基于多通道的ICU脑血管疾病死亡风险预测模型

死亡风险预测指根据病人临床体征监测数据来预测未来一段时间的死亡风险。对于ICU病患，通过死亡风险预测可以有针对性地对病人做出临床诊断，以及合理安排有限的医疗资源。基于临床使用的MEWS和Glasgow昏迷评分量表，针对ICU病人临床监测的17项生理参数，提出一种基于多通道的ICU脑血管疾病死亡风险预测模型。引入多通道概念应用于BiLSTM模型，用于突出每个生理参数对死亡风险预测的作用。采用Attention机制用于提高模型预测精度。实验数据来自MIMIC [Ⅲ]数据库，从中提取3?080位脑血管疾病患者的16?260条记录用于此次研究，除了六组超参数实验之外，将所提模型与LSTM、Multichannel-BiLSTM、逻辑回归（logistic regression）和支持向量机（support vector machine, SVM）四种模型进行了对比分析，准确率Accuracy、灵敏度Sensitive、特异性Specificity、AUC-ROC和AUC-PRC作为评价指标，实验结果表明，所提模型性能优于其他模型，AUC值达到94.3%。     

基于图神经网络的网络性能智能预测

传统网络性能预测技术存在网络状态获取不够全面及网络性能评估准确性欠佳等问题，利用图神经网络学习推理网络关系数据的特点，结合捕获的网络全局信息，提出了一种基于图神经网络的网络性能智能预测方法。通过网络系统抽象及网络性能建模，将复杂的网络信息转化为形式化的图数据进行描述，利用图空域卷积处理图网络节点的消息传递过程，实现网络信息之间的关系推理，研究了实现网络性能预测的图神经网络模型，提出了一种能处理流量矩阵、网络拓扑、路由策略、节点配置的图神经网络体系结构，最后通过实验论证了模型能更好地实现包括时延、抖动和丢包率的网络性能的准确预测。     

风力机轴承实时剩余寿命预测新方法

由于传统退化指标对周期性故障冲击缺乏敏感性和鲁棒性,无法实现风力机轴承退化过程的适时跟踪以及剩余寿命的准确预测,提出了基于包络谐噪比(envelope harmonic-to-noise ratio,简称EHNR)和无迹粒子滤波(unscented particle filter,简称UPF)相结合的风力机轴承实时剩余寿命预测方法。首先,通过计算振动信号的EHNR监测轴承的早期退化点,并提取EHNR的趋势特征作为退化指标;其次,以轴承历史数据构建退化模型,利用UPF算法更新模型参数,实现对轴承退化状态的跟踪和预测;最后,使用实际风力机轴承监测数据对所提方法进行验证。结果表明,该方法能适时启动寿命预测机制,有效解决传统粒子滤波算法的粒子退化问题。与常用的支持向量回归模型(support vector regression,简称SVR)、反向传播神经网络(back propagation neural network,简称BPNN)的预测方法相比,具有较高的预测精度,为大型风力机组的健康管理和可靠性评估提供参考依据。     

蒸汽直接接触间歇凝结界面行为及压力振荡研究进展

间歇凝结由于具有过冷水周期性进入蒸汽管并排出的特点而不同于蒸汽直接接触凝结的其他流型,该过程伴随汽液界面瞬时热质传递和强湍流。文中主要从典型周期内凝结汽液界面演变过程、压力振荡以及热量传递三个方面进行回顾和评述,就间歇凝结的时空演变而言,可大致分为5个典型阶段,即汽泡增长、汽泡破裂、过冷水被吸入蒸汽管、管内凝结以及蒸汽再次喷出。在压力振荡方面,间歇凝结压力瞬变从负峰值开始后进行正弦波动,并具有低频高振幅的特性。目前,关于汽液界面瞬时传热方面的研究仍有较大提升空间,与之相关的界面传热系数大多通过简化模型获得。此外,在展望部分还对微通道条件下间歇凝结在电器元件高效散热领域的最新应用进行了简要评述。     

