新葡京娱乐场-大陆娱乐场开户注册

1、胰腺腫瘤CT圖像診斷算法。針對(duì)胰腺腫瘤分類問(wèn)題，從醫(yī)學(xué)CT圖像出發(fā)，搭建深度學(xué)習(xí)模型。對(duì)于腫瘤分類，我們將問(wèn)題建模成兩部：胰腺定位查找和胰腺腫瘤分類。我們建立級(jí)聯(lián)分割網(wǎng)絡(luò)，從病人腹部的CT圖像中將胰腺器官分割出來(lái)。級(jí)聯(lián)分割網(wǎng)絡(luò)比之前的層級(jí)分割網(wǎng)絡(luò)結(jié)果提升10各點(diǎn)。之后建立多模態(tài)分類網(wǎng)絡(luò)，針對(duì)CT圖像的特性，將多切片多造影劑時(shí)期多區(qū)域的數(shù)據(jù)進(jìn)行融合，在胰腺腫物分類中取得了較好的結(jié)果。層級(jí)分割模型示意圖 分類模型可視化熱圖 2、現(xiàn)有的乳腺癌腋窩淋巴轉(zhuǎn)移的醫(yī)療診斷措施為病理活檢，是一種過(guò)度醫(yī)療。基于乳腺鉬靶圖像的術(shù)前無(wú)創(chuàng)的乳腺癌腋窩淋巴轉(zhuǎn)移預(yù)測(cè)手段能夠有效避免過(guò)度醫(yī)療。我們構(gòu)造了基于乳腺鉬靶圖像的深度卷積神經(jīng)網(wǎng)絡(luò)模型來(lái)處理乳腺癌腋窩淋巴轉(zhuǎn)移問(wèn)題。我們對(duì)乳腺鉬靶數(shù)據(jù)進(jìn)行了預(yù)處理和數(shù)據(jù)集的整理、劃分。我們構(gòu)造了三個(gè)不同的深度卷積神經(jīng)網(wǎng)絡(luò)，患病側(cè)單體位網(wǎng)絡(luò)、患病側(cè)雙體位網(wǎng)絡(luò)和雙側(cè)雙體位四視圖網(wǎng)絡(luò)。其中，患病側(cè)單體位網(wǎng)絡(luò)分為 CC 位網(wǎng)絡(luò)和 MLO 位網(wǎng)絡(luò)。在乳腺鉬靶數(shù)據(jù)的測(cè)試集上，患病側(cè) CC 位網(wǎng)絡(luò)、患病側(cè) MLO 位網(wǎng)絡(luò)、患病側(cè)雙體位網(wǎng)絡(luò)、雙側(cè)雙體位四視圖網(wǎng)絡(luò)的結(jié)果依次遞增。這表明了同時(shí)使用同一患者的四張鉬靶圖像的雙側(cè)雙體位四視圖網(wǎng)絡(luò)具有更好的預(yù)測(cè)效果，更適合乳腺癌腋窩淋巴轉(zhuǎn)移預(yù)測(cè)任務(wù)。對(duì)于雙側(cè)雙體位四視圖網(wǎng)絡(luò)，我們不僅使用了雙側(cè)測(cè)試集 1，還使用了額外的雙側(cè)測(cè)試集 2 進(jìn)行測(cè)試。鉬靶乳腺圖像預(yù)處理 雙側(cè)雙體位深度學(xué)習(xí)網(wǎng)絡(luò) 優(yōu)勢(shì)：從客觀的醫(yī)學(xué)圖像數(shù)據(jù)出發(fā)，結(jié)果可重復(fù)，而且高效快捷，提高識(shí)別準(zhǔn)確率的同時(shí)，便于臨床推廣。

