新葡京娱乐场-大陆娱乐场开户注册

本發(fā)明公開了一種基于二分法的機(jī)床加工穩(wěn)定性邊界快速求解 方法，包括如下步驟:預(yù)設(shè)參數(shù)平面、判穩(wěn)函數(shù)和迭代次數(shù)，對參數(shù)平面進(jìn)行初步劃分;利用二維二分法將每個(gè)網(wǎng)格再次劃分為更小的子 網(wǎng)格;在每個(gè)子網(wǎng)格的頂點(diǎn)利用數(shù)值積分法求解判穩(wěn)函數(shù)的函數(shù)值， 判斷子網(wǎng)格是否為包含網(wǎng)格;將非包含網(wǎng)格再次劃分并判斷，若仍為 非包含網(wǎng)格，則結(jié)束，否則，獲得新包含網(wǎng)格;利用二維二分法將獲 得的所有包含網(wǎng)格劃分為更小的子網(wǎng)格;重復(fù)進(jìn)行判斷及劃分，逐步 逼近 f(x)曲線，直至達(dá)到預(yù)設(shè)迭代次數(shù);=

一種基于(Ti,M)(C,N)固溶體粉的弱芯環(huán)結(jié)構(gòu)新型金屬陶瓷材料,其原料組分及各組分的重量百分?jǐn)?shù)為10～20%的Co或/和Ni粉末,10～35%的第二類碳化物粉末和余量的(Ti,M)(C,N)固溶體粉,所述(Ti,M)(C,N)固溶體粉中M為W、Mo、V、Cr、Ta、Nb中的至少一種,所述第二類碳化物為WC、VxC(0

（專利號：ZL 201510680510.2） 簡介：本發(fā)明公開了一種負(fù)載型Ag?Pd/C3N4納米催化劑催化甲酸脫氫的方法，屬于化學(xué)化工技術(shù)領(lǐng)域。本發(fā)明將制備好的負(fù)載型Ag?Pd/C3N4納米催化劑置于反應(yīng)器中，將反應(yīng)器置于油浴中升至一定溫度，接著將甲酸和甲酸鈉混合液加入反應(yīng)器中進(jìn)行反應(yīng)，生成的氫氣采用排水法收集。所述負(fù)載型Ag?Pd/C3N4納米催化劑采用Ag、Pd按照一定摩爾比配成溶液，將載體C3N4加入上述溶液中，向混合液中添加還原劑，經(jīng)過濾、干燥后制得。與傳統(tǒng)的負(fù)載型催化劑不同的是：根據(jù)本發(fā)明，調(diào)節(jié)催化劑中金屬銀、鈀的含量及C3N4含量就可以制得用于甲酸脫氫制氫氣的高活性、高選擇性負(fù)載型Ag?Pd/C3N4納米催化劑。

采用先進(jìn)的CLOS正交架構(gòu)和RGOS操作系統(tǒng)，高性能，易擴(kuò)展，推薦部署在數(shù)據(jù)中心、城域網(wǎng)、園區(qū)網(wǎng)或數(shù)據(jù)中心與園區(qū)網(wǎng)融合的場景 產(chǎn)品特性： 正交CLOS架構(gòu)，無阻塞轉(zhuǎn)發(fā)，高速傳輸不丟包 全新的全解耦組件化操作系統(tǒng)RGOS，各組件相互獨(dú)立，業(yè)務(wù)持續(xù)不中斷 硬件級多重保護(hù)，電信級高可靠，保持設(shè)備持續(xù)運(yùn)行不掉線 創(chuàng)新的風(fēng)扇串聯(lián)和Y型風(fēng)道設(shè)計(jì)，散熱更高效，系統(tǒng)可靠性更高 支持SDN，應(yīng)用于極簡XS解決方案，實(shí)現(xiàn)園區(qū)網(wǎng)絡(luò)快速部署、自動化輕松運(yùn)維

