课程文献中心 更多>>

关键词： 心力衰竭   心电图   QRS波群振幅   血清尿酸   预后  

摘要： 目的探究心电图QRS波群振幅（QRSWA）联合血清尿酸(SUA)水平评估慢性心力衰竭（CHF）患者预后的价值。方法选取2022年3月至2023年9月于榆林市第一医院收治的126例CHF患者为研究对象，根据患者主要不良心脏事件（MACE）发生情况分为MACE组（n=41）和非MACE组（n=85）。比较两组患者基线资料[纽约心脏协会（NYHA）分级、左室射血分数（LVEF）等]、生化指标[总胆固醇（TC）、低密度脂蛋白胆固醇（LDL-C）、SUA、白细胞（WBC）、血浆N-末端前体脑钠肽（NT-proBNP）]、心电图QRS特征（QRSWA、QRS波群时限）、分析心电图QRS特征、SUA与临床指标的相关性，采用二元Logistic回归分析影响CHF发生MACE的危险因素，绘制ROC工作曲线图分析心电图QRSWA联合SUA对CHF患者预后的诊断价值。结果两组NYHA分级、LVEF、NT-proBNP、SUA比较，差异有统计学意义（P＜0.05）；MACE组QRSWA低于非MACE组（P＜0.05），QRS波时限高于非MACE组（P＜0.05）；Pearson或Spearman相关性分析显示，QRS波时限、SUA与NYHA分级、NT-proBNP呈正相关（P＜0.05），与LVEF呈负相关（P＜0.05），QRSWA与NYHA分级、NT-proBNP呈负相关（P＜0.05），与LVEF呈正相关（P＜0.05）；Logistic回归分析显示，NYHA分级（OR=2.625，95%CI1.812～3.802）、LVEF（OR=1.578，95%CI1.267～1.965）、NT-proBNP（OR=3.248，95%CI1.735～6.081）、SUA（OR=1.137，95%CI1.041～1.241）、QRSWA（OR=1.260，95%CI1.067～1.488）、QRS波时限（OR=3.397，95%CI2.804～4.117）与CHF患者预后相关；ROC曲线显示，QRSWA、QRS波时限、SUA及三者联合检测ROC曲线下分别为0.688、0.827、0.828、0.931，联合检测敏感度均高于单项指标检测。结论QRSWA、QRS波时限、SUA均与CHF患者预后相关，可作为临床参考指标。

关键词： 海上油田   稠油热采   配注量计算   均匀加热   层段划分  

摘要： 由于海上油田稠油储层存在非均质等特点，导致了笼统配注方式在加热储层过程中出现传热不均、汽窜等问题，降低热采效率；为实现储层的均匀注汽和加热，需要提出一种合理的层段配注量计算模型。根据模糊数学的基本原理，在渗透率、孔隙度等储层参数中筛选出最具影响力的的5个关键参数；建立关键参数对储层影响程度的层段组合配注量计算模型；同时以储层均匀加热为目标，求解出层段间的配注比例计算公式，以此为基础，提出一种新的层段划分方法即比例导数判别法，对实际生产中注汽层段的组合划分进行预测。结果表明：配注量计算模型以及层段划分方法相较笼统注汽方式，产油量提高了20%，具有较好的加热效果；依据储层参数设计配注方案，是海上油田稠油储层均匀加热的新思路，未来研究可在此基础上建立动态优化模型，并扩大验证范围。

关键词： 深度图超分辨率   边缘结构   梯度特征   频率引导   隐式神经函数  

摘要： 颜色图像引导的深度图超分辨率(GDSR)旨在利用同一场景下高分辨率(HR)彩色图像提供的引导信息，将低分辨率(LR)深度图重建为高分辨率深度图。尽管基于空间域的学习方法可以有效提高深度图的整体重建质量，但在从低分辨率深度图进行重建时，仍然面临“边缘结构模糊”的问题。为了解决该问题，提出了梯度频率引导多阶段整合的深度图重建网络（GFNet），利用颜色图像的梯度先验和频率信息来增强深度边缘结构细节的重建。首先，设计了一个梯度特征提取模块，结合了RGB图像的梯度先验知识来优化LR深度图的梯度结构。其次，设计了一个空间频率双路引导模块，将RGB图像中精确的高频成分传递到LR深度图中，从而引导深度图丢失的高频信息重建。最后，采用一种新颖的隐式神经函数来提高深度图的分辨率。实验结果表明，在8倍缩放因子的情况下，GFNet在数据集NYUv2、Middlebury以及真实场景数据集RGB-D-D上RMSE指标分别达到了2.48cm、1.62cm、2.57cm，相比于结构更复杂的模型GeoDSR，分别提升了0.14cm、0.06cm、 0.12cm，并在边缘结构细节方面优于对比方法，证明了GFNet模型的有效性。

摘要： 在高中数学的学习过程中,听讲、做题是学生掌握知识的重要方法,但是如果学生长期处在这样的学习环境下,那么就很容易产生疲倦心理,而且学生的发散思维和创造性思维也会被限制.为了激活学生的思维,提高知识学习的效率,让学生把握住知识点间的关系,思维导图学习法未尝不是一种好方法.学生在搭建导图的过程中,能够进一步理解知识间的关系,建立起系统的知识体系.下面具体分析.