“新型多天線傳輸技術(shù)”是5G移動(dòng)通信系統(tǒng)亟待研究的關(guān)鍵問(wèn)題之一。孕育其中的3D-MIMO技術(shù)則是亟需攻克的難點(diǎn)之一。據(jù)此，本技術(shù)成果依據(jù)3D-MIMO技術(shù)中的多用戶智能波束賦型，研究Massive MIMO陣列對(duì)5G系統(tǒng)波束賦型性能的影響。 技術(shù)成果主要功能： ？ 時(shí)間反演波束賦形（Time Reversal Beamforming, TRBF）通信系統(tǒng)可計(jì)算模型。 此部分主要是在經(jīng)典的天線系統(tǒng)排布方向圖與增益的理論研究基礎(chǔ)之上，進(jìn)一步研究這些天線系統(tǒng)的排布對(duì)TR大規(guī)模MIMO通信系統(tǒng)性能的影響，建立了基于不同天線系統(tǒng)排布的不同的信道響應(yīng)模型。 ？ TRBF通信系統(tǒng)互耦效應(yīng)的可量化分析模型。 建立了互耦的信道模型，然后通過(guò)信道模型來(lái)分析TRBF通信系統(tǒng)的性能。 ？ TRBF通信系統(tǒng)極化信息的可量化分析模型。 針對(duì)天線的極化特性建立信道模型，基于極化信道模型分析TR通信系統(tǒng)的性能，建立系統(tǒng)極化信息可量化分析模型。 技術(shù)成果應(yīng)用領(lǐng)域： TR通信可以利用復(fù)雜環(huán)境中的豐富多徑來(lái)提高系統(tǒng)的信道容量，減小誤碼率等等。并且TR的空間聚焦特性能精確定位用戶終端，所以TR Massive MIMO通信系統(tǒng)可以用在受陰影衰落較大的地區(qū)，例如位于密集高大建筑樓群的低層用戶，由于巨大的建筑物遮擋陰影損耗，要想實(shí)現(xiàn)設(shè)備到設(shè)備之間的直接通訊很困難，而TR技術(shù)可以精確定位到傳輸終端，達(dá)到普通波束賦形達(dá)不到的效果。類似的環(huán)境還有山區(qū)高大山群的陰影衰落，信號(hào)衰減大的森林地區(qū)等等。 此外，TR通信能夠利用復(fù)雜環(huán)境中的豐富多徑來(lái)提高通信系統(tǒng)的性能，所以在電磁波反射路徑多的環(huán)境，自然環(huán)境比如地下車(chē)庫(kù)，隧道等，人造環(huán)境比如模擬體驗(yàn)太空艙，金屬裝飾風(fēng)格的辦公室或者住宅等（見(jiàn)下圖2）。在這些多徑異常豐富的環(huán)境下，移動(dòng)終端經(jīng)常會(huì)出現(xiàn)接收不到信號(hào)等，這也是秉承隨時(shí)隨地接入網(wǎng)絡(luò)宗旨的5G蜂窩移動(dòng)通信系統(tǒng)亟待解決的問(wèn)題，而這些場(chǎng)景正是完美的TR技術(shù)應(yīng)用場(chǎng)景。 由此可以想見(jiàn)，TR在5G蜂窩移動(dòng)通信系統(tǒng)覆蓋范圍下的某些特殊通信場(chǎng)景極有用武之地。

本發(fā)明提供后向散射優(yōu)化的森林復(fù)雜地形校正及樹(shù)高反演方法、系統(tǒng)，地形校正包括針對(duì)森林場(chǎng)景 的極化干涉 SAR 圖像，根據(jù)森林場(chǎng)景的兩層散射特點(diǎn)，構(gòu)造兩層結(jié)構(gòu)的相干模型，并對(duì)地形引起的參 數(shù)變化進(jìn)行校正；結(jié)合地形仿真和植被仿真，建立植被與地形之間的定量描述關(guān)系；最后結(jié)合距離多普 勒幾何校正方式和歸一化輻射校正方式進(jìn)行校正；樹(shù)高反演包括針對(duì)不同樹(shù)種之間的結(jié)構(gòu)和分布的差異， 提出樹(shù)種多樣性因子，對(duì)不同的樹(shù)種的植被高度分別進(jìn)行估計(jì)然后獲得整個(gè)森林場(chǎng)景的樹(shù)

因果關(guān)系是自然界現(xiàn)象之間最普遍和最基本的聯(lián)系。在物理學(xué)、生命科學(xué)、地理學(xué)等各個(gè)自然科學(xué)領(lǐng)域乃至哲學(xué)、經(jīng)濟(jì)學(xué)等社會(huì)科學(xué)中，發(fā)現(xiàn)內(nèi)蘊(yùn)的因果關(guān)系、因果網(wǎng)絡(luò)可以反映系統(tǒng)演化的核心互作機(jī)制，具有重要的科學(xué)意義。

