摘要：为实现对脑卒中疾病的高效分类预测,提出一种基于多维融合脑电特征的脑卒中分类预测方法。提出基于优化经验模态分解的多重分形去趋势波动分析算法,采用Pearson相关系数优化经验模态分解实现对脑电信号趋势项的选取,以解决多重分形去趋势波动分析中趋势项确定难、不连续等问题。基于分层模糊熵提出不对称熵特征和不对称熵指数,分析两类脑卒中脑电信号整体和局部熵值的差异性。对多维融合脑电特征进行脑卒中分类预测,结果表明,提出的多维融合脑电特征分类预测性能优异,准确率达到94.90%,特异性达到99.89%,表现出较强的脑卒中分类预测性能。

摘要：脑卒中患者意识障碍的检查和检测耗时耗力且非连续,采集脑卒中患者的脑电信号,以研究有意识障碍与无意识障碍的脑卒中患者的自动分类。对脑卒中患者的脑电图提取多达9种定量脑电特征,构建脑网络,将这些脑网络的连通性特征输入到分类器中,实现对脑卒中患者是否有意识障碍的分类。为解决非平衡数据集分类时严重偏向多数类的问题,设计集成支持向量机分类器。实验结果显示基于现有分类器的脑卒中意识障碍的分类正确率在70%左右,敏感度在40%以下;而基于集成支持向量机分类器的分类准确性可达96.79%,同时敏感度和特异性分别为95.45%和100%。实验结果表明集成支持向量机分类器对非平衡数据集的脑电分类准确率显著提升,并促进脑卒中患者意识障碍的自动识别。

摘要：为分析临床脑卒中经颅多普勒超声(TCD)数据的实例相关代价敏感特性,提出一种基于实例代价的旋转森林算法。针对TCD数据构造多维组合特征;根据年龄设计适用于脑卒中的实例相关代价矩阵;构建实例相关代价敏感组合旋转森林分类模型(ECS_CROF),利用主成分分析、线性判别分析得到两个新的映射数据,组合原始数据分别训练基分类器得到3个独立的子分类器。将提出的ECS_CROF模型用于TCD非平衡数据的分类。实验结果表明,与已有的方法相比,ECS_CROF的成本节约量有一定提升,可以辅助医生更有效地做出诊断。

摘要：为提高模糊支持向量机在非平衡数据下的性能,提出基于信息熵的改进模糊支持向量机。综合考虑输入样本的不确定性和输入样本到类中心的距离,构造基于信息熵和基于类中心的模糊隶属度函数,将二者融合成一种新的模糊隶属度函数;为更有效地对非平衡数据集进行分类,将非平衡调节因子加入到模糊支持向量机模型中。实验数据集来自两部分,分别为非平衡公共数据集和脑卒中TCD数据集,基于公共数据集的实验结果表明,该方法能够有效提升分类性能,其中Se最高提升了71.43%,基于脑卒中TCD数据集实验结果表明,对正常人与斑块患者构成的非平衡数据集来说,在非平衡率为12.8时,较已有FSVM-CIL方法,本文方法可使其Gm提升4.94%。

摘要：从价值与理想课程的关系入手，阐发了理想课程的结构和功能及价值的目标作用，提出课程设计者的价值观是现实课程转化为理想课程的中介，并探讨了达到最优化价值的条件。

摘要：当前,西门子PLC已在风洞控制系统中得到了广泛应用,但新一代的PLC S7-1500与S7-1200并没有很多应用案例。S7-1500 PLC作为西门子新的旗舰产品,性能卓越;S7-1200PLC单机可对4轴进行高速脉冲控制。S7-1500与S7-1200之间通过PROFINET通信,实时性更好,抗干扰性更强。同时,风洞控制系统还采用了西门子的G150变频器和V90伺服系统,使得整个控制系统更加统一。该文通过介绍一个新的风洞控制系统设计方案,介绍了S7-1500与S7-1200以及V90的实际应用,为以后的风洞控制系统设计以及S7-1500与S7-1200的实际应用提供参考。