Synthesis characterization and improved electrochemical performance of Li_2FeSiO_4/C as cathode for lithium-ion battery by metal doping

In this paper, Li_2FeSi_(0.98)M_(0.02)O_4/C(M = Mg, Zn, Co, Mn, Ni) was synthesized as cathode material for lithium ion battery by solid-state method. The results show that the materials doped with Mg and Zn at the Si-sites have good initial discharge capacity. Then Li_2FeSi_(1-x)M_xO_4/C(M = Mg, Zn; x = 0.01, 0.02, 0.03, 0.05) were also synthesized via solid-state method. It is concluded that Li_2FeSi_(0.99)Mg_(0.01)O_4/C and Li_2FeSi_(0.98)Zn_(0.02)O_4/C have better initial discharge capacity which is 125 mAh/g and 166.2 mAh/g, respectively. The capacity of Li_2Fe_(0.98)Zn_(0.02)SiO_4/C is 157.3 m Ah/g after 10 cycles at 0.1 C, and the capacity retention rate is 94.6%. The Li~+ diffusion coefficient of Li_2FeSi_(0.98)Zn_(0.02)O_4/C is higher than that of pure phase materials by one order of magnitude. The Li_2FeSi_(0.99)Mg_(0.01)O_4/C and Li_2FeSi_(0.98)Zn_(0.02)O_4/C were tested by XRD and SEM. XRD patterns indicate that the crystal structure of Li_2FeSiO_4 is not changed after being doped with metal ion at the Si-site. The SEM image indicates that no obvious agglomeration is detected in these materials. Li_2FeSi_(0.98)Zn_(0.02)O_4/C processes better electrochemical performance analyzed by EDS、XPS and FT-IR spectra. The data prove that Si~(4+) is successfully replaced by Zn~(2+) in the crystal structure of Li_2FeSiO_4.     

基于稠密连接的多形性腺瘤辅助诊断

针对多形性腺瘤诊断完全依赖人工的问题,提出一种计算机辅助诊断方法.先通过采集数据并构建多形性腺瘤数据集,对当前稠密连接网络进行改进并融合通道注意力机制进行疾病组织分类特征提取,得到组织类别和概率,然后使用CART(classification and regression tree)进行推理学习,得到诊断结果.对难判断的类别选择进行人工辅助,进而实现对多形性腺瘤疾病的计算机辅助工作.实验结果表明,该方法在分类识别模块分类提取准确率达97.7%,决策树推理诊断准确率达100%.此外,分类识别模块在血细胞分类领域的准确率达98.6%.该方法具有一定的迁移性和有效性.     

基于RF模型的高分辨率遥感影像分类评价

以QuickBird高分辨率遥感影像为主要数据源,采用多尺度影像分割方法提取地物对象的光谱、纹理和形状特征;在此基础上,构建基于随机森林（RF）方法的遥感影像分类模型,分析和评价特征变量对模型重要性与稳定性的影响。结果表明:1研究区最优分割尺度参数为70、形状因子0.2、色彩因子0.8,同时构建研究区乔木、灌木和草地等8个景观类型的光谱、纹理和形状等32个特征变量信息;2选择5 000棵树和1个节点变量构建的RF分类模型的总体精度为0.94,Kappa系数为0.93,OOB（Out of Bag）数据泛化误差为6.01%;3通过分析特征变量的重要性发现,Ratio_la₁和Ratio_la₂等光谱特征的重要性值明显比形状特征和纹理特征的高;4基于平均下降精度,选择16个变量构建RF模型时总体精度达到0.94,Kappa系数0.93;5基于基尼指数构建的RF模型,在19个变量时总体精度和Kappa系数达到峰值。相比较而言,基于平均下降精度构建的RF较稳定。     

流式图像技术在赤潮监测中的应用

赤潮是我国近海常见的重要灾害.建立赤潮生物现场监测技术,是赤潮预警预报和防治控制的基础.将流式细胞分析技术与显微成像分析技术结合起来,建立了赤潮生物流式图像监测仪器,建立赤潮生物专家识别数据库,对于目标赤潮生物的识别准确率达到82.52%~99.02%,定量准确率达到80%以上.统计分析结果显示,赤潮生物流式图像监测仪器与显微镜方法具有相似的精密度,90.00%以上的分析结果具有一致性.与显微镜方法相比,赤潮生物流式图像监测仪器具有自动化程度高,分析速度快,无需人为干预等优点,为赤潮生物的监测提供了新的技术手段.     