1. 痛點(diǎn)問(wèn)題 工業(yè)時(shí)序數(shù)據(jù)具有應(yīng)用領(lǐng)域廣、數(shù)據(jù)規(guī)模大、經(jīng)濟(jì)價(jià)值高的特點(diǎn)，蘊(yùn)含的巨大商業(yè)價(jià)值，因而其安全性受到不法分子采用黑客攻擊等技術(shù)手段以及雇傭商業(yè)間諜等非技術(shù)手段的威脅。數(shù)據(jù)所有者通常會(huì)采用前效方法對(duì)數(shù)據(jù)庫(kù)中的數(shù)據(jù)加以保護(hù)，但是這些方法只能有效防止外部人員進(jìn)行非法盜竊，對(duì)于內(nèi)部人員盜竊等途徑并不能有效遏制。數(shù)字水印是解決數(shù)據(jù)在傳播過(guò)程中安全問(wèn)題的一個(gè)主流分支，通常的數(shù)字水印采用分組多數(shù)投票方法來(lái)提升算法的魯棒性，但時(shí)序數(shù)據(jù)通常有較多的噪聲，高價(jià)值數(shù)據(jù)點(diǎn)相對(duì)集中，因而一個(gè)未經(jīng)加權(quán)的投票算法可能會(huì)因?yàn)榇蠓秶脑肼暩蓴_而導(dǎo)致水印判定失效。此外，常見(jiàn)時(shí)序數(shù)字水印算法基于時(shí)間戳進(jìn)行水印嵌入計(jì)算，容易受到更改時(shí)間戳或頻率變換的攻擊，一旦時(shí)間戳序列大幅度改變，水印提取算法將受到很大影響，很可能導(dǎo)致水印提取完全失效。 2. 解決方案 工業(yè)物聯(lián)網(wǎng)數(shù)據(jù)是工業(yè)大數(shù)據(jù)規(guī)模迅速擴(kuò)張的主要來(lái)源。各類物聯(lián)網(wǎng)傳感器以極高的頻率采集其所在設(shè)備的工作狀態(tài)數(shù)據(jù)，通常為一系列包含數(shù)據(jù)產(chǎn)生時(shí)間戳（Timestamp）和采集數(shù)據(jù)（Data）形式為(Timestamp, Data) 的元組序列，稱為時(shí)間序列。工業(yè)時(shí)序數(shù)據(jù)具有應(yīng)用領(lǐng)域廣、數(shù)據(jù)規(guī)模大、經(jīng)濟(jì)價(jià)值高的特點(diǎn)，蘊(yùn)含的巨大商業(yè)價(jià)值，因而其安全性受到不法分子采用黑客攻擊等技術(shù)手段以及雇傭商業(yè)間諜等非技術(shù)手段的威脅。 數(shù)據(jù)所有者通常會(huì)采用前效方法對(duì)數(shù)據(jù)庫(kù)中的數(shù)據(jù)加以保護(hù)，包括但不限于：數(shù)據(jù)加密、用戶權(quán)限劃分等等。但是，這些方法只能有效防止外部人員進(jìn)行非法盜竊，對(duì)于內(nèi)部人員盜竊等途徑并不能有效遏制。數(shù)字水印是解決數(shù)據(jù)在傳播過(guò)程中安全問(wèn)題的一個(gè)主流分支，常見(jiàn)時(shí)序數(shù)字水印算法基于時(shí)間戳進(jìn)行水印嵌入計(jì)算，容易受到更改時(shí)間戳或頻率變換的攻擊，一旦時(shí)間戳序列大幅度改變，水印提取算法將受到很大影響，很可能導(dǎo)致水印提取完全失效。此外，數(shù)字水印通常采用分組多數(shù)投票方法來(lái)提升算法的魯棒性，但時(shí)序數(shù)據(jù)通常有較多的噪聲，高價(jià)值數(shù)據(jù)點(diǎn)相對(duì)集中，因而一個(gè)未經(jīng)加權(quán)的投票算法可能會(huì)因?yàn)榇蠓秶脑肼暩蓴_而導(dǎo)致水印判定失效。 本項(xiàng)目針對(duì)常見(jiàn)的水印失效場(chǎng)景進(jìn)行了分析，提出了能夠有效提示水印魯棒性的技術(shù)，更好的確保數(shù)據(jù)安全的管理能力。 3.合作需求 在全國(guó)范圍內(nèi)工業(yè)互聯(lián)網(wǎng)/工業(yè)大數(shù)據(jù)相關(guān)領(lǐng)域?qū)で髴?yīng)用場(chǎng)景，希望能與能源/裝備制造行業(yè)的大中型企業(yè)開(kāi)展這方面的合作研究和落地實(shí)施；并針對(duì)上述企業(yè)開(kāi)展包括二次開(kāi)發(fā)在內(nèi)的各類實(shí)際應(yīng)用，助力企業(yè)降本增效、轉(zhuǎn)型升級(jí)。