臨床腫瘤的診斷和分期依賴于影像學(xué)，核醫(yī)學(xué)2-氟-2-脫氧-D-葡萄糖（18F-FDG）正電子發(fā)射計(jì)算機(jī)斷層掃描/計(jì)算機(jī)體層掃描(Positron Emission Computed Tomography / Computed Tomography, PET/CT)技術(shù)在腫瘤的診斷及分期（尋找惡性腫瘤原發(fā)灶及同步探測轉(zhuǎn)移灶），探測未知原發(fā)腫瘤的原發(fā)灶，探測腫瘤復(fù)發(fā)、鑒別腫瘤殘留與治療后瘢痕或壞死組織，監(jiān)測治療，幫助制定放療計(jì)劃等方面較傳統(tǒng)的影像學(xué)方法如：CT、MIR、超聲等均已顯示出獨(dú)特的優(yōu)越性。然而，18F-FDG不具有腫瘤特異性。炎癥、感染性疾病如活動性肺結(jié)核、隱球菌性肉芽腫、肺膿腫、結(jié)節(jié)病等也可出現(xiàn)18F-FDG高攝取，導(dǎo)致假陽性結(jié)果；同時(shí)，許多分化良好的低級別腫瘤，包括大多數(shù)前列腺癌、腎細(xì)胞癌、肝癌、肺類癌、支氣管肺泡細(xì)胞癌、消化道和結(jié)腸粘液性腫瘤、低度惡性淋巴瘤、高分化腺癌等，葡萄糖代謝水平相對較低，更接近正常組織，18F-FDG攝取低或不攝取，可出現(xiàn)假陰性結(jié)果。上述18F-FDG PET/CT腫瘤顯像的假陽性和假陰性結(jié)果無疑會給臨床腫瘤的診斷及鑒別診斷帶來巨大的挑戰(zhàn)。因此，開發(fā)新型非18F-FDG腫瘤靶向顯像診斷藥物勢在必行！ 研究發(fā)現(xiàn)，黃連素——一種從小檗科植物家族中提取的芐基四異喹啉類生物堿，通過選擇性作用于腫瘤細(xì)胞的線粒體，包括抑制線粒體復(fù)合物I和與腺嘌呤核苷酸轉(zhuǎn)運(yùn)蛋白相互作用等，誘導(dǎo)線粒體功能障礙，從而抑制腫瘤細(xì)胞的生長。腫瘤細(xì)胞的線粒體已成為一種優(yōu)良的抗腫瘤治療靶標(biāo)。黃連素似乎可以抑制多種腫瘤細(xì)胞，包括結(jié)腸癌、前列腺癌、膠質(zhì)母細(xì)胞瘤、胃癌、表皮樣癌、肝癌、胰腺癌、乳腺癌、口腔癌、舌癌、白血病和黑色素瘤等多種腫瘤細(xì)胞的生長。利用黃連素對腫瘤細(xì)胞線粒體的高度靶向性特性，用放射性釋放γ射線的放射性核素標(biāo)記黃連素衍生物可完成活體腫瘤的靶向分子顯像；用釋放α離子或β等射線的治療用放射性核素標(biāo)記該黃連素衍生物，利用黃連素衍生物自身的抗癌活性和放射性核素釋放射線的輻射損傷生物學(xué)效應(yīng)，可實(shí)現(xiàn)對腫瘤的化學(xué)-放射雙重治療。 首次成功合成新的黃連素衍生物并完成18F標(biāo)記，形成一種新分子——18F標(biāo)記黃連素衍生物；運(yùn)用PET/CT技術(shù),初步實(shí)現(xiàn)了18F標(biāo)記黃連素衍生物（新分子）的新用途——活體荷VX2瘤兔的腫瘤靶向分子顯像，具有創(chuàng)新性。 查新報(bào)告顯示：國內(nèi)外均無相關(guān)專利及文獻(xiàn)報(bào)道。

本發(fā)明公開了一種基于開槽結(jié)構(gòu)的四分之一模基片集成波導(dǎo)濾波器，包括四分之一模基片集成波導(dǎo)弧形腔，四分之一模基片集成波導(dǎo)弧形腔通過基片集成波導(dǎo)圓形腔沿任意兩條相互垂直的磁壁分割得到，四分之一模基片集成波導(dǎo)弧形腔包括介質(zhì)基片，介質(zhì)基片的上表面設(shè)有上金屬層，介質(zhì)基片的下表面設(shè)有下金屬層，介質(zhì)基片中沿四分之一模基片集成波導(dǎo)弧形腔的周向均勻分布有貫穿上金屬層和下金屬層的金屬通孔。本發(fā)明相對于傳統(tǒng)的基片集成波導(dǎo)圓形腔有效實(shí)現(xiàn)了小型化。并且，相對于傳統(tǒng)的多層結(jié)構(gòu)，本發(fā)明結(jié)構(gòu)簡單，加工方便。此外，相對于傳統(tǒng)的微帶結(jié)構(gòu)，本發(fā)明的濾波器品質(zhì)因數(shù)高，損耗小。

