摘要：目的为提高葡萄多酚的稳定性和强化缓释效果,采用玉米多孔淀粉为芯材载体复合凝聚法制备葡萄多酚微胶囊。方法以包埋率为主要指标,通过单因素试验和正交试验考察了各因素对葡萄多酚微胶囊化的影响,并对其制备工艺进行优化。结果优选的最佳工艺为25 mg/m L葡萄多酚溶液10 m L,玉米多孔淀粉用量1.5 g,在质量浓度0.03 g/m L海藻酸钠溶液30 m L、0.01 g/m L壳聚糖溶液50 m L、0.05 g/m L氯化钙溶液50 m L、p H 3.5时制得的微胶囊外观较优,粒径分布主要在600~850μm,葡萄多酚包埋率为83.2%,微胶囊产品在模拟胃液和肠液环境中具有很好的释放特性。结论以玉米多孔淀粉为芯材载体,海藻酸钠-壳聚糖为壁材制备的葡萄多酚微胶囊产品的形态及包埋率要优于单纯的海藻酸钠-壳聚糖微胶囊。用红外光谱和扫描电镜对葡萄多酚缓释微胶囊结构进行表征,均证实包埋物制备成功。

摘要：时间序列数据在工业制造、气象、船舶、电力、车辆、金融等领域都有着广泛的应用,促进了时间序列数据库管理系统的蓬勃发展.面对愈加庞大的数据规模和多样的数据模态,高效的数据存储和管理方式十分关键,而数据的编码压缩愈发成为一个具有重要意义和价值的问题.现有的编码方法和相关系统未能充分考虑不同模态的数据特点,或者未把一些时序数据的处理方法应用于数据编码问题中.全面阐述了ApacheIoTDB时序数据库系统中的多模态数据编码压缩方法及其系统实现,特别是面向工业物联网等应用场景.该编码方法较为全面地考虑包括时间戳数据、数值数据、布尔值数据、频域数据、文本数据等多个不同模态的数据,充分挖掘和利用各自模态数据的特点,特别是包括时间戳模态中时间戳序列间隔近似的特点等,进行有针对性的编码方案设计.同时,将实际应用场景中可能出现的数据质量问题因素纳入编码算法的考量中.在多个数据集上的编码算法层面和系统层面的实验评估和分析,验证了该编码压缩方法及其系统实现的效果.

摘要：目的 脑胶质瘤及其子区域的全自动分割是计算机辅助肿瘤临床诊断的基础,卷积神经网络在脑部磁共振成像(magnetic resonance imaging, MRI)分割过程中,小卷积核只能提取局部特征而无法有效融合全局特征,缩小了对影像信息的感知范围,从而导致分割精度不足的问题。本研究旨在利用膨胀卷积,针对三维(three-dimensional, 3D)-UNet不能充分提取全局特征的问题进行改进。方法 (1)算法构建:本文提出一种带有三条全局上下文特征提取通路的3D-UNet模型,即3DGE-UNet模型。使用脑部肿瘤分割挑战赛(Brain Tumor Segmentation Challenge, BraTS)2019提供的公开数据集(335例患者),设计一种全局上下文特征提取(more global contextual feature extraction, GE)模块,并将该模块引入到3DUNet网络的第一、二、三条跳跃连接处,利用该模块充分提取图像的不同尺度全局特征,并与上采样得到的特征图叠加,扩大模型感受野,实现不同尺度特征的深层融合,从而完成端到端的脑肿瘤全自动分割。(2)算法验证:图像数据来源于BraTs2019数据集(335例患者术前MRI图像,包括T1、T1ce、T2和FLAIR四种模态图像和一张医生标注的肿瘤标签图像),将数据集分别按照8∶1∶1划分为训练集、验证集和测试集。以医生标注的肿瘤标签图像为金标准,使用Dice系数(综合评价有效性)、敏感度(病灶区域的查全率)和95%Hausdorff距离(肿瘤边界的分割精度)在测试集中评估算法对完整肿瘤区域(whole tumor, WT)、核心肿瘤区域(tumor core, TC)和增强肿瘤区域(enhancing tumor, ET)三种区域的分割性能,分别使用无GE模块的3D-UNet模型和有GE模块的3DGE-UNet模型进行检测,内部验证GE模块设置的有效性。使用3DGEUNet模型、ResUNet、UNet++、nnUNet、UNETR检测上述性能指标,并比较5种算法模型的收敛性,外部验证3DGEUNet模型的有效性。结果 (1)在内部验证中,改进的3DGE-UNet模型在测试集中分割WT、TC和ET区域的Dice均值分别为91.47%、87.14%和83.35%,与传统的3D-UNet模型相比(89.79%、85.13%和80.90%),综合评价达到了最优值,对于三个区域的分割精度都有提升(P<0.05)。3DGE-UNet模型与3D-UNet模型相比,ET区(86.46%vs. 80.77%)具有更高的敏感度(P<0.05),在查全率方面表现更为优越,在面对病灶区域时,3DGE-UNet模型更倾向于正确识别并捕获更全面的阳性区域,更为有效地避免漏诊发生。3DGE-UNet模型在肿瘤WT区域边缘分割的出色性能,其95%Hausdorff距离均值优于3DUNet模型(8.17 mm vs. 13.61 mm,P<0.05),但在TC区(8.73 mm vs. 7.47 mm)和ET区(6.21 mm vs. 5.45 mm)的性能表现与3DUNet模型相似。(2)在外部验证中,其余4种算法仅TC的Dice均值(87.25%)、WT的敏感度均值(94.59%)、TC的敏感度均值(86.98%)和ET的平均95%Hausdorff距离(5.37 mm)优于3DGE-UNet模型,但差异无统计学意义。3DGE-UNet模型可以在训练阶段快速收敛,速度优于其他外部模型。结论 3DGE-UNet模型可以有效地提取和融合不同尺度的特征信息,提高脑肿瘤分割的准确性。

