一种基于有源电桥的电容式粮食水分传感器

在传统电桥电路的基础上,设计了一种有源电桥的电容式检测电路。该电路具有灵敏度高、线性范围宽的特点。将其用于粮食水分的检测,实现了一种具有线性特性的粮食水分传感器。通过试验测试粮食的电阻抗特性,尤其是电容特性与粮食水分之间的关系,确定了电路的工作频率。试验结果表明:这种粮食水分传感器的输出电压与粮食水分之间呈良好的线性关系,可满足粮食水分在线检测的要求。     

基于面向对象程序切片的软件度量

软件质量是软件开发的重要指标,软件度量是保证软件质量的重要方法.深入分析程序切片技术的发展及其在软件工程各个领域的广泛应用,重点探讨面向对象程序切片技术,并将该技术运用于软件度量领域,实现了软件度量的一种新方法,最后利用实验证明该方法的可行性.     

基于深度学习的胃癌病理图像分类方法

针对深度卷积神经网络能够有效提取图像深层特征的能力,选择在图像分类工作中表现优异的GoogLeNet和AlexNet模型对胃癌病理图像进行诊断。针对医学病理图像的特点,对GoogLeNet模型进行了优化,在保证诊断准确率的前提下降低了计算成本。在此基础上,提出模型融合的思想,通过综合不同结构和不同深度的网络模型,来学习更多的图像特征,以获取更有效的胃癌病理信息。实验结果表明, 相比原始模型 ,多种结构的融合模型在胃癌病理图像的诊断上取得了更好的效果。     

LFSCA-UNet：基于空间与通道注意力机制的肝纤维化区域分割网络

目的 肝纤维化是众多慢性肝脏疾病的常见表现,如不及时治疗可发展为肝硬化甚至引发肝癌。肝纤维化的准确评估对临床治疗和预后评估等至关重要。目前,肝纤维化的诊断通过肝穿活检判断,有创且有并发症危险。为此,基于影像学的无创诊断方法越来越受到关注。本文提出一种基于通道注意力与空间注意力机制改进的用于肝纤维化区域的自动化分割U-Net （liver fibrosis region segmentation network based on spatial and channel attention mechanisms,LFSCA-UNet）。方法 依据Attention U-Net的改进方式,围绕U-Net的跳跃连接结构进行基于注意力的改进,在AG （attention gate）的基础上,加入以ECA （efficient channel attention）模块为实现方式的通道注意力机制,依据加入ECA的位置,LFSCA-UNet分为A、B、C共3个子型。结果 在肝数据集上与其他实验网络进行评估对比,本文提出的LFSCA-UNet网络结构平均Dice系数达到了93.33%,相比原始U-Net的Dice系数提高了0.539 6%。结论 本文方法将空间注意力机制与通道注意力机制进行结合,有效提高了肝纤维化区域的分割精度,对空间注意力模块使用通道注意力模块优化输入和输出,增加了网络的稳定性,提升了网络的整体效果。     

Windows 2000/XP下通用实时采集的设计与实现

首先分析了Windows2000 /XP平台上几种实时采集方案,然后综合利用Windows2000 /XP为实时应用所提供的机制,提出了一种基于非专用采集卡的高精度实时采集方案。最后通过某振动信号采集系统的实现,给出该方案的详细设计思路和实验数据,证明了其正确性与可行性。     

基于特征挖掘的基因组缺失变异集成检测方法

随着高通量测序技术的应用与发展,基于测序的缺失变异检测方法大量涌现。然而,单一检测方法仍存在适用的局限性以及检测精度与敏感度不足的问题。为此,提出一种基于多检测理论融合的特征挖掘与机器学习算法集成的基因组缺失变异综合检测方法。该方法将多种工具应用于个体缺失变异检测,得到变异检测初始集;再根据多种检测理论对初始集中的缺失变异进行序列特征挖掘与特征提取;最后,将检测工具与机器学习算法相融合以获得集成的检测方法,剔除初始集中的假阳性变异,获得最终的结果集。基于千人基因组计划数据的实验表明,相较于单个工具的检测结果,该方法在检测精度和敏感度上均占优势;相较于多个工具检测结果的直接组合,该方法在损失少许检测敏感度的前提下显著地提高了检测精度。     

GNNI U-net:基于组归一化与最近邻插值的MRI左心室轮廓精准分割网络

心血管疾病已成为威胁人类健康的头号杀手。目前,医生们通过左心室MRI成像技术对左心室轮廓进行手工标注来计算心脏的各项功能参数,以监测和预防心血管疾病,但此方法的标注工作量大、耗时且繁琐。目前,深度学习在许多医疗影像分割领域取得了显著的成功,但在左心室轮廓分割领域仍有提升的空间。文中提出了一种基于组归一化与最近邻插值的MRI左心室轮廓精确分割网络——GNNI U-net(U-net with Group Normalization and Nearest Interpolation),该网络利用组归一化方法构建了能够快速、准确提取特征信息的卷积模块,基于最近邻插值法构建了用于特征信息还原的上采样模块。在Sunnybrook与LVSC两个左心室分割数据集上采用了中心裁减ROI提取的预处理方法,并对GNNI U-net进行了充分的对比实验。所提网络在Sunnybrook数据集上获得了Dice系数为0.937以及Jaccard系数为0.893的精度。在LVSC数据集上获得了Dice系数为0.957以及Jaccard系数为0.921的精度。GNNI U-net在左心室轮廓分割领域取得了比现有卷积...     

低关联度的Boosting类集成算法研究

针对Boosting类算法生成的个体网络的迭代方式相关性较高,对某些不稳定学习算法的集成结果并不理想的情况,基于Local Boost算法局部误差调整样本权值的思想,提出了基于距离及其权值挑选邻居样本的方法,并通过局部误差产生训练样本种子,采用Lazy Bagging方法生成针对各样本种子的个体网络训练样本集来训练、生成新的个体网络,UCI数据集上实验结果表明,该算法得到的个体网络相关度较小,集成性能较为稳定.     

基于PM-chord算法的数据网格副本定位方法

提出一种数据网格环境下的分布式副本定位算法PM—chord,以完成对所需数据副本的快速定位,降低存储和更新开销。PM—chord取逆时针方向为chord环的正方向,对节点和数据编码后按前缀匹配的原则查询数据,同时增加前继副本机制。分析及实验表明,该算法具有很高的副本定位效率,能够有效解决网格中的查询“热点”问题,具有良好的可靠性和可行性。