离心水泵性能的工业现场测定

将热力学方法与电工仪表测算电动机轴功率方法结合起来,可以较准确地测出一台工业用大型水泵的性能.文中将测算出的泵性能数据与样本性能曲线数据加以比较,说明此法的可行性。     

农村剩余劳动力转移中的深层次矛盾及政策取向

简析了农村剩余劳动力的成因及现状,对转移中的深层次矛盾加以剖析,提出了政策建议,以期就教与方家.     

基于深度学习的红外与可见光图像融合综述

图像融合技术是指从不同的源图像中提取并融合互补的信息,生成一幅信息量更丰富、对后续高级视觉任务提供足够支持的图像.红外与可见光图像融合（Infrared and Visible Image Fusion,IVIF）是图像融合领域的一个重要分支.近年来,深度学习技术在视觉计算领域表现出了良好的性能,尤其是基于自编码器、卷积神经网络、生成对抗网络等几种基于深度学习的IVIF技术得到了蓬勃发展.为此,对基于深度学习的IVIF算法的方法、数据集和评估指标等进行了总结和阐述;通过大量的实验,进行定性和定量的结果分析,对比了各类基于深度学习IVIF算法的性能;最后,讨论了该领域未来发展的一些前景和研究方向.     

泵闸混凝土施工期智能温控关键信息识别

为实现施工期大体积混凝土温控要素的智能快速识别,提高智能温控系统的反馈及预测模型精度,提出了一套智能算法对物联网技术采集到的各类温控要素原始测值进行识别及转化。针对浇筑温度、浇筑时间、最高温度、内外温差、冷却通水起止时间与表面保温覆盖等施工期关键温控参数,结合工程经验分别给出相应识别任务的判定逻辑并编写对应程序,然后应用多个实际工程数据进行验证,并分析各识别功能的准确率。验证结果表明,本文算法识别效果良好,能够实现温控要素采集的自动化、智能化、快速化、精准化,具有较强的工程实用价值。     

针刺麻醉与镇痛泵在肩关节术后镇痛领域中的应用及评价

以行肩关节手术的患者作为研究对象,比较和评价了针刺麻醉与肩峰下自控型镇痛泵对术后镇痛的疗效与安全性,指标包括疼痛视觉模拟评分（VAS）、肩关节活动度（ROM）、Lovett肌力分级等,结果显示镇痛泵组的胃肠道不良反应发生率（7/64）、基础病复发率（4/64）,及总体不良反应发生率（16/64）均显著高于针刺组（0/70）(0/70)(4/70),在轻度疼痛者中,2组的VAS未见差异,但针刺组的ROM更大,在中、重度疼痛者中,镇痛泵组的VAS低于针刺组,但2组的ROM及肩关节肌力未见差异,说明针刺麻醉的安全性极佳,可促进术后康复,适用于轻度疼痛者及合并相关内科基础病的中、重度疼痛者。     

具有优先级的深度确定性策略梯度算法在自动驾驶中的应用

深度确定性策略梯度(deep deterministic policy gradient,DDPG)算法在自动驾驶领域中应用广泛,但DDPG算法因采用均匀采样而导致低效率策略比例较高、训练效率低、收敛速度慢等.提出了基于优先级的深度确定性策略梯度(priority-based DDPD,P-DDPG)算法,通过优先级采样代替均匀采样来提升采样利用率、改善探索策略和提高神经网络训练效率,并且提出新的奖励函数作为评价标准.最后,在开源赛车模拟(The Open Racing Car Simulator,TORCS)平台上对P-DDPG算法的性能进行了测试,结果表明相对于DDPG算法,P-DDPG算法的累积奖励在25回合之后就有明显提升而DDPG在100回合之后训练效果才逐渐显现,提升约4倍.P-DDPG算法不仅训练效率提升且收敛速度加快.     