產(chǎn)品詳細(xì)介紹 機(jī)械臂運(yùn)動(dòng)算法STEAM主題課程 項(xiàng)目背景 隨著工業(yè) 4.0 科技革命的到來(lái)，工業(yè)機(jī)器人已成為工業(yè)化程度的重要標(biāo)志。機(jī)械臂是最為典型也是最早出現(xiàn)的工業(yè)機(jī)器人，它可以代替人的繁重勞動(dòng)以實(shí)現(xiàn)生產(chǎn)的機(jī)械化和自動(dòng)化，提高生產(chǎn)效率的同時(shí)避免人身事故的發(fā)生。機(jī)械臂課程的學(xué)習(xí)可以培養(yǎng)學(xué)生將科學(xué)技術(shù)應(yīng)用于日常生活、社會(huì)實(shí)踐的意識(shí)。 在本項(xiàng)目中，學(xué)生可借助機(jī)械臂運(yùn)動(dòng)算法套件與人工智能與編程教學(xué)系統(tǒng)，了解關(guān)節(jié)機(jī)械臂和伸縮機(jī)械臂的原理及特點(diǎn)，搭建不同類型機(jī)械臂并通過(guò)編程實(shí)現(xiàn)智能控制。 課程性質(zhì) 這是一門(mén)以項(xiàng)目式教學(xué)開(kāi)展的跨學(xué)科課程，以基于建構(gòu)主義理論的 5E 教學(xué)模式作為指導(dǎo)，結(jié)合了 中小學(xué)信息技術(shù)課程標(biāo)準(zhǔn)與編程教學(xué)特色。 課程目標(biāo) 1.知識(shí)與技能 ?  了解機(jī)械臂的類型及其在現(xiàn)實(shí)生活中的應(yīng)用。 ?  掌握關(guān)節(jié)機(jī)械臂和伸縮機(jī)械臂的結(jié)構(gòu)特點(diǎn)，設(shè)計(jì)并制作相應(yīng)模型。 ?  學(xué)習(xí)圖形化編程或 C++代碼編程的基礎(chǔ)知識(shí)，使模型完成實(shí)際任務(wù)。 ?  掌握機(jī)械臂運(yùn)動(dòng)算法的設(shè)計(jì)、編寫(xiě)及調(diào)試。 2.過(guò)程與方法 ?  通過(guò)觀察、查閱相關(guān)資料等活動(dòng)，培養(yǎng)對(duì)信息的有效性、客觀性做出判斷的意識(shí)，發(fā)展分析概括能力。 ?  通過(guò)機(jī)械臂模型的搭建和編程，發(fā)展編程思維和工程思維能力。 ?  在完成模型設(shè)計(jì)和算法設(shè)計(jì)過(guò)程中，提高分析問(wèn)題和解決問(wèn)題能力，養(yǎng)成自學(xué)能力。 3.情感態(tài)度與價(jià)值觀 ?  了解機(jī)械臂在日常生活中的實(shí)際應(yīng)用，萌發(fā)將科學(xué)技術(shù)應(yīng)用于日常生活、社會(huì)實(shí)踐的意識(shí)。 ?  養(yǎng)成實(shí)事求是，尊重自然規(guī)律的科學(xué)態(tài)度。 ?  關(guān)注科學(xué)技術(shù)對(duì)社會(huì)發(fā)展、自然環(huán)境及人類生活的影響。

在應(yīng)變的InAs/GaInSb量子阱中，量子阱中的應(yīng)力使其能帶發(fā)生改變，從而使得體態(tài)雜化能隙得以增大，這直接導(dǎo)致了邊緣態(tài)電子費(fèi)米速度的增加，因而螺旋邊緣態(tài)中的相互作用效應(yīng)變?nèi)酢?shí)驗(yàn)上測(cè)量得到的邊緣態(tài)電導(dǎo)以及其對(duì)外加磁場(chǎng)的響應(yīng)清楚地表明該系統(tǒng)中的量子自旋霍爾態(tài)是一種Z2拓?fù)浣^緣體，其性質(zhì)受到時(shí)間反演對(duì)稱性的保護(hù)。而且，InAs/GaInSb量子阱中螺旋邊緣態(tài)的相干長(zhǎng)度最長(zhǎng)可達(dá)10微米以上，遠(yuǎn)大于之前所有有關(guān)量子自旋霍爾態(tài)研究工作中報(bào)道的數(shù)值。另外，螺旋邊緣態(tài)的相干長(zhǎng)度還可以被柵極調(diào)節(jié)，這顯示了邊緣態(tài)電導(dǎo)與邊緣態(tài)電子費(fèi)米速度，也即邊緣態(tài)相互作用強(qiáng)度密切相關(guān)。