关键词： 聚类   密度峰值   k近邻图   相对路径距离   两级分配策略  

摘要： 密度峰值聚类(density peaks clustering, DPC)算法简单高效,能够识别任意形状簇,但在处理簇间密度差异大的数据集时,不能准确识别出簇中心.同时,其分配策略可能会导致连续的分配错误.为解决上述问题,提出一种基于k近邻图的密度峰值聚类(kNNG-DPC)算法.首先,算法利用k近邻思想构造k近邻全局图和局部图,并在此基础上提出新的局部密度和相对路径距离,从而保证簇中心选取的正确性;然后,制定一种两级分配策略,对不同密度大小的数据点采用不同的分配策略,以避免出现连续的分配错误.在10个合成数据集和8个真实数据集上,将kNNG-DPC算法与6种优秀的聚类算法进行对比.实验结果表明, kNNG-DPC算法的聚类表现优于对比算法,能获得更好的聚类结果.

关键词： 多智能体系统   集合一致性   集合稳定性   领导-跟随  

摘要： 针对领导智能体和跟随智能体可能发生碰撞的情况，结合实用一致性和恒同一致性特点，本文提出并研究领导-跟随多智能体系统的集合一致性。首先，选取不含零的有界集合，给出集合一致性的概念；然后，设计合适的分段牵引控制协议，建立误差系统，将多智能体系统的集合一致性问题转化为误差系统的集合稳定性问题，得到加权有向网络拓扑结构下多智能体系统达到集合一致的充分条件；最后，数值模拟验证理论结果的正确性。

关键词： 结构安全   结构可靠度   功能函数   随机变量   概率密度函数  

摘要： 功能函数的概率分布的计算是不确定性量化及可靠度设计中的核心问题，最近提出的等效期望法是解决该问题的有效途径。本文提出了一种改进的等效期望法。针对既有等效期望法中的辅助变量取值对其概率分布有重要影响的问题，提出了辅助随机变量标准差系数的合理计算公式，得到了更为精确的辅助函数的概率分布。同时，针对既有等效期望法中由两个辅助函数的概率分布计算功能函数的概率分布时存在的计算精度问题，本文仅用一个辅助函数推导了功能函数概率分布的计算公式，提出了一种由辅助函数到功能函数的概率分布精确理论变换，使得功能函数概率分布的计算更为精确。最后通过三个算例验证了该方法的有效性和准确性。结果表明，该方法适用于高维非线性或隐式功能函数的概率分布近似计算。

关键词： 子全域(SED)基函数   区域连接模型(CRM)   快速偶极子方法(FDM)   大规模介质-金属复合周期结构  

摘要： 在计算大规模介质-金属复合周期结构的电磁散射时，传统积分方程方法存在未知量大、存储占用多和计算时间长等问题。本文采用广义Poggio-Miller-Chang-Harrington-Wu-Tsai (PMCHWT)-电场积分方程(electric field integral equation， EFIE)方法计算均匀介质金属复合结构的电磁响应。该方法通过在分界面处设置区域连接模型(contact-region modeling， CRM)来保证边界处的连续性。为加速子阵列阻抗矩阵填充，本文采用快速偶极子方法(fast dipole method， FDM)来提高计算效率并降低内存占用。结合子全域(sub-entire-domain， SED)基函数方法，子阵列的电流分布特征可被推广到大规模介质金属复合周期结构的电磁场计算中。数值算例表明，该方法能够在保证计算精度的同时大幅度降低计算代价，内存占用降低至商业软件Altair FEKO(使用快速多层多级子方法)的1/10，计算误差在2.6 dB以内。

关键词： 图神经网络推荐算法   双通道注意力机制   时间编码  

摘要： 针对多数图神经网络推荐算法未结合时间信息导致信息浪费和推荐结果不准确的问题，本文提出融合双通道注意力和时间编码的图神经网络推荐算法（GUITRec）。该模型充分利用数据集中信息，将用户自身特征、物品信息及用户与物品交互行为建为图结构，通过图神经网络进行数据聚合以形成用户和物品表征行为，从而更全面地捕捉两者特征及关系。其次，引入双通道注意力机制（CBAM）为用户和物品表征行为赋予不同权重，使模型依据权重进行深度学习，更关注重要特征信息。最后，引入时间编码器模型对用户与物品交互时间及用户位置编码，新增日、周、月周期编码和位置编码，充分挖掘时间和位置信息，为推荐提供更丰富上下文。在Ciao数据集上进行实验，在MAE、MSE和RMSE 三个评价指标上，GUITRec 均优于基线模型。

关键词： 多模态   情感分析   模态差异性   信息冗余   自适应图学习   跨模态注意力   相似性约束   信息瓶颈  

摘要： 在多模态情感分析任务中，由于不同模态表现方式的不一致性，模态间的情感信息密度具有较大的差异。为了平衡情感信息在不同模态中分布的不均匀性并减少多模态特征表示的冗余性，提出了一种基于自适应图学习权重的多模态情感分析方法。首先，采用不同的特征提取方法捕获单一模态内的特定信息；其次，将不同模态通过公共编码器映射到同一空间中，利用跨模态注意力机制来显式构建模态间的关联；然后，将每种模态对任务分类的预测值以及模态表示嵌入到自适应图中，通过模态标签学习不同模态对最终分类任务的贡献度来动态调整不同模态之间的权重，以适应主导模态的变化；最后，引入信息瓶颈机制进行去噪，旨在学习一种无冗余的多模态特征表示进行情感预测。在公开的多模态情感分析数据集上对所提出的模型进行了评估。实验结果表明，其有效提升了多模态情感分析的准确性。