二维正态分布矩形区域概率质量的局部单调性

研究了二维正态分布矩形区域概率质量当矩形区域中心沿某特定方向平移时的局部单调性。同时给出了一簇矩形区域,其中任一矩形区域的概率质量对正态分布相关系数的绝对值具有局部单调性。     

合理应用盐酸氯普鲁卡因之我见

介绍了局麻药盐酸氯普鲁卡因的特点，通过对盐酸氯普鲁卡因的水针、无菌粉针、无菌冻干粉针3种剂型的比较，使人们直观地了解3种剂型的特点和优劣，从而为各种剂型的选择提供参考。     

关于局部极值与最值问题的注记

本文讨论了极值的局部性，局部极值与最值的关系，以及解应用题时取最值问题的判断。     

关于简化Newton方法收敛性的注记

在假设算子方程解存在的前提下,给出了以解为中心的一个球域,证明了当初始点落到这个球域时,用于判断简化Newton方法收敛性的Kantorovich定理的条件必然满足,从而由简化Newton方法产生的迭代序列收敛.     

乳清酸的2.5次微分示波极谱法测定

拟定了乳清酸的2.5次微分示波极谱测定新方法.结果表明在0.8 mol/L HCl介质中,乳清酸产生一灵敏的极谱还原波,峰电位Ep =-0.77 V(vs.SCE);其2.5次微分极谱峰峰电流ep″与乳清酸浓度在4.0×10-8～4.0×10-5 mol/L范围内呈良好线性关系(r=0.999 6,n=9),检测限为1.0×10-8 mol/L;13次平行测量4.0×10-7 mol/L乳清酸的峰电流,所得RSD为1.8%.该方法可直接用于测定牛奶中乳清酸的含量.     

边界元法在计算地下水稳定水位和流量中的应用

边界元法是一种新的数值计算方法。该法易于处理无限区域的地下水流问题,并且计算流量也较其他方法准确。本文介绍在二维稳定流的情况下如何计算地下水的水头和流量。承压含水层中的稳定流动,水头H满足拉普拉斯方程。利用格林第二公式,可以得到边界积分方程,即边界元的基本公式。可以用数值方法计算这一边界积分。为此,在边界上选取有限个点,称为节点,两节点间的线段称为单元。本文中选用线性单元和线性插值。引进局部坐标系,可以得到表示H和( H/ n)关系的方程。我们可以选一个节点作为固定的基点,其他节点为动点,对于每一选择都可得到一个方程。依次把每一节点作为基点,可得到N个方程,构成一个线性代数方程组。根据边界条件,每一节点中的H或( H/ n)有一个是已知的,解方程组可求出另一个。解出边界上的全部H和( H/ n)以后,可算出内部的水头和流量。对于非均质问题可划分为几个区域来处理。分界线上要满足相容性方程。对于( H/ n)的不连续点,可用“节点多值法”处理。     

基于频域降采样和CNN的轴承故障诊断方法

在工业领域,设备运行过程中采集的原始故障信号具有强噪声以及多工况的特点,现有的基于数据的轴承故障诊断模型的抗噪能力与泛化能力相对较弱。针对以上问题,提出一种基于频域降采样(down-sampling)和卷积神经网络(CNN)的轴承故障诊断方法 Ds-CNN。频域降采样包含最大偏移降采样和噪声横截断两个部分,可以实现样本增强,降低样本在频域的差异性,同时减弱噪声对频域信号的影响。基于频域信号建立的CNN模型能够自动提取降采样后频域信号的故障特征,并完成对轴承故障的识别分类。实验结果表明,在强噪声环境和多工况条件下,与目前常用模型相比, Ds-CNN具有更高的识别准确率。     

基于特征类内紧凑性的不平衡医学图像分类方法

近些年,基于深度学习的算法和模型在各种图像分析任务中都取得了显著的成功,与常见的自然图像相比,医学图像数据集依然面临高度不平衡的问题,不平衡数据会导致特征空间里的决策边缘倾向样本多的类别,导致分类效果的下降.为了解决该问题,提出一种基于卷积神经网络考虑特征类内紧凑性的不平衡医学图像分类方法（Z-Score Compactness-based Convolutional Neural Network,ZC3NC）.首先,从一个卷积神经网络的最后一层卷积层提取训练集样本与测试集样本的特征图,随后引入一个新的Z分数来度量测试集数据的特征图相对训练集每个类在特征空间上的偏离度,偏离度的度量基于类内的紧凑度,其主要关注样本的分布特性,对各类样本数量的不平衡性不敏感.最终,根据计算的偏离度,对测试集的数据进行分类.在DermaMNIST数据集上的实验表明,在不对数据和神经网络模型做任何额外增强的情况下,该方法的平衡准确率比原卷积神经网络模型平均提高11.15%,最多提高14.08%,证明提出的分类方法能有效地提高多种卷积神经网络对不平衡医学图像数据的分类性能.此外,和最先进的不平衡分类方法 Und...     

基于DCPAN的低剂量能谱CT图像去噪方法

能谱式计算机断层扫描(CT)成像技术具备良好的能量分辨率,能够精确地鉴别人体组织成分,从而为后续诊断提供更准确的检测信息．随着辐射剂量的降低,能谱CT图像中噪声水平显著提高,对成像质量产生严重影响,进而降低了组织成分的解析精度．基于卷积神经网络(CNN)的去噪模型虽然可以显著降低图像中的噪声含量,但随着卷积层数的增加,深层神经网络通常会丢失高频信息．为了解决这一问题,并实现在低剂量条件下重建出高质量能谱CT图像,本文提出了一种结合通道注意力机制(CA)和持续自注意力机制(PSA)的密集连接持续注意力网络(DCPAN)．两种注意力机制分别建立特征图像在通道和全局维度的联系以提高网络对图像高频分量的敏感程度,进而抑制高频细节信息的丢失．该模型所采用的密集连接结构通过特征复用的方式可以在前馈传播中保留高频信息,使用复合损失函数来监督网络的训练可以使该模型对边缘特征和组织细节信息更加敏感．实验结果表明,经该模型处理的腹部切片CT图像峰值信噪比、结构相似性指数和特征相似性指数分别达到了38.25 dB、0.993 7和0.973 2以上．相比于目前先进的CT噪声去除方法,该方法具有更好的噪声抑制...