本發(fā)明提供了一種基于電纜表面溫度的電纜接頭纜芯溫度反演方法及系統(tǒng)，包括：步驟 1，根據(jù)電 纜一維暫態(tài)熱路模型和電纜本體的表面測(cè)溫點(diǎn)溫度進(jìn)行徑向溫度反演，獲得纜芯擬合點(diǎn)反演暫態(tài)溫度； 步驟 2，采用有限元溫度場(chǎng)仿真法構(gòu)建電纜二維溫度場(chǎng)仿真模型，并在不同加載電流和不同時(shí)刻下仿真 纜芯接觸點(diǎn)和纜芯擬合點(diǎn)的暫態(tài)溫度，獲得暫態(tài)溫度仿真數(shù)據(jù)集；步驟 3，以纜芯接觸點(diǎn)暫態(tài)溫度為自 變量、纜芯擬合點(diǎn)暫態(tài)溫度為因變量，對(duì)暫態(tài)溫度仿真數(shù)據(jù)集進(jìn)行擬合，獲得纜芯軸向溫

本發(fā)明提供一種光學(xué)反射模型與微波散射模型協(xié)同的森林生物量反演方法，包括 1)通過(guò)對(duì)比光學(xué) 與微波輻射傳輸模型的異同，構(gòu)建光學(xué)與微波輻射傳輸協(xié)同模型;2)基于單木生長(zhǎng)模型、光學(xué)與微波 輻射傳輸協(xié)同模型，構(gòu)建森林的光學(xué)二向反射和微波后向散射特征數(shù)據(jù)庫(kù)及相應(yīng)的森林地上生物量參數(shù) 庫(kù);3)基于光學(xué)與微波協(xié)同模擬數(shù)據(jù)庫(kù)，分別構(gòu)建生物量反演的單源光學(xué)模型與單源微波模型;4)通 過(guò)光學(xué)與微波關(guān)鍵因子的敏感性分析，確定協(xié)同模型中光學(xué)與微波數(shù)據(jù)各自所占權(quán)重，從而構(gòu)建 AGB 反演的光學(xué)微波協(xié)同模型。本發(fā)明將光學(xué)遙感數(shù)據(jù)與微波遙感數(shù)據(jù)相結(jié)合，充分發(fā)揮兩者反演生物量的 優(yōu)勢(shì)，有效提高了森林地上生物量的定量反演精度。

項(xiàng)目成果/簡(jiǎn)介:本發(fā)明涉及一種基于果蠅算法優(yōu)化廣義回歸神經(jīng)網(wǎng)絡(luò)算法的茶葉儲(chǔ)存時(shí)間分類方法,旨在通過(guò)改進(jìn)的廣義回歸神經(jīng)網(wǎng)絡(luò)解決茶葉儲(chǔ)存時(shí)間分類問(wèn)題,屬于茶葉儲(chǔ)存時(shí)間分類領(lǐng)域.其原理利用電子鼻傳感器模擬人感官品評(píng)的功能和特征,采集不同時(shí)間不同傳感器的特征值,構(gòu)建樣本集.利用果蠅算法優(yōu)化廣義回歸神經(jīng)網(wǎng)絡(luò),獲得廣義神經(jīng)網(wǎng)絡(luò)的平滑因子,進(jìn)而構(gòu)建毛峰茶葉儲(chǔ)存時(shí)間的FOAGRNN分類模型和方法.本發(fā)明的有益效果在于將果蠅算法優(yōu)化廣義回歸神經(jīng)網(wǎng)絡(luò)算法應(yīng)用于毛峰茶葉數(shù)據(jù)中,提高預(yù)測(cè)毛峰茶葉儲(chǔ)存時(shí)間分類的效率和準(zhǔn)確度,為消費(fèi)者提供茶葉儲(chǔ)存時(shí)間分類的有效方法.