導(dǎo)讀東北電力大學(xué)和長春理工大學(xué)研究團(tuán)隊(duì)開發(fā)并實(shí)現(xiàn)一種結(jié)合腦電圖源成像(ESI)技術(shù)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)的新方法，以對運(yùn)動想象(MI)任務(wù)進(jìn)行分類。ESI技術(shù)采用邊界元法(BEM)和加權(quán)最小范數(shù)估計(jì)(WMNE)分別解決EEG的正向和逆向問題。然后在運(yùn)動皮層中創(chuàng)建十個(gè)scout來選擇感興趣的區(qū)域(ROI)。研究者使用Morlet小波方法從scout的時(shí)間序列中提取特征。最后，使用CNN對MI任務(wù)進(jìn)行分類。實(shí)驗(yàn)結(jié)果:在Physionet數(shù)據(jù)庫上的整體平均準(zhǔn)確率達(dá)到94.5%，分別對左拳頭、右拳頭、雙拳和雙腳的單個(gè)準(zhǔn)確率達(dá)到95.3%、93.3%、93.6%、96%，采用十倍交叉驗(yàn)證進(jìn)行驗(yàn)證。研究人員表示，他們的研究成果與最先進(jìn)的MI分類方法的結(jié)果相比，總體分類增加了14.4%。研究者為驗(yàn)證方法的有效性，加入了4個(gè)新的受試者進(jìn)行驗(yàn)證，發(fā)現(xiàn)總體平均準(zhǔn)確率為92.5%。此外，全局分類器適應(yīng)單一對象，整體平均準(zhǔn)確率提高到94.54%。研究者表示，他們提出的結(jié)合scout ESI和CNN的方法，提高了腦電解碼四類MI任務(wù)的BCI性能。系統(tǒng)框架圖1 系統(tǒng)框架圖系統(tǒng)框架如圖1所示。原始數(shù)據(jù)來自國際10-10系統(tǒng)的64個(gè)電極(不包括Nz、F9、F10、FT9、FT10、A1、A2、TP9、TP10、P9和P10電極)，并以每秒160個(gè)樣本的速度采集。根據(jù)國際10-10系統(tǒng)從64個(gè)通道采集原始腦電圖，并使用BCI2000系統(tǒng)進(jìn)行記錄。記錄的數(shù)據(jù)被分為四個(gè)獨(dú)立MI任務(wù)包括左拳MI,右拳MI,雙拳MI和雙腳MI。首先，由于ERD在執(zhí)行運(yùn)動想象時(shí)在alpha和beta中不同，因此使用FIR濾波器對EEG進(jìn)行了8 Hz至30 Hz的帶通濾波。然后，通過計(jì)算包含正問題和逆問題的源，將傳感器空間的活動轉(zhuǎn)化為源空間的活動。接下來，創(chuàng)建scout并提取特征。研究者在運(yùn)動皮層中創(chuàng)建了10個(gè)scout，因?yàn)槲覀冎魂P(guān)心與運(yùn)動相關(guān)的活動。十個(gè)scout中的每一個(gè)都代表了可用源空間中的一個(gè)感興趣的區(qū)域(ROI)，并且是定義在皮層表面或頭部體積上的偶極子的子集。左腦的scout稱為L1、L2、L3、L4、L5，右腦的scout稱為R1、R2、R3、R4、R5。利用JTFA從10個(gè)scout的源時(shí)間序列中提取特征。最后，利用CNN對時(shí)頻圖進(jìn)行分離并進(jìn)行分類。實(shí)驗(yàn)在實(shí)驗(yàn)中，研究人員僅使用了隨機(jī)選擇的十個(gè)受試者的MI trail (S5，S6，S7，S8，S9，S10，S11，S12，S13，S14)。這里用于分析的數(shù)據(jù)集包含每個(gè)受試者84次試驗(yàn)，每一類包含21次試驗(yàn)。在記錄64通道腦電圖時(shí)，受試者執(zhí)行了不同的運(yùn)動想象任務(wù)。