三分类血液分析仪与血涂片镜检对白血病患者血液细胞分类结果差异分析

目的 探讨诊断白血病更准确、更全面的方法.方法 采用血液分析仪和手工涂片分类法同时诊断白血病.结果 14例ALL患者仪器不能进行白细胞分类和幼稚细胞提示;6例APL患者仪器进行了错误分类;24例AML患者仪器将血液中的幼稚细胞错误分类为小型白细胞;8例CML患者仪器将血液中的幼粒细胞及嗜酸嗜碱细胞分类为中间细胞群,以上均与手工分类有很大差异.结论 通过对56例白血病患者的血液分析,证实了在初诊白血病患者血样分析中,仪器不能给予白细胞分类及幼稚细胞的识别,对多形态、多变化性的血细胞识别有限.因此,用血液分析仪分析血样的同时,不能忽略血细胞形态学检查,防止幼稚细胞漏检.     

基于稳态视觉诱发电位的脑电信号分类算法比较

基于稳态视觉诱发电位(steady state visual evoked potential,SSVEP)的脑-机接口(brain computer interface,BCI)系统具有分类准确率高、用户不用长时间训练等优点而广受关注.如何高效地对SSVEP信号频率识别而实现更好的分类效果是SS-VEP-BCI的核心问题.采用滤波器组典型相关分析(filter bank canonical correlation analysis,FBCCA)与任务相关成分分析(task-related component analysis,TRCA)对SSVEP信号分类比较研究,探讨了两种方法在数据长度、子带数以及通道数对SS-VEP信号分类效果的影响.35位被试者的数据表明:在数据长度小、时间短的情况下,TRCA具有更高的分类准确率,且子带数设置为5时,分类准确率达到最大.通道数越多分类准确率越高,但是通道个数较少时,TRCA分类效果明显优于FBCCA.研究为SSVEP脑电数据有效性分析以及提高基于SSVEP的脑电信号分类准确率提供了新的思路.     

基于注意力机制的加密流量识别

随着人们网络安全意识的提高,加密流量呈爆炸式增长,流量加密在保护用户隐私的同时,也为安全检测带来了新的挑战。针对传统基于机器学习的流量识别方法存在需要手动设计分类特征、分类准确率不高等问题,提出一种基于卷积神经网络与自注意力机制(Convolutional Neural Network and Self Attention, CSA)的加密流量分类方法,依据网络流量的层次结构特性,采用卷积神经网络提取数据包内字节流的空间特征、自注意力机制提取数据包之间的时序特征。在公开数据集ISCX VPN-NonVPN上的实验结果表明,CSA模型的分类准确率达到了95.0%,相较基准深度模型,准确率和F1值皆有明显的提升。     

基于粒子群-支持向量机的时间序列分类诊断模型

构建一种基于粒子群算法-支持向量机(PSO-SVM)的磁共振功能成像(fMRI)时间序列分类诊断模型,通过针对脑区多维时间序列数据的深层次分析实现病症患者和健康者的准确判断与区分,为面向fMRI时间序列数据的病症诊断和预测提供有效科学依据.该方法在以下4个方面不同于其他已有相关研究工作:(1)构建基于自回归模型的脑区多维时间序列数据特征表示;(2)构建基于支持向量机模型的脑区多维时间序列数据分类机制;(3)构建基于粒子群算法的分类学习参数寻优策略;(4)建立融合上述特征表示、优化分类与参数优选模式的fMRI时间序列数据分类诊断模型.通过以精神抑郁症作为实证分析的具体案例,所提出分类诊断模型已取得良好实验效果,展示出其有效性与合理性.     

结合多组学和人类蛋白互作网络研究急性髓细胞白血病中的突变基因互作子网络

急性髓细胞白血病(AML)是一类由血液中白细胞恶性增殖引起的恶性疾病,很多与AML致病性相关的基因突变还没有被阐明,使用基于多组学整合分析的方法可以有效地揭示AML中基因突变与疾病间的相互关系.通过使用来源于癌症和肿瘤基因图谱(TCGA)计划中AML病人的1 450个体细胞突变基因数据和这些基因的RNA表达量数据,结合人类蛋白互作网络,构建了在AML中的基因子网络.发现的基因子网络中包含21个突变基因,KEGG代谢通路和GO富集分析结果表明,趋化因子信号通路和染色体结构相关基因在AML的致病性中具有重要作用;并且,基因子网络可以反映AML中突变基因间的相互作用关系,可以加强对AML致病机理认识.在基因子网络中,部分基因已经被证明与AML相关,如NPM1,KDM1A和NRAS等,但部分基因还需要进一步探索,如CBX7,GNAI2和COPS2等.对这些基因的深入研究可以加强对疾病致病机理的认识.最后提供了整合多组学数据研究疾病的框架,并且该框架可以应用于其他疾病或机制的研究中.     

