制冷系统的节能设计

<正>冷库节能是冷藏业管理的核心环节。当前,冷库的制冷系统,每冻结1t白条肉平均耗电为110kW,其中高的耗电指标为每吨180kW,低的耗电指标为每吨70kW;对于冻结物冷藏间,储藏1t冻食品,每天耗电平均为0.4kW,其中高的耗电指标为每天每吨1.4kW,低的耗电指标为每天每吨0.3kW。可见,冷库的能耗存在较大的差别。因此,为了实现节能,对冷库制冷系统进行技术改造是很有必要的。     

基于增强LetNet-5的非霍奇金淋巴瘤辅助诊断

针对主流网络模型在医学辅助诊断适用性低的问题,在现有LetNet-5模型的基础上,给出了增强LetNet-5模型用于非霍奇金淋巴瘤的智能辅助诊断方案。首先将获取到的数据集进行图像切分和归一化等预处理操作,然后使用深度学习框架KERAS搭建增强前后的LetNet-5模型,接着对增强前后的网络模型进行训练、预测和评估,最后对模型的泛化能力和稳定性进行验证。实验表明,增强LetNet-5模型相对于原始LetNet-5模型具有更高的识别精度、更好的稳定性和更快的模型收敛速度,为非霍奇金淋巴瘤的诊断提供科学性的指导并具有重要的临床价值。     

基于神经网络的乳腺癌早期辅助诊断分析

利用威斯康星乳腺癌数据集对乳腺癌智能辅助诊断开展了深入的研究和分析,给出了一种基于神经网络的乳腺癌辅助诊断分析方法.首先对数据进行归一化预处理,然后基于Tensorflow深度学习框架搭建了神经网络模型并进行辅助诊断模型的训练和评估,并进一步采用交叉验证方法对模型稳定性进行了验证,与其他传统机器方法进行对比分析.实验结果表明,给出的方法对于乳腺癌辅助诊断具有较高的准确率和良好的稳定性,为乳腺癌诊断精度的提升提供了智能化方法,对乳腺癌的临床诊断和治疗具有重要的现实意义.     

基于迁移学习和支持向量机的白细胞分类

针对人工镜检分类白细胞准确率和效率低的问题,基于深度学习和机器学习算法,提出了一种基于迁移学习和支持向量机的白细胞分类方法.首先对迁移模型进行微调训练,其次用微调训练后的迁移模型进行特征提取,然后将特征输入至神经网络和支持向量机中进行训练,最后通过神经网络和支持向量机的组合分类器对白细胞进行分类.实验结果表明,白细胞分类准确率由最初微调训练的83.26％,随着迁移模型的优化提升为90.43％,最后通过组合分类器再次提升为93.52％,可以在临床实践中帮助医生提高诊断的准确率和效率.     

固态膜硝酸根离子选择电极的研制

本文讨论了作为硝酸根电极电活性物质二乙基二硫代氨基甲酸银(Ag·DDTC)的制备方法和所制作的硝酸根电极性能测试。该电极显示快,对硝酸根离子接近能斯特响应的活度范围为10~(-4)M—10~1M。检测极限为10~5M。在PH4—11范围内电势恒定,选择性好。     

涂碳漆PVC膜高碘酸根离子选择电极的研制和应用

生漆又称天然漆、国漆,产于我国和印度、我省富有生漆资源。开发利用生漆具有广阔前景。日本日色和夫等以生漆为膜基质研制硝酸根电极、高氯酸根等漆膜电极,但制膜干燥慢、要求苛刻。本文采用我省生漆经乙醇纯化后和PVC作为膜基质,以乙基紫高碘酸缔合物为电活性物质,研制了高碘酸根涂碳漆膜电极。本电极与国外漆膜电极相比,具有漆膜干燥快等优点。以此电极作检测器,用动力学方法测定柠檬酸中酒石酸含量,结果满意。1 主要仪器和试剂     

基于交叉验证和神经网络融合的医学数据分类

在医学诊断过程中采集到的数据具有低样本数量、少特征的特点,作为神经网络输入会导致网络收敛速度过慢或者陷入局部最优。针对这一问题,在现有神经网络和交叉验证算法的基础上,给出将留一法和神经网络融合的医学数据分类方法。首先对获取到的医学数据进行预处理,然后使用深度学习Keras框架搭建神经网络模型,最后对网络模型训练和预测分析。实验表明,给出的方法能在较少的迭代次数内使网络模型达到收敛,避免陷入局部最优,有效地提升网络模型的拟合程度和稳性,与传统机器学习算法相比有更高的分类准确性。