每個(gè)受試者針對以下四個(gè)任務(wù)中的每一個(gè)執(zhí)行了3輪21試驗(yàn)：當(dāng)目標(biāo)出現(xiàn)在屏幕左側(cè)時(shí)，受試者想象打開和合上相應(yīng)的拳頭，直到目標(biāo)消失。然后受試者放松。當(dāng)目標(biāo)出現(xiàn)在屏幕的右側(cè)時(shí)，受試者想象打開和合上相應(yīng)的拳頭，直到目標(biāo)消失。然后受試者放松。當(dāng)目標(biāo)出現(xiàn)在屏幕頂部時(shí)，受試者想象打開和合上雙手的拳頭，直到目標(biāo)消失。然后受試者放松。當(dāng)目標(biāo)出現(xiàn)在屏幕底部時(shí)，目標(biāo)會想象雙腳張開和合攏，直到目標(biāo)消失。然后受試者放松。為了統(tǒng)一數(shù)據(jù)維數(shù)，研究者選擇了4s的數(shù)據(jù)，因?yàn)槊看蜗胂笕蝿?wù)的執(zhí)行時(shí)間都在4s左右。此外，腦電圖任務(wù)是分開的，研究人員在實(shí)驗(yàn)中將左拳，右拳，雙拳和雙腳MI任務(wù)分別稱為T1，T2，T3和T4。圖2 scout命名左右運(yùn)動想象的scout分別命名為L1、L2、L3、L4、L5、R1、R2、R3、R4、R5，如圖2所示。10個(gè)scout每一個(gè)都被擴(kuò)展到40個(gè)頂點(diǎn)，每個(gè)頂點(diǎn)只有一個(gè)源。L1區(qū)域?qū)?yīng)40個(gè)信號，其他scout也一樣。在計(jì)算了來源后，研究者在運(yùn)動皮層中創(chuàng)建了十個(gè)scout，如圖3所示。圖3 創(chuàng)建10個(gè)scout使用ESI計(jì)算十個(gè)受試者(S5、S6、S7、S8、S9、S10、S11、S12、S13、S14)每次試驗(yàn)的四個(gè)任務(wù)(T1、T2、T3、T4)的源。對于這四項(xiàng)任務(wù)中的每一項(xiàng)，每個(gè)受試者每次都要進(jìn)行7次測試(#1，#2，#3，#4，#5，#6，#7)。展示了第一個(gè)步的10個(gè)被試的10個(gè)scout的4項(xiàng)任務(wù)的來源。然后提取10個(gè)scout的時(shí)間序列進(jìn)行進(jìn)一步分析。特征提取在計(jì)算源之后，研究人員在運(yùn)動皮層中創(chuàng)建了包含40個(gè)源的10個(gè)scout，并提取了scout的時(shí)間序列。如圖4所示為提取R5 scout時(shí)間序列作為示例。圖的右邊顯示了R5 scout的時(shí)間序列。本文利用小波變換從scout時(shí)間序列中提取特征。圖4 提取R5 scout時(shí)間序列作為示例在這項(xiàng)研究中，研究者提出利用CNN來解決運(yùn)動想象任務(wù)分類的問題。該模型基于Schirrmeister等提出的Deep ConvNet架構(gòu)，該網(wǎng)絡(luò)模型由一個(gè)六層卷積網(wǎng)絡(luò)組成，其中兩個(gè)最大池層和三個(gè)全連接層，如圖5所示。圖5對于Physionet數(shù)據(jù)庫，研究者首先采用Deep ConvNet架構(gòu)，包括四個(gè)卷積層、四個(gè)最大池層和一個(gè)全連接層。在實(shí)驗(yàn)中，研究者依據(jù)經(jīng)驗(yàn)使用兩個(gè)最大池化層。并嘗試了不同數(shù)量的卷積層和完全連接層。時(shí)頻圖利用Morlet小波方法得到了scout的特征。對于每個(gè)任務(wù)，R5 scout的時(shí)頻圖如圖6所示。