基于深度卷积神经网络的睡眠分期模型

针对现阶段数据和特征决定睡眠分期模型的分类精度上限的问题,提出深度卷积神经网络模型. 在模型主体构建方面,并行卷积网络可以自动学习原始信号的时域特征和频域特征,特征融合网络通过空洞卷积和残差连接进行多特征融合,分类网络基于融合后的特征进行睡眠分期. 利用生成少数类过采样技术（SMOTE）减少类别不平衡对分类效果的影响,结合两步训练法对模型进行优化. 实验使用Sleep-EDF数据集的原始单导脑电信号（Fpz-Cz通道）对模型进行20折交叉验证,得到总体精度和宏F₁分别为86.73%和81.70%. 提出的深度卷积模型在没有任何先验知识的情况下,对脑电信号进行端到端的学习,分类准确率优于传统的深度学习模型.     

一种基于灰度值矩阵的文档复原方法研究*

对于切碎英文文档自动拼接还原中无法利用碎纸片几何形状特征的问题, 提出一种基于灰度值矩阵的文档碎片拼接方法。利用碎片图像的特征向量消除同行字母处于不同高度的负影响, 提取其特征位置作为动态聚类的分类标准,依据文本行特征进行动态聚类和类间排序。设计了一种基于原图像碎片边界矩阵的四邻拼接算法进行逐一高效地拼接还原。仿真结果表明, 该方法准确率较高且操作简便, 对规则碎片拼接还原具有良好的实际意义。     

基于C-TiO2@Fe3O4/AC的光催化耦合臭氧氧化技术对水体中苯胺的降解

苯胺是一种典型的有毒污染物，在工业废水中较为常见，而常规处理技术对其处置效果不佳。光催化耦合臭氧高级氧化技术因为高效快速，具有广泛的应用前景，可以作为有毒有机污染物的处置手段之一。通过制备了一种C改性TiO₂负载磁性活性炭(C-TiO₂@Fe₃O₄/AC)催化剂，考察了其光催化耦合臭氧氧化处理苯胺的效果。研究结果表明，运行30min后即可达到95%以上的降解效率，苯胺去除率和反应效率均高于普通的C-TiO₂和Fe₃O₄/AC催化剂。