课程文献中心 更多>>

关键词： Burgers方程   Laguerre多项式   谱配置方法   Crank-Nicolson格式  

摘要： 以Laguerre-Gauss节点为配置点,用谱配置方法求解具有初边值的Burgers方程的数值解,并在时间方向运用Crank-Nicolson格式离散,给出算法格式,通过数值运算表明算法格式的有效性和高精度。

关键词： 导数   含参函数   单调性   分类讨论  

摘要： 用导数处理含参函数单调性问题是历年来高考考查的热点,里面涵盖了多种数学思想方法.文章详细阐述利用导数研究含参函数单调性的类型以及一般策略.

关键词： JavaScript   Math对象   随机数函数   random  

摘要： “JavaScript程序设计”是计算机应用专业的专业必修课,是一门关于Web前端的专业核心课程,而随机数函数是JavaScript中最重要的函数。本文在随机数函数教学中以“仿体彩6+1”为例,基于学生认知,设置任务驱动,由简单任务入门,任务难度层层递进,使学生在教师的引导下通过实践检验和小组讨论等方式发现问题、解决问题,并能够利用随机数函数解决现实问题,以此完成教学任务、达成教学目标。

关键词： 实时三维超声心动图   和肽素   缺血修饰白蛋白   急性心肌梗死   预后  

摘要： 目的探讨实时三维超声心动图结合血清和肽素、缺血修饰白蛋白(IMA)预测急性心肌梗死(AMI)经皮冠脉介入术治疗预后的价值。方法前瞻性选取2020年1月至2022年1月在北京市大兴区人民医院治疗的急性心肌梗死患者188例作为观察组,同时选取同期健康体检者100名作为对照组。比较观察组和照组血清和肽素和IMA差异,以及观察组不同Gensini评分患者血清和肽素和IMA差异,同时分析观察组发生和未发生主要不良心血管事件(MACE)患者临床资料、超声心动图参数[左室舒张末期内径(LVEDD)、左室收缩末期内径(LVESD)、左心室射血分数(LVEF)、左心室收缩末期容积指数(LVESVI)、左心室舒张末期容积指数(LVEDVI)]、和肽素和IMA差异。结果观察组血清和肽素和IMA分别为(7.03±1.03)pmol/L和(98.24±9.91)U/mL,均明显高于对照组[(0.80±0.12)pmol/L和(40.12±9.44)U/mL],差异均有统计学意义(P<0.05)。观察组Gensini评分≥50分患者血清和肽素和IMA分别为(8.82±0.92)pmol/L和(116.85±10.51)U/mL,均明显高于Gensini评分25~49分[(7.11±1.00)pmol/L、(99.24±11.73)U/mL]和≤24分患者[(5.41±0.97)pmol/L、(81.15±10.04)U/mL],差异均有统计学意义(P<0.05)。观察组发生MACE患者Gensini评分、LVEDD、LVESD、LVESVI、LVEDVI、和肽素和IMA分别为(40.41±8.89)分、(50.15±2.21)mm、(35.11±2.16)mm、(28.90±4.40)ml/m^(2)、(53.36±5.03)mL/m^(2)、(7.81±1.00)pmol/L和(115.51±11.14)U/mL,均明显高于未发生MACE患者[(36.62±8.15)分、(48.03±2.51)mm、(32.70±3.03)mm、(23.10±4.60)ml/m^(2)、(46.86±4.95)mL/m^(2)、(6.65±0.91)pmol/L和(89.74±12.03)U/mL],而LVEF为(34.49±4.46)%,明显低于未发生MACE患者[(42.21±5.51)%],差异均有统计学意义(P<0.05)。Logistic回归方程结果显示:Gensini评分、LVEDD、LVESD、LVEF、LVESVI、LVEDVI、和肽素和IMA是患者发生MACE的影响因素(P<0.05),方程预测发生MACE的ROC曲线下面积为0.882(95%CI:0.831~0.933),P<0.05,敏感度和特异度分别为69.40%和91.30%。结论实时三维超声心动图结合和肽素、IMA对于预测AMI经皮冠脉介入术治疗预后有一定应用价值,值得进一步研究。

关键词： 心律失常   心房颤动   心电图   血栓栓塞  

摘要： 心房颤动(简称房颤)是最常见的心律失常之一,而血栓栓塞是房颤最严重的并发症之一。心电图作为一种非侵入性诊断工具,用于多种心血管疾病的诊断和预测。本文就房颤患者心电图粗f波、P波参数、T波改变、PR间期、心率等心电图特征与房颤患者发生血栓栓塞的相关性研究现状及进展进行综述。

关键词： 图神经网络   约束多目标优化问题   约束多目标演化算法   权向量更新  

摘要： 约束多目标优化问题由于其约束复杂性、可行域不规则性和可行解稀疏性,通常存在难以精准刻画约束关系,以及难以找到收敛性好且分布均匀的帕累托非支配解等问题。为此,本文提出了一种图神经网络引导的约束多目标演化算法,该算法包括了学习模块与权向量自适应策略,其中学习模块通过训练图神经网络对解集进行快速评估,权向量自适应策略通过判别准则和更新机制增强种群多样性。实验结果表明,该算法在多个基准测试问题上显著优于现有的五个先进算法,在复杂约束多目标优化问题上表现出色。