联合实体边界检测的命名实体识别方法

针对传统命名实体识别方法无法有效利用实体边界信息的问题,提出一种联合实体边界检测的命名实体识别方法,即将实体边界检测作为辅助任务,增强模型对实体边界的判断能力,进而提升模型对实体的识别效果。首先,利用Bert预训练语言模型对原始文本进行特征嵌入获取词向量,并引入自注意力机制增强词对上下文信息的利用;其次,在命名实体识别任务的基础上,添加实体边界检测辅助任务,增强模型对实体边界的识别能力;再次,对比联合实体边界检测的命名实体识别方法与基线方法的有效性,并对测试结果进行消融实验;最后,进行样例分析,分析损失权重β对实体边界检测的影响。实验结果表明,在英文社交媒体数据集Twitter-2015上,联合实体边界检测的命名实体识别方法相较于基线模型取得了更高的精准率、召回率和F1值,其中F1值达到了73.57%;并且,边界检测辅助任务提升了基线方法的检测效果。所提方法能有效利用实体边界信息,从而获得更好的实体识别效果,促进了人机交互系统的发展,对自然语言处理下游任务有重要意义。     

基于轻量化深度学习网络的数字仪表识别

数字式仪表常用于变电站、工厂等生产环境,是一种直观的设备监测仪器。然而当前数字式仪表的读取方式还依赖于人工巡检,手动记录等,这些传统的巡检方式来监测设备的运行状态大大降低了巡检效率。为了实现传统行业的数字化转型,本文提出基于轻量化深度学习的数字仪表识别方法,通过改进的YOLOv5的目标检测框架,针对数字仪表目标区域在整张图片大小不一致的情况,提出对于感兴趣区域（ROI）的迭代目标检测方法,首次检测将感兴趣区域进行检测并切割统一到相同的尺度,随后迭代检测网络针对感兴趣区域内的字符进行检测并分类,以达到精确读数的目的。为提升多尺度检测性能,本文采用Res2Net模块主干网络中的的残差模块。采用GIoU取代通用的IoU作为位置损失函数加速模型训练效果的收敛。实验表明,改进后的框架实现了99.62%的准确率和99.55%的召回率,相比基线网络分别提升了12.72%和5.85%。通过将框架在边缘计算平台上的终端部署,在实际生产中取代了人工巡检,实现了商业化运行。     

数据驱动下交通异常行为的双层识别模型

为实现对车辆异常行为的准确识别,提高车辆行驶的安全性,提出了一种基于支持向量机(support vector machine, SVM)、监督学习与长短期记忆(long short term memory, LSTM)深度学习的交通异常驾驶行为双层识别模型。首先,对车辆轨迹数据筛除和滤波,构建异常行为数据集;其次,从异常行为轨迹特征中提取出特定异常行为的特征标签,并人为标定在训练集中;再次,构建SVM模型对训练集进行粗识别,基于SVM的二分法原理,从测试集中筛选出异常行为;最后,通过LSTM时间序列模型构建具体种类的异常行为模型,并通过深度学习的方法,从异常行为数据中细分为蛇形驾驶、急速变向、侧滑、大半径转弯、快速U型转弯、急刹车等具体的异常驾驶行为。本次实验选用下一代仿真(next generation simulation, NGSIM)数据中US-101高速公路和peachtree城市道路的数据集的轨迹数据验证SVM和LSTM双层识别模型的性能,包括均方根误差、识别准确率等。结果表明,构建的双层识别模型在第一层有98%的识别准确率,第二层有超过80%的识别准确率,可以较为准确地识...     

急性心肌梗塞泵衰竭患者QT离散变化及其临床意义

探讨老年急性心肌梗塞（ＡＭＩ）患者ＱＴ离散度（ＱＴｄ）、ＱＴｃ离散度（ＱＴｃｄ）与泵衰竭的关系。方法６１例老年ＡＭＩ患者分为两组：泵衰竭组（Ｋｉｌｉｐ分级泵功能≥Ⅲ级者,ｎ＝２１）和对照组（Ｋｉｌｉｐ分级泵功能Ⅰ级者,ｎ＝４０）。分析患者入院时心电图的ＱＴｄ和ＱＴｃｄ。结果：ＱＴｄ、ＱＴｃｄ在泵衰竭组分别为（６４６±１６０１）ｍｓ和（７７３３±２０６０）ｍｓ,在对照组分别为（５２７５±１４５０）ｍｓ和（６０９８±１５９３）ｍｓ,二组间比较差异有显著性（Ｐ＜００５）。结论：ＱＴｄ和ＱＴｃｄ增大与ＡＭＩ患者的泵衰竭有关,ＱＴｄ和ＱＴｃｄ可作为评估老年人ＡＭＩ早期泵功能和预后的指标