网络异常植入数据的统计特征模型,采用大数据挖掘技术进行云组合服务网络异常植入数据特征检测和滤波分析,提取云组合服务网络数据的谱特征量,采用支持向量机学习方法进行云组合服务网络的异常植入数据检测过程中的自适应寻优控制,采用双门限阈值组合判决方法,实现对目标数据的准确检测,提高对异常植入数据的准确定位检测能力。仿真结果表明,采用该方法进行云组合服务网络异常植入数据检测的准确概率较高,检测性能较好,提高了网络安全性。