宫颈细胞图像的特征选择与分类识别算法研究

为了提高宫颈细胞识别速度,以最少的特征数量获得最高的识别准确率,运用分类与回归树算法(Classification and Regression Trees,CART)进行特征的选择,并采用粒子群算法(Particle Swarm Optimization,PSO)对分类器支持向量机(Support Vector Machine,SVM)进行优化,形成了PSO-SVM分类算法对细胞进行分类.使用Herlev数据集对文中提出的算法进行验证.通过CART特征选择方法,成功地从20个特征中提取出9个更具代表性的特征,并且二分类和七分类的准确率均达到99%以上.并引入其他几种宫颈癌细胞的分类识别算法进行仿真比较,结果表明,本文算法在特征数目较少的情况下识别准确率依然具有明显优势,从而验证了该算法的有效性.所述方法有效降低了人工特征选择的难度,在减少了识别用时的情况下,依然保证了细胞的识别准确率与之前几乎无异,为宫颈癌疾病诊断提供了一套有效的方法框架.     

基于鲸群优化随机森林算法的非平衡数据分类

为了提高非平衡数据分类的准确性,采用随机森林算法用于数据分类,并结合鲸鱼优化算法对随机森林弱分类器权重进行优化求解,以增强随机森林算法对非平衡数据分类的适应性。首先,建立基于随机森林的非平衡数据分类模型。通过随机森林的多个决策树弱分类器进行分类,有效解决样本不均衡导致的分类困难问题。接着,采用鲸群优化算法对弱分类器权重进行优化求解,将分类准确率均值作为鲸群优化适应度函数,以提高弱分类器权重投票对最终分类结果的精度。最后,采用经过鲸群优化得到的随机森林模型进行非平衡数据分类。实验证明,通过合理设置鲸群优化算法参数,可以获得分类准确度更高的随机森林弱分类器权重,相较于常用非平衡数据分类算法,文中算法能够获得更优的分类性能。     

基于SVM多类分类算法的模拟电路软故障诊断

给出了基于支持向量机(SVM)1-v-1和决策导向无环图(decision directed acyclic graph,DDAG)多类分类算法的模拟电路软故障诊断新方法.DDAG是在1-v-1算法基础上构建的新的学习架构,在对多个SVM子分类器进行组合的过程中,引入了图论中有向无环图的思想.比较了采用不同核函数时支持向量机的分类结果.实验结果表明采用DDAG支持向量机(DAGSVM))多类分类算法时,诊断准确率为99%.因此,DAGSVM算法具有较高的诊断准确率.     

血常规指标的变化特征和散点图异常对白血病的诊断价值

探讨血常规指标在白血病诊断中的应用价值。选取2018年6月～2019年6月在甘肃省中医院确诊为白血病的128例患者为观察组,急性早幼粒细胞白血病(AML-M3)27例,急性淋巴性白血病(ALL)25例,其他急性髓细胞白血病(AML)76例,选取同期入我院体检的100例健康人群作为对照组。比较两组血常规指标,统计观察组患者血细胞数目和形态异常情况,对其血常规检测结果及散点图进行综合分析。观察组白细胞计数、红细胞计数均较对照组升高,血小板计数较对照组降低(P0.05)。观察组白细胞异常率为98.44%(126/128),红细胞异常率为25.78%(33/128),血小板升计数异常率为70.31%(90/128)。血涂片检查显示白细胞异常率为96.88%(125/128),红细胞异常率为15.63%(20/128),血小板异常率为17.97%(23/128),血细胞形态异常率达98.44%(126/128)。对照组血常规散点图共有5个区域,五分类有其固定区域;AML-M3患者散点图可见全血细胞不能分类的灰区,单核细胞群明显增多等变化;ALL患者散点图可见淋巴细胞与单核细胞群重叠,有淋单切迹、淋巴细胞群增多、淋巴细胞群朝上移位等变化;AML患者散点图可见区域间模糊不清,出现颗粒团重叠、切迹或单核细胞群朝上移位显示占比升高等变化。观察血常规指标和散点图异常情况可为白血病的诊断提供重要依据。     

面向网络安全不平衡数据的特征学习和分类研究应用

网络数据的正确分类对于网络环境的监控和维护具有重要作用。在数据不平衡状态下解决数据分类和处理复杂的特征关系尤为重要,为此提出一种改进SMOTE(synthetic minority over-sampling technique)+GA-XGBoost(genetic algorithm-extreme gradient boosting)的机器学习分类方法。将局部离群因子引入SMOTE插值过程,对少数类样本过采样,并对多数类样本随机欠采样,从而实现样本再平衡;同时,在模型训练过程中为增加模型拟合度,将具有进化迭代优势的遗传算法与XGBoost相结合,解决XGBoost参数众多、特征学习收敛较慢等问题。实验采用UNSW＿NB15数据集,选择多层感知机、K近邻、决策树等机器学习算法及SMOTE+XGBoost等不平衡数据训练方法进行试验对比,结果表明该方法具有较好的分类预测准确率(97.40%)及较高的平均召回率(70.2%)和平均F₁-score(68.8%)。并在本实验室工业信息安全平台采集的数据进行实验研究,分类准确率为99%,进一步验证了该方法的有效性和可行...     