摘要：推进器转子的激励力会通过轴系及艇体产生辐射噪声。阻尼减振是系统振动控制与优化中的一种重要手段,其本质是消耗振源传递的能量,进而降低结构振动响应。搭建轴系试验台架,以轴系振动加速度总值级为评价指标,分析加装颗粒阻尼吸振器和换装具有黏弹特性的高锰基合金材料基座的减振效果。试验结果表明这两种基于阻尼的减振方案对推进轴系均有一定的减振效果,可为推进器振动噪声控制提供技术支撑。

摘要：为实现十二烷基硫酸钠(Sodium Dodecyl Sulfate,SDS)沉淀值读取的自动化、智能化,在SDS沉淀值自动化测定摇床上,设计一种图像自动识别沉淀值系统。通过对3种图像处理方法的可行性分析后,选定一种基于标签比对的图像识别方法。该方法包含图像前处理和体积值转换两大模块,主要步骤包括RGB转换成HSV、多通道二值化、提取标签和沉淀值前景,找标签和沉淀值轮廓等。该方法可以同时处理多个试管,并给出每个试管的体积。试验结果表明,平均识别准确率为98.945%。因图像处理光源固定,相对于人工读取示值,不仅提高试验效率,也降低每次读取示值时,因视线不同而造成的主观人为干扰,有效提高准确性,实现沉淀值读取的自动化与智能化。

摘要：蛇优化算法(SO)是一种受自然界中蛇生存行为启发产生的元启发式优化算法。原始蛇优化算法存在收敛速度慢、易陷入局部最优的问题,因此提出了一种结合精英初始化和K近邻的改进蛇优化算法(elite initia-lization and K-nearest neighbors improved snake optimizer,EKISO)。首先,为了提高初始种群质量,在种群初始化阶段提出精英初始化的方法,根据种群精英个体产生优质初始种群个体;其次,通过振荡因子优化螺旋觅食策略扩大全局勘探阶段的搜索范围、提高算法的局部逃逸能力;最后,在局部开发阶段提出K近邻思想的位置更新方法,增强种群个体之间的信息交互能力,从而加快收敛速度、提高收敛精度。利用14个经典测试函数和4个CEC2017测试函数将该方法与其他7种优化算法进行对比,证明EKISO收敛速度更快、精度更高且不易陷入局部最优。为了进一步验证EKISO的实用性与可行性,将EKISO应用于压力容器设计问题中,通过实验对比分析可知,EKISO在处理实际优化问题上具有一定的优越性。

摘要：为提升飞机装配工艺装备产品的工业设计效率,塑造飞机装配工艺装备产品在行业中的品牌效应,提升产品市场竞争力。引入产品族设计理念,提出一种基于产品基因与感性意象的飞机装配工艺装备设计方法。首先,收集国内外典型工艺装备进行特征提取,然后将特征基因与感性意象关联建立飞机装配工艺装备的产品基因库,再基于数量化理论I构建产品基因与感性意象的数学模型,最后以侧壁长桁翻转工艺装备设计为例进行验证。基于产品基因库生成的侧壁长桁翻转工艺装备概念设计方案符合设计预期。该方法通过利用数学模型与产品基因库有利于工艺装备概念设计方案的形成,有助于企业将来推进产品族设计。

摘要：针对水下光通信提出了深度学习辅助的信号检测方法,设计并搭建了室内水下光通信实验平台,测试了所构建的三种水箱信道(水流、浑浊水流1、浑浊水流2)的数学模型,对所提方法进行了仿真测试,采集实验数据集对比研究了三种信道下所提方法与自适应阈值法的性能。针对不同水下信道、5 Mbps通信传输,三种信道下所提方法误比特率相比自适应阈值法最高分别降低了2个数量级、1个数量级、1个数量级。针对浑浊水流信道1、不同通信速率(5 Mbps、10 Mbps、25 Mbps)通信传输,三种速率下所提方法误比特率均降低了1个数量级。相比自适应阈值法,所提方法在复杂信道下水下无线光通信提高性能方面具有一定作用,可为高速可靠水下无线光通信系统设计提供一定参考。

摘要：通过对矿震信息上报系统业务流程的梳理,编制出非天然地震信息记录表,利用计算机编程语言及数据库搭建等专业技术知识,设计出简单易操作的软件界面,实现了震中距计算、报告自动填写、存储等功能,简化了信息上报操作流程,提高了应急值班值守的工作效率。

摘要：随着传感器在工业设备上的广泛部署,数据驱动的设备状态预测与健康管理技术逐渐成为工业界和学术界研究的热点。该文针对其中的设备剩余使用寿命预测问题展开研究。利用深度神经网络建立设备剩余使用寿命预测模型的关键步骤,并基于C-MAPSS公开数据集,评价前馈神经网络、卷积神经网络、长短期记忆网络三种典型深度神经网络用于剩余使用寿命预测的性能,实验结果显示考虑时序特征的长短期记忆网络具有显著的性能优势,最后对该方向的发展趋势展开讨论。