基于SOA和BPM的ERP系统的研究与实现

分析了传统ERP解决方案所面临的不足, 提出了基于面向服务架构和业务流程管理实现ERP系统的解决方案。在深入探讨面向服务的框架模型原理及业务流程管理思想的基础上，给出了一个面向服务和业务流程管理的企业应用框架。并结合企业实践项目，详细阐述了基于SOA和BPM集成的方法和步骤，充分论证了基于SOA和BPM的ERP系统集成开发的可行性及优越性。     

基于激光定位与扫描的钢包温场测量方法

钢包是连接炼钢与浇注环节的容器,即将承接炼钢炉的注入钢水的钢包容器内壁温度直接决定了炼钢炉的出钢温度,与企业节能降耗密切相关.钢包在装盛钢水前的热修工位由行车吊装放置,其放置后的绝对位置难以固定,从而导致温场分布无法确定.针对此现状,本文提出了一种激光定位与扫描的钢包温度场测量方法,先利用定位激光确定被测钢包所处的空间坐标,再由主测量平台执行机构带动扫描激光与红外测温传感器扫描钢包内壁面获取钢包内壁各被测点的测距与温度值,根据空间坐标关系,将被测点测距值映射为钢包坐标数值,从而得到钢包内壁各点坐标与温度值,即温场分布.现场实验表明：该方法可实现钢包温场的获取,坐标定位不确定度≤ 3.0mm;温度测量最大误差4.7℃,最小误差0.5℃,平均误差小于3.3℃,达到较高定位与测量精度,为基于温度信息的冶金工艺控制提供重要参数信息.     

融合局部与全局特征的DCE-MRI乳腺肿瘤良恶分类

目的 基于计算机辅助诊断的乳腺肿瘤动态对比增强磁共振成像（dynamic contrast-enhanced magnetic reso-nance imaging,DCE-MRI）检测和分类存在着准确度低、缺乏可用数据集等问题。方法 针对这些问题,建立一个乳腺DCE-MRI影像数据集,并提出一种将面向局部特征学习的卷积神经网络（convolutional neural network,CNN）和全局特征学习的视觉Transformer（vision Transformer,ViT）方法相融合的局部—全局跨注意力融合网络（local globalcross attention fusion network,LG-CAFN）,用于实现乳腺肿瘤DCE-MRI影像自动诊断,以提高乳腺癌的诊断准确率和效率。该网络采用跨注意力机制方法,将CNN分支提取出的图像局部特征和ViT分支提取出的图像全局特征进行有效融合,从而获得更具判别性的图像特征用于乳腺肿瘤DCE-MRI影像良恶性分类。结果 在乳腺癌DCE-MRI影像数据集上设置了两组包含不同种类的乳腺DCE-MRI序列实验,并与VGG16（Visual Geometry Group 16-layer net-work）、深度残差网络（residual network,ResNet）、SENet（squeeze-and-excitation network）、ViT以及Swin-S（swinTransformer-small）方法进行比较。同时,进行消融实验以及与其他方法的比较。两组实验结果表明,LG-CAFN在乳腺肿瘤良恶性分类任务上分别取得88.20%和83.93%的最高准确率（accuracy）,其ROC（receiver operating charac-teristic）曲线下面积（area under the curve,AUC）分别达到0.915 4和0.882 6,均优于其他方法并最接近1。结论 提出的LG-CAFN方法具有优异的局部—全局特征学习能力,可以有效提升DCE-MRI乳腺肿瘤影像良恶性分类性能。     

RBF神经网络在核能谱平滑中的应用

在γ能谱中,为对核素进行可靠的定性、定量分析,需对原始能谱进行平滑滤波。径向基函数(Radical Basis Function,RBF)由于具有网络全局逼近性质和最佳逼近性能,对核能谱进行函数逼近。根据平滑要求和处理速度,建立不同函数的RBF神经网络对核能谱进行平滑滤波。实验结果表明,RBF神经网络方法能达到更为灵活和合理的平滑滤波。     

基于激光定标测距的连铸钢包壁厚测量方法

提出一种激光定位测距的钢包壁厚测量方法。先利用定位激光确定被测钢包所处的空间坐标,再由执行机构带动测量激光扫描钢包内壁面,根据空间坐标关系,将钢包内壁面各被测点数据进行三维映射为钢包壁厚数值,最后将映射后的钢包壁厚数值与钢包初始状态对比,从而得出钢包内壁的厚度分布。现场实验结果表明:该方法能够有效克服测量环境与钢包位置不固定的影响,实现钢包壁厚的可靠测量,壁厚测量最大误差为5.2 mm,最小误差为2.6 mm,平均误差为3.6 mm。     

基于变分模态分解的地震随机噪声压制方法

针对经验模态分解（EMD）方法中递归迭代式筛选过程耗时过长、分解精度不高等问题，提出了基于频率域内全局自适应的变分模态分解（VMD）的地震随机噪声压制方法。与EMD类方法的迭代筛选模式不同，VMD方法的分解过程可转换至变分泛函最优求解过程，以每个带限窄带（BIMF）分量的估计带宽之和最小为约束，通过增广Lagrange目标函数将变分问题由约束性变为非约束性，采用交替方向乘子（ADMM）算法寻求变分泛函的最优解达到信号自适应分解的目的。ADMM中频率中心及带宽交替更新对偶上升，使两者同时达到最优趋势，并生成所有BIMF分量，具有更高的时间效率。同时，各模态分量在频谱上均具有带限特性，可实现信号频带的高分辨率、自适应剖分。实验结果表明，基于VMD的地震随机噪声压制方法具有优异噪声压制、幅值保持性能的同时，还具备较高的计算效率，可满足高维大尺度地震数据的处理要求。     

LS-SVM分段降噪法处理航空γ能谱噪声

为降低航空γ能谱受低计数、测量时间短和测量环境等因素引起的噪声影响,依据能窗道址分布,采用机器学习方法 LS-SVM结合加权叠加方法对航空γ能谱进行分段回归拟合降噪处理。实验表明,LS-SVM分段降噪方法能够显著降低统计涨落和较好地保持峰形,且同时具有良好的自适应性和泛化性。     

基于LSSVM的γ能谱平滑方法

γ能谱平滑的效果直接影响寻峰、解谱的精度,为此需要在消除放射性计数的统计涨落,提高信噪比的同时最大程度地保留能谱特征信息。本文采用基于结构风险化最小准则的最小二乘支持向量机方法 LSSVM,结合交叉验证参数寻优方法对Na I(Tl)γ能谱进行平滑处理,实验结果表明:LSSVM能谱平滑在全谱上保持较好峰形而不形变,各谱峰位置与理论计算值的最大误差(即峰偏)≤0.6个道址,平均误差为0.43个道址;且该方法具备良好的适应性和推广能力。