总变差模型在书画打印宣纸印刷质量预测中的应用

为了建立适用于书画打印宣纸印刷质量的预测模型,本研究测量了14种书画打印宣纸的粗糙度、白度、不透明度、定量、光泽度和针对宣纸特别设定的帘纹深浅以及帘纹疏密度等表面物理参量,并在相同条件下,使用喷墨打印设备输出并测量印品色度值,利用总变差模型构建去除帘纹色差的测定方法,得到与人眼视觉特征相符的色差。运用GRNN广义回归神经网络结合书画打印宣纸表面物理参量与宣纸去帘纹后的色差值,建立预测模型。结果表明,该模型能够在仅测量书画打印宣纸表面物理参量的情况下,便能较为准确地预测书画打印宣纸印刷质量,为书画打印宣纸印刷前的选纸工作提供指导依据。     

浅谈压力式温度计示值误差测量结果的不确定度评定

为了帮助试验人员深入了解压力式温度计的原理及作用,详细介绍了温度计示值误差测量结果的不确定度评定方法。影响压力式温度计示值误差结果的主要因素是,被检温度计的示值重复性、恒温槽温度不均匀性和恒温槽温场的波动。为了保证压力式温度计测量结果不确定度评定具有较高的可靠性,试验人员需要对影响评定可靠性的各种因素进行全面的分析,找出温度计示值的误差,从而确保温度计能够更好的被投入使用。     

ATC与PSV对接受机械通气支持的呼吸衰竭患者在自主呼吸实验时通气参数及拔管情况的影响

目的:对比接受机械通气支持治疗的呼吸衰竭患者应用自动导管阻力补偿技术(ATC)与压力支持通气(PSV)对自主呼吸试验(SBT)及拔管情况的影响。方法:选取本院2017年1月-2019年3月收治的100例接受机械通气支持治疗的呼吸衰竭患者作为观察对象,所有患者均符合撤机标准。应用随机数字表法分为ATC组与PSV组,每组50例。ATC组撤机过程中接受ATC治疗,PSV组撤机过程中接受PSV治疗。对比两组撤机过程中SBT通气参数及拔管相关情况。结果:ATC组成功拔管46例,PSV组成功拔管38例,ATC组拔管成功率明显高于PSV组(P<0.05)。在1 h通气过程中,两组呼吸频率(RR)、心率(HR)、收缩压(SBP)及舒张压(DBP)均呈现升高后降低趋势(P<0.05),但两组各时间点RR、HR、SBP及DBP比较,差异均无统计学意义(P>0.05)。两组SBT的潮气量(VT)、分钟通气量(MV)及浅快呼吸指数(RSBI)比较,差异均无统计学意义(P>0.05);ATC组吸气峰流速(PIFR)、气道峰压(PIP)及呼气达峰容量比(VPEFR/VTE)均低于PSV组,而呼气峰流速(PEFR)高于PSV组,差异均有统计学意义(P<0.05)。结论:ATC可在不影响接受机械通气支持治疗的呼吸衰竭患者生命体征的同时,有效提高拔管成功率,并改善患者的SBT结果。     

基于启发式BP算法的软件缺陷预测模型

针对软件缺陷预测时缺陷数据集中存在的类别分布不平衡问题，结合上采样算法SMOTE与Edited Nearest Neighbor (ENN) 数据清洗策略，提出了一种基于启发式BP神经网络算法的软件缺陷预测模型。模型中采用上采样算法SMOTE增加少数类样本以改善项目中的数据不平衡状况，并针对采样后数据噪声问题进行ENN数据清洗，结合基于启发式学习的模拟退火算法改进四层BP神经网络后建立分类预测模型，在AEEEM数据库上使用交叉验证对提出的方案进行性能评估，结果表明所提出的算法能够有效提高模型在预测类不平衡数据时的分类准确度。