包含時(shí)間和頻率互補(bǔ)的時(shí)頻分析方法提供了時(shí)域和頻域的聯(lián)合分布信息，清晰地描述了信號頻率與時(shí)間的關(guān)系。圖6 R5 scout的時(shí)頻圖顯然，只有部分時(shí)頻映射是紅色的，表明每個(gè)任務(wù)只對特定的頻率和時(shí)間敏感。由于圖的數(shù)量比較大，研究者使用CNN來選擇和學(xué)習(xí)這些圖中最基本的特征。研究人員隨機(jī)選擇了幾個(gè)樣本，并將一些特征圖可視化，作為MI任務(wù)的學(xué)習(xí)表示，如圖7所示。圖7為了獲得有效的結(jié)果，將數(shù)據(jù)集分為90％作為訓(xùn)練集，其余10％作為測試集。首先，將十個(gè)受試者的數(shù)據(jù)集（總共19320個(gè)樣本）分為17388個(gè)樣本以訓(xùn)練所提出的CNN模型，以及1932個(gè)樣本以驗(yàn)證模型的有效性。在實(shí)驗(yàn)中，研究者還選擇了另外四個(gè)受試者的數(shù)據(jù)集以增加數(shù)據(jù)集的規(guī)模(27048個(gè)樣本)，其中24343個(gè)樣本是訓(xùn)練集，其他樣本是測試集。在選定的scout上對所提出的CNN架構(gòu)進(jìn)行了十次訓(xùn)練和測試，以驗(yàn)證所提出模型的魯棒性。圖8(a)顯示了10個(gè)scout中每個(gè)的全局平均精度。圖8 統(tǒng)計(jì)結(jié)果R5的全局平均精度最高，達(dá)到94.5%，而L2的全局平均精度最低，為91.3%。對應(yīng)L1、L3、L4、L5、R1、R2、R3、R4的整體準(zhǔn)確率分別為92.4%、92.5%、93.6%、91.9%、93.0%、91.8%、92.1%、92.6%。所有scout的總體精度均在91%以上，標(biāo)準(zhǔn)差均在0.20%以下。圖8(b)顯示了十個(gè)scout中每個(gè)scout四個(gè)MI任務(wù)的組級統(tǒng)計(jì)結(jié)果及其標(biāo)準(zhǔn)差。一般來說，R5表現(xiàn)的要比其他的好，而L2在迭代2000中表現(xiàn)最差。標(biāo)準(zhǔn)差較小，說明這些精度更接近平均值且穩(wěn)定。圖9 統(tǒng)計(jì)結(jié)果圖9(a)顯示了帶有標(biāo)準(zhǔn)差的混淆矩陣，說明了group level分類結(jié)果。T1、T2、T3和T4的全局平均精度峰值分別為95.3%、93.3%、93.6%和96.0%。R5 scout的四個(gè)MI任務(wù)中的每一個(gè)都如圖9(b)所示。通過改變訓(xùn)練集和測試集順序的10次試驗(yàn)，確定了scoutR5的性能，結(jié)果如圖10(a)和(b)所示。在10次試驗(yàn)中，scout R5的T1、T2、T3、T4的平均準(zhǔn)確率分別為93.3%、93.8%、94.2%、94.1%。換句話說，四個(gè)任務(wù)中每一個(gè)的平均準(zhǔn)確率都超過了93%。全局平均準(zhǔn)確率為93.7%。10次試驗(yàn)結(jié)果表明，該方法對scout R5的分類效果較好。從以上結(jié)果可以清楚地看出，R5 scout在四種MI任務(wù)的分類中扮演著最重要的角色。因此，選擇R5對四個(gè)MI任務(wù)進(jìn)行分類。圖 10圖11. (a)是不同模型的全局平均準(zhǔn)確性的比較。可以發(fā)現(xiàn)，該研究提出的模型可以達(dá)到最大的精度。從圖11. (b)不同模型的ROC曲線可以看出提出的模型比其他模型表現(xiàn)更好。?不同模型T1上的精度比較。(d)不同模型T2的精度比較。(e)不同模型T3的精度比較。