多层螺旋CT联合三维重建技术诊断复杂性肛瘘的效果

目的:探讨多层螺旋CT联合三维重建技术诊断复杂性肛瘘的效果。方法:选取2015年1月-2018年12月本院收治的复杂性肛瘘患者58例。患者术前均给予多层螺旋CT联合三维重建和直肠腔内超声(EAUS)检查,以手术结果为最终诊断结果,比较两种方法对复杂性肛瘘的内口、瘘管的检出准确率以及对复杂性肛瘘分级的准确性。结果:58例患者手术共检出62个内口、74条瘘管;多层螺旋CT联合三维重建对内口和瘘管的检出准确率分别为98.39%、97.30%,均高于EAUS的88.71%、89.19%,差异均有统计学意义(P<0.05);多层螺旋CT联合三维重建、手术对复杂性肛瘘分级诊断准确性比较,差异无统计学意义(P>0.05),EAUS、手术对复杂性肛瘘分级诊断准确性比较,差异有统计学意义(P<0.05)。结论:多层螺旋CT联合三维重建技术能够更精准地确定肛瘘内口和瘘管的位置,准确地对肛瘘进行分级,为手术方案的确定和手术的顺利进行提供可靠保证。     

多运营商高铁隧道移动网络覆盖方案

高铁移动网络覆盖是国内三大通信运营商的一个重点,而高铁隧道内移动网络覆盖更是运营商的一大难点痛点。文章根据我国中部省份某高铁线路覆盖规划实例,采用“设备+POI+泄漏电缆”模式,即三家运营商信号源设备通过同一POI(point of interface,多系统接入平台)接入,信号输出到泄漏电缆进行隧道覆盖,隧道口场坪站安装宽频切换天线对隧道外进行延伸覆盖,通过链路预算合理布置各运营商主设备信号源,从而实现隧道到室外的无缝覆盖。最后,根据已有成熟网络覆盖解决方案,对未来5G高铁隧道移动网络覆盖方案进行了探讨。     

多源天基信息融合体系研究

天基信息应用前景广阔,但天基信息多源异构、"烟囱林立"的问题限制了对于其进一步的应用。从体系结构的角度,介绍了天基信息多源异构解决方案研究成果,并对此分类,得到天地一体化网络体系结构、区域型体系结构、资源服务中心型体系结构。最后分析了不同天基信息融合体系结构间应用方向的区别。     

基于大数据的传感网络链路稳定性检测系统设计

传统检测系统在对链路检测过程中,经常受到移动环境的影响,导致检测结果的完整性以及准确率较低,为解决这一问题,提出并设计了基于大数据的传感网络链路稳定性检测系统。对传感网路传输端、数据中心服务器以及检测端三部分进行具体分析,完成系统硬件设计。为尽量减小移动环境的影响,在软件设计部分,采用直接链路和间接链路稳定性相结合的检测方法,共同完成基于大数据的传感网络链路稳定性检测系统设计。实验结果表明,该系统检测结果的完整性较高,且检测准确率平均值可高达93.5%左右,验证了该系统的优越性能。     

一种双向多跳中继选择算法与信息交互模型

在协同通信中,针对多跳中继通信传输网络,在单向传输模式的基础上,提出了一种双向通信模式下基于维特比算法的双向中继选择算法(BRSVA)。根据各传输中继节点间的瞬时信噪比,对维特比算法中的支路度量和路径度量进行重新定义,并且构建滑窗以限制内存,对通信网络进行研究分析,以当前跳滑窗内具有最大路径度量值的路径上第一簇中继作为该簇的最佳中继。随着滑窗向前推进,对整个中继网络每一簇进行最佳中继的选择,进而得出一条由最佳中继构成的最佳路径。最后在此路径上提出了一种新的混合型双向信息交互模型,实现通信双方的信息交互。为了验证该中继选择算法与该信息交互传输模型的效果,将其仿真结果与理想内存下的最优中继选择算法做对比,结果证明在有限的内存需求与复杂度下,该算法的中断性能可接近最优选择。     

应用膨胀算法提取目标的直接定位算法

为了解决被动雷达系统中的多发射源定位问题，提出了一种基于多重信号分类(MUSIC)算法和图像膨胀(IE)算法的直接定位方法。该方法结合了谱分析中的MUSIC思想，通过对接收量测协方差矩阵进行特征分析求解目标的位置。首先，在目标个数未知的前提下，利用Akaike信息准则(AIC)来确定模型阶数；然后，推导了基于MUSIC的定位代价函数；之后，利用图像膨胀算法处理得到的代价函数平面；最后，膨胀处理后的输出为目标个数及目标位置的估计值。提出的算法有效地解决了目标检测及提取的问题，能够确定多个目标的位置坐标，为后续的定位性能分析提供可能性，也保证了算法的完整性。进一步地分析了多个临近目标情况下影响目标提取性能的主要因素。     

基于多尺度双线性卷积神经网络的多角度下车型精细识别

针对多角度下车辆出现一定的尺度变化和形变导致很难被准确识别的问题，提出基于多尺度双线性卷积神经网络（MS-B-CNN）的车型精细识别模型。首先，对双线性卷积神经网络（B-CNN）算法进行改进，提出MS-B-CNN算法对不同卷积层的特征进行了多尺度融合，以提高特征表达能力；此外，还采用基于中心损失函数与Softmax损失函数联合学习的策略，在Softmax损失函数基础上分别对训练集每个类别在特征空间维护一个类中心，在训练过程中新增加样本时，网络会约束样本的分类中心距离，以提高多角度情况下的车型识别的能力。实验结果显示，该车型识别模型在CompCars数据集上的正确率达到了93.63%，验证了模型在多角度情况下的准确性和鲁棒性。