关键词： 重症肺炎   新生儿   思维导图   协作式“零缺陷”护理   风险事件  

摘要： 目的 探究基于思维导图构建通气治疗新生儿重症肺炎协作式“零缺陷”护理模式,并观察其临床应用效果。方法 本研究为前瞻性随机对照试验,纳入2021年3月至2023年3月平顶山市第一人民医院收治的102例通气治疗新生儿重症肺炎患儿,根据随机数表法分为对照组(51例)和研究组(51例)。对照组接受协作式“零缺陷”护理,研究组接受基于思维导图构建的协作式“零缺陷”护理模式。统计患儿(咳嗽、发热、肺啰音)消退时间,采用小儿危重病例评分(PCIS)评估患儿康复进程,统计患儿住院期间误吸、漏气、喉梗阻、皮肤损伤等风险事件发生情况。结果 研究组患儿咳嗽、发热、肺啰音消退时间均短于对照组(P<0.05)。干预7 d后,两组患儿PCIS评分均较干预前显著提高,且研究组高于对照组(P<0.05)。研究组患儿风险事件总发生率低于对照组,但组间差异无统计学意义(P>0.05)。结论 基于思维导图构建的协作式“零缺陷”护理模式可缩短通气治疗新生儿重症肺炎患儿症状消退时间,加快患儿康复进程,减少风险事件发生。

关键词： 固化黄土   干湿循环   抗剪强度   渗透性   微观结构   预测模型  

摘要： [目的]为探讨生态护坡材料的长期服役耐久性。[方法]通过干湿循环条件下的力学试验和渗透试验,研究固化黄土宏观性能的演化规律,利用扫描电镜和图像处理技术,分析干湿循环对微结构形态的损伤规律,探讨生物胶改善黄土宏观性能干湿循环耐久性的微观机理,并基于宏观性能指标和微结构参数建立宏-微观演化特征函数,描述干湿循环条件下宏观性能与微观结构间的数值响应关系。[结果]生物胶抑制固化黄土力学性质劣化,抑制效果与生物胶掺量呈正相关,生物胶增大固化黄土的渗透性能变化,变化幅度与掺量呈负相关;干湿循环造成黄土胶结作用失效,颗粒损伤,孔隙增大,生物胶增强黄土胶结作用,减缓颗粒损伤,改变孔隙发育模式;演化特征函数预测效果良好,超过95%的预测点落在均方误差线以内。生物胶的加入有利于改善黄土宏观性能的干湿循环耐久性;特征函数的敏感性分析表明,孔隙率对力学性能影响最大,孔径>32μm的大孔隙率对渗透性能影响最大。[结论]研究结果可为生物胶固化土护坡技术的工程应用及后续改良提供理论依据。

关键词： 短期负荷预测   雪消融优化算法   变分模态分解   GNN关系建模   注意力机制  

摘要： 准确的短期负荷预测对于电力系统的稳定运行和有效调度至关重要。电力负荷数据因存在非线性、非平稳性而导致预测精度低。分解可以降低序列非平稳性的影响从而有效地提高预测精度,但现有分解预测方法缺乏对分解分量间关系的捕获且显著增加了预测时间。为此,提出分量感知动态图Transformer(component-aware dynamic graph Transformer,CDGT)模型。首先,引入联合对立选择(joint opposite selection,JOS)算子和随机扰动改进雪消融优化算法(snow ablation optimizer,SAO),使用联合搜索和随机扰动的SAO(jointly searched and stochastic perturbed SAO,JSSAO)对变分模态分解(variational mode decomposition,VMD)进行参数寻优。VMD对原始的负荷数据进行分解得到不同频率的分量序列,然后使用图神经网络(graph neural network,GNN)来识别和建模分量之间的复杂关系。同时,使用引入频域指数滑动平均(exponential moving average,EMA)注意力的Transformer来学习分量内部的依赖关系。一次输出所有分量结果,线性相加后得到负荷预测值。通过两个公开负荷数据集的实验表明,CDGT优于一系列先进的基线以及分解预测方法,在澳大利亚数据集和摩洛哥数据集上,MAE分别降低了5.51%~31.08%和15.02%~75.49%。

关键词： 基于主机的入侵检测   图神经网络   数据溯源   多模型框架  

摘要： 根据现有的研究,学习、改进并验证了一种基于溯源图的APT攻击检测方式,它可以在没有先验攻击模式知识的情况下,在系统实体级别检测主机威胁,通过图神经网络GraphSAGE(GNN)来学习数据来源图中丰富的上下文信息,利用它的能力来学习每个良性实体在溯源图中的角色,解决端到端异常节点检测任务,在保证不降低取证分析的准确性的前提下,研究溯源图的数据缩减技术,提供针对APT攻击的快速响应能力,同时减轻日志存储压力以及安全分析人员进行取证分析的压力.此外,在溯源图的基础上,利用vue前端技术,将检测结果更形象具体化地展示在用户的电脑上,实现检测结果的可视化,使用户更容易理解攻击过程.在与其他的APT攻击检测技术进行比较后,最后得出基于溯源图的APT攻击检测是更适合现在错综复杂的网络环境,能够更好地检测长期且难以发现的APT攻击。