(f)不同型號T4的精度比較。圖11 不同模型的精度比較結(jié)論東北電力大學(xué)和長春理工大學(xué)研究團(tuán)隊(duì)開發(fā)并實(shí)現(xiàn)一種結(jié)合腦電圖源成像(ESI)技術(shù)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)的新方法。該方法可以對運(yùn)動想象(MI)任務(wù)進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明，他們的研究成果與最先進(jìn)的MI分類方法的結(jié)果相比，總體分類增加了14.4%。研究者加入了4個(gè)新的受試者進(jìn)行驗(yàn)證來驗(yàn)證方法的有效性。研究者表示，他們提出的結(jié)合scout ESI和CNN的方法，提高了腦電解碼四類MI任務(wù)的BCI性能。論文信息：A novel approach of decoding EEG four-class motor imagery tasks via scout ESI and CNN

面向工程機(jī)械機(jī)電液一體化系統(tǒng)的動態(tài)性能匹配方法與分析軟件（以下簡稱為軟件）， 能夠根據(jù)用戶對工程機(jī)械整機(jī)動力配件的選型，自動組成整機(jī)系統(tǒng)模型，并預(yù)測工程機(jī) 械整機(jī)運(yùn)行時(shí)的性能以及各配件的功率輸出和發(fā)熱情況。該軟件可應(yīng)用于工程機(jī)械產(chǎn)品 開發(fā)的各個(gè)階段如參數(shù)選型，性能匹配、故障診斷、實(shí)驗(yàn)輔助等，并已成功應(yīng)用于山推 工程機(jī)械股份有限公司的新產(chǎn)品開發(fā)中。 技術(shù)特點(diǎn)： (1) 機(jī)電液熱融合建模，理論定位高級。軟件以預(yù)制的機(jī)電液零部件模塊模型為基 礎(chǔ)，可快速地、精細(xì)化地實(shí)現(xiàn)極端工況條件下機(jī)電液融合模型。 (2) 一體化的系統(tǒng)分析，問題覆蓋面廣。軟件綜合多種軟件資源，對特定工程機(jī)械 機(jī)型的核心動力系統(tǒng)，可實(shí)現(xiàn)任意節(jié)點(diǎn)輸出的、圖解化的、基于機(jī)械系統(tǒng)實(shí)驗(yàn)結(jié) 果的系統(tǒng)分析。 (3) 機(jī)型軟件快速開發(fā)，面向用戶需求。軟件可針對牽引底盤和非牽引底盤，快速 開發(fā)出面向特定工程機(jī)械機(jī)型的機(jī)電液一體化性能分析軟件。 (4) 功能契合實(shí)際需要，適用范圍廣泛。適用于工程機(jī)械各個(gè)技術(shù)階段的參數(shù)選型、 性能匹配、故障診斷、以及實(shí)驗(yàn)輔助。

本發(fā)明提供了N 乙酰葡萄糖胺在制備用于誘導(dǎo)非小細(xì)胞肺癌細(xì)胞凋亡的制劑中的用途，本發(fā)明從動物水平、細(xì)胞水平和分子水平的實(shí)驗(yàn)明確了N 乙酰葡萄糖胺能夠與腫瘤壞死因子相關(guān)凋亡誘導(dǎo)配體協(xié)同作用，從而增強(qiáng)TRAIL對非小細(xì)胞肺癌的抑瘤作用，本發(fā)明從分子水平揭示二者協(xié)同作用后死亡受體的活性及蛋白量改變，闡釋了N 乙酰葡萄糖胺促進(jìn)TRAIL誘導(dǎo)非小細(xì)胞肺癌凋亡的作用機(jī)制。本發(fā)明首次將N 乙酰葡萄糖胺與腫瘤壞死因子相關(guān)凋亡誘導(dǎo)配體協(xié)同作用應(yīng)用于抗非小細(xì)胞肺癌的研究中，這對于提高腫瘤細(xì)胞對TRAIL的敏感性，擴(kuò)大其應(yīng)用范圍意義重大。