一种基于SVM的Web信息自动化抽取方法

针对传统的Web信息抽取方法运算量大、自动化程度低的问题,提出了一种基于SVM的WEB信息自动化抽取方法。利用SVM优秀的分类性能将网页中有用数据和无用数据分类标注,有效地完成Web信息抽取任务,准确地抽取出所需信息,实现数据抽取的自动化。实验结果表明,该方法可以有效地获取网页信息特征,具有较高的召回率和准确率。     

一种用于乳腺癌诊断的免疫分类算法

基于人工免疫识别系统AIRS(Artificial immune recognition system)和核函数提出免疫分类算法Kernel-AIRS。Kernel-AIRS遵循AIRS算法框架,利用核函数将输入空间投影到高维核空间,以核空间距离来度量抗体?抗原的亲和度,提高算法对非线性可分问题的分类准确率。采用Kernel-AIRS定义核空间距离测量方法和规一化方法,分析抗体刺激度和核函数参数与分类准确率之间的关系,研究属性缺失样本对算法分类准确率的影响,并应用Kernel-AIRS算法诊断乳腺癌,分类准确率采用10次交叉验证评价。研究结果表明:Kernel-AIRS算法对排除属性缺失样本数据集分类的准确率为97.3%,对包含属性缺失样本数据集分类的准确率为96.9%,分类准确率较高,适用于乳腺癌的诊断。     

一种PSO-SVM的光伏阵列故障检测与分类

提出一种粒子群优化支持向量机的光伏阵列故障检测与分类的方法.分析了光伏阵列输出特性和故障类型,选择合适的特征向量及归一化方式.选用径向基核函数优化模型结构,并利用PSO算法对参数进行寻优,提高模型精确度.结合实验平台获取光伏阵列正常工作和8种故障状态的实测数据,随机划分为训练集和测试集,并建立PSO-SVM故障检测与分类模型.实验表明,应用本模型进行故障检测准确率达99.89%,分类准确率达98.68%,优于BP神经网络以及决策树的检测和分类结果.     

Rough集在乳腺癌辅助诊断中的应用

目的研究Rough集在乳腺癌辅助诊断中的应用。方法采用基于Rough集的属性约简算法,利用决策树算法对乳腺癌图像数据进行分类,辅助医疗诊断。结果实现了基于Rough集的属性约简算法,对乳腺癌数据进行处理,获得了分类的实验结果。结论该模型系统达到了较高的分类准确率,证明Rough集在辅助医疗诊断中有着广泛的应用前景。     

基于POS-ELM的孤立性肺结节诊断方法研究

在肺结节诊断方法研究中,传统机器学习诊断方法存在诊断性能不稳定的问题。为了提高孤立性肺结节的识别准确率,提出基于粒子群优化(particle swarm optimization,PSO)参数的极限学习机(extreme learning machine,ELM)辅助诊断方法。首先采用PSO选取ELM最佳的初始权重ω和偏置b;然后利用最佳参数ω和b对ELM进行训练;再利用PSO-ELM对通过稀疏自编码得到的肺结节特征进行分类识别。实验中,将传统机器学习算法与本文方法进行对比,结果表明,利用粒子群优化算法进行优化的极限学习机在孤立性肺结节诊断方面具有较高识别准确率和稳定的分类性能,可以作为一种有效的肺结节诊断工具。     

五味子属14种植物的数量分类学研究

在野外居群观察和文献资料收集的基础上,对五味子属的14种植物的39个分类性状进行了Q型聚类分析和主成分分析.聚类分析结果表明,14种五味子属植物可分为三类:第一类包括团蕊五味子和重瓣五味子——团蕊五味子群和重瓣五味子群的代表类群;第二类为大花五味子和红花五味子——大花五味子群的两个代表类群;第三类包括其它所有类群,该类又可分为三组:(1)五味子——五味子群的代表类群;(2)二色五味子——少蕊五味子群的代表类群;(3)中华五味子群的8个类群.基于聚类分析结果,提出了包括3亚属(即多蕊五味子亚属、五味子亚属和团蕊五味子亚属)和3组(即中华五味子组、五味子组和少蕊五味子组)的新分类系统.聚类分析结果不支持将华中五味子、滇藏五味子、绿叶五味子、小花五味子等归并为东亚五味子的处理.主成分分析表明,落叶习性、下表皮角质条纹、花托膨大否、花单生否、上表皮有无气孔器、花托伸长否、雄蕊数、花药开裂方式、上表皮细胞形状、上表皮垂周壁式样、花粉萌发沟等性状的分类学价值较大,可作为分类的主要依据,并据此编制了分种检索表.