数字化正弦平方脉冲信号

依据正弦平方脉冲的数学方程及其频谱分布，分别导出了与理想和标称视频带宽相对应的正弦平方脉冲的数学表达式及其编程生成方法。实验表明，此法不仅精确，而且便于修改参数，并可直接读人数字电视系统，来测定视频线性响应。     

用简化的Goertzel来实现正弦基波与谐波

通过对Goertzel算法的优化和运用查表法处理来加快其运算速度。在硬件电路的基础上,用C语言完成了实际应用的算法程序。采用Atmel公司51系列外接晶振时钟频率可高达24MHz的单片机AT89C2051-24SU,运算后输出了一定频率的正弦基波及其多次谐波组成的波形。     

改进麻雀搜索算法求解作业车间调度问题

针对最小化完工时间的作业车间调度问题(JSP),提出改进麻雀搜索算法(ISSA).首先设计有效的编码转换方式,形成JSP离散决策空间与麻雀搜索算法(SSA)连续搜索空间的对应关系.然后,针对SSA在求解后期易陷入局部最优,利用量子计算、正余弦搜索和警戒者数量递减策略对SSA进行改进,同时引入多邻域搜索和高斯扰动策略以弥补SSA在求解离散问题时深度发掘能力不足的弊端.最后,进行FT、LA系列10个测试问题、6种算法和2个应用实例的对比实验.结果表明,ISSA在求解JSP时,能获得更好的最小值、平均值和寻优成功率,验证了ISSA求解JSP的有效性.     

融合黄金正弦混合变异的自适应樽海鞘群算法

针对基本樽海鞘群算法收敛速度慢、收敛精度低、易陷入局部最优的缺点,提出了一种融合黄金正弦混合变异的自适应樽海鞘群算法AGHSSA（Adaptive Salp Swarm Algorithm with Golden Sine Algorithm and Hybrid Mutation）。该算法引入了自适应变化的权重因子以加强精英个体的引导作用,提升收敛速度与精度。通过黄金正弦算法优化领导者位置更新方式,增强算法的全局搜索和局部开发能力。融合邻域重心反向学习与柯西变异对最优个体位置进行扰动,提升算法跳出局部最优的能力。通过对12个基准测试函数进行仿真实验来评估改进算法的寻优能力,实验结果表明,改进算法能显著提升寻优速度和精度,并且具备较强的跳出局部最优的能力。     

正弦波下砂岩ms级损伤预测模型

为获得毫秒(ms)级正弦波损伤变量预测模型,对岩样在不破坏情况下进行了不同波形不同频率的轴向力加卸载试验。提出了不同步时间段的定义,进而获得不同峰值荷载下不考虑不同步时间条件下的动态泊松比分别与即时荷载、即时横向长度、即时轴向高度之间的线性关系,从而得到线性关系中系数与峰值荷载间的拟合公式,即可联立不同已知条件,通过少量几个加载力峰值下的试验数据,对任意峰值荷载下动态泊松比与相关参数间的线性关系进行预测。以此为基础研究得到,在误差允许的范围内,采用动态泊松比与即时横向长度的线性关系,推导出体积应变、损伤变量的计算公式和方法,可以很好地对加卸载过程中岩样的体积应变、损伤的变化做出ms级的精确预测,也为在已知少量循环试验下获得岩石动态参数,即可对ms级的损伤进行精确预测的模型提供了方法。     

铜基仿金合金

为了寻找金的代用品,长期以来研究者竞相研制铜基仿金合金以满足制造较大的金色艺术品。文中阐述了研制铜基仿金合金的原理及其金色度和抗变色性的测试方法,分别叙述了铝、锌、锡、铟、硅、镍、稀土等元素对合金金色度和抗变色性的影响。鉴于各研究者得出的合金化学成分相差极大,最后提供了较为合理的铜基仿金合金的化学成分。     

一种新型的磁定向系统及其定向算法研究

为了提高基于地磁检测的定向精度,通过引入高精度步进电机控制,设计了一种新型的平面单轴磁定向系统。该系统仅需要一个磁性传感器输出信号,通过步进电机带动磁传感器在水平面内做等间隔转动,求取最大值位置以确定磁方位。针对干扰和测试噪声的影响,研究了基于遗传算法和最优化理论的混合数据处理方法。通过对测试数据正弦曲线的四参数拟合,获取初始相位,提高了测角精度。仿真研究和工程实验表明：该定向方法有着较高的精度和较好的稳定性。     

正弦信号测试仪的设计

正弦波信号是工程实践中应用最多的电信号之一,对幅值、频率、相位三要素的测量是测量正弦波信号的主要内容,本设计从该三要素出发提出了设计正弦信号测试仪的具体方案;正弦信号的幅值测量模块以高精度峰值检波电路为核心,结合单片机与AD采样技术实现幅值测量功能;频率测量模块采用专用芯片ICM7216D实现频率测量功能;相位测量模块则使用相位检测电路与单片机相结合实现相位测量功能;通过实践证明,该正弦信号测试仪设计切实可行,且具有硬件结构简单、软件设计灵活、适用面广等优点,是一种有较高应用价值的正弦信号测量仪器.     

一种基于差异演化的协同粒子群优化算法

提出一种协同进化PSO算法,用于保持粒子种群的多样性并避免发生“早熟”的问题．该方法采用两个不同的分群;其中分群一的粒子采用标准PSO算法进行搜索寻优,分群二的粒子采用差异演化算法进行搜索和寻找最优解．在搜索过程中,如果标准PSO算法的适应度变化率低于一个阈值,则按照黄金分割率用分群二中的若干优势粒子取代分群一中的劣势粒子．用所提出的PSO算法和标准PSO算法对4种常用函数进行优化．结果表明,该粒子群优化算法比标准粒子群优化算法更容易找到最优解,而且优化效率和优化性能明显提高．     

Detection of COVID-19 and its pulmonary stage using Bayesian hyperparameter optimization and deep feature selection methods

Since the first case of COVID-19 was reported in December 2019, many studies have been carried out on artificial intelligence for the rapid diagnosis of the disease to support health services. Therefore, in this study, we present a powerful approach to detect COVID-19 and COVID-19 findings from computed tomography images using pre-trained models using two different datasets. COVID-19, influenza A (H1N1) pneumonia, bacterial pneumonia and healthy lung image classes were used in the first dataset. Consolidation, crazy-paving pattern, ground-glass opacity, ground-glass opacity and consolidation, ground-glass opacity and nodule classes were used in the second dataset. The study consists of four steps. In the first two steps, distinctive features were extracted from the final layers of the pre-trained ShuffleNet, GoogLeNet and MobileNetV2 models trained with the datasets. In the next steps, the most relevant features were selected from the models using the Sine–Cosine optimization algorithm. Then, the hyperparameters of the Support Vector Machines were optimized with the Bayesian optimization algorithm and used to reclassify the feature subset that achieved the highest accuracy in the third step. The overall accuracy obtained for the first and second datasets is 99.46% and 99.82%, respectively. Finally, the performance of the results visualized with Occlusion Sensitivity Maps was compared with Gradient-weighted class activation mapping. The approach proposed in this paper outperformed other methods in detecting COVID-19 from multiclass viral pneumonia. Moreover, detecting the stages of COVID-19 in the lungs was an innovative and successful approach.