VO2/GaAs异质结的制备及其光电特性研究

采用直流磁控溅射和后退火氧化工艺在p型GaAs单晶衬底上成功制备了n-VO_2/pGaAs异质结,研究了不同退火温度和退火时间对VO_2/GaAs异质结性能的影响,并分析其结晶取向、化学组分、膜层质量以及光电特性。结果表明,在退火时间2 h和退火温度693 K下能得到相变性能最佳的VO_2薄膜,相变前后电阻变化约2个数量级。VO_2/GaAs异质结在308 K、318 K和328 K温度下具有较好的整流特性,对应温度下的阈值跳变电压分别为6.9 V、6.6 V和6.2 V,该结果为基于VO_2相变特性的异质结光电器件的设计与应用提供了可行性。     

基于分形理论的黄河内蒙古段河势演变特征及其与凌汛灾害关联研究

寒区河道凌汛灾害河势“弯道效应”的量化评估十分重要。基于分形理论提出河道横断面-纵剖面-平面多维度河势分形维数计算方法及其物理机制，并探讨黄河内蒙古段不同维度河势演变分形特征及其与凌汛灾害的关联关系。结果表明，黄河内蒙古段不同维度河势均具有多尺度自相似分形特征，且具有多年记忆周期的长程相关性；冰坝（严重性冰塞）发生频次与河道主槽弯曲分形维数呈正相关指数型函数关系，与河相系数、深泓点高程和河段平均底坡分形维数负相关，与水深-面积分形维数正相关，总体表明冰坝灾害更易发生于主槽偏移摆动大、蜿蜒曲折、河湾发育程度高的宽浅型弯曲河道，研究成果可为凌汛期冰塞冰坝灾害易发河段诊断及预测提供重要理论依据。     

魏斯氏菌的研究进展

对魏斯氏菌属的分离鉴定、生物学特性、耐酸特性、抑菌特性、产胞外多糖特性、益生特性、组学研究及其在食品与医药方面的应用进行了综述,并为魏斯氏菌属的开发利用提供了建议。     

液相色谱-串联质谱技术在临床检验中的应用研究进展

液相色谱-串联质谱（LC-MS/MS）技术具有高灵敏度、高特异性、高分辨率和高效率的优点。近年来随着仪器灵敏度的提高，LC-MS/MS在常规临床检验中显示出极大的潜力，并在疾病早期预防和诊断中发挥着不可替代的作用。本文对LC-MS/MS在新生儿疾病筛查、维生素D检测、内分泌激素检测、肽类和蛋白质定量分析等临床检验方面的研究进展进行综述，并讨论了未来面临的挑战。     

基于卷积神经网络的5G蜂窝网络无线定位方法

5G蜂窝网络发展迅猛，其覆盖面积将逐渐增大，因此使用5G蜂窝网络进行定位是有研究潜力的研究方向。本文提出一种新的深度学习技术来实现高效、高精度和低占用的定位，以代替传统指纹定位过程中繁重的指纹库生成以及距离计算。该方法建立了一个特殊的卷积神经网络，并根据5G天线信号的接收信号强度指示、相位和到达角等特征量，选择合适的输入数据格式构造样本组建训练集，对该卷积神经网络进行训练。训练得到的卷积神经网络可以替代指纹定位中的庞大指纹库，非常有利于直接在5G移动设备端实现定位。虽然卷积神经网络在训练过程中需要大量时间，但在训练完毕后直接进行分类定位的速度非常快，可以保障定位实现的实时性。本文所实现的卷积神经网络权重与偏置所占内存不到0.5 MB，且能够在实际应用环境中以95%的定位准确率以及0.1 m的平均定位精度实现高精度定位。     

5G核心网业务模型的智能化预测研究

摘 要：核心网业务模型的建立是5G网络容量规划和网络建设的基础，通过现有方法得到的理论业务模型是静态不可变的且与实际网络存在偏离。为了克服现有5G核心网业务模型与现网模型适配性较差以及规划设备无法满足用户实际业务需求的问题，提出了一种长短期记忆（long short-term memory，LSTM）网络与卷积LSTM （convolution LSTM，ConvLSTM）网络双通道融合的 5G 核心网业务模型预测方法。该方法基于人工智能（artificial intelligence，AI）技术以实现高质量的核心网业务模型的智能预测，形成数据反馈闭环，实现网络自优化调整，助力网络智能化建设。     

基于误差估值累加开环校正的诱导式欺骗检测方法

诱导式卫星欺骗干扰可诱导航空器逐渐偏离预定航迹，难以被发现，因此及时有效地检测干扰是飞行安全的保障。在现有紧组合导航体制基础上，设计了一种基于误差估值累加开环校正的紧组合导航结构，并证明了其性能与传统闭环校正紧组合导航性能等效。在此结构中，将紧组合导航系统与自适应序贯概率比检测方法结合，提出了一种基于误差估值累加开环校正的诱导式欺骗检测方法，融合紧组合导航信息与其他不受欺骗影响的导航信息，构建欺骗检测统计量进行诱导式欺骗检测。仿真结果表明，开环校正结构可避免随时间累加的惯性导航系统误差所导致的组合导航滤波器发散问题，同时欺骗检测方法可进一步提高算法对“最坏”情形下微小诱导式欺骗的检测效果。     

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.