摘要：针对阿尔茨海默病(Alzheimer’s disease,AD)这种神经退行性疾病早期阶段难以被及时发现,无法进行诊断与干预的问题,提出基于注意力密集连接网络的早期AD脑形态学特征提取与分类方法。采用密集连接网络为主干架构、多视角三维图像信息作为网络输入的设计策略,引入注意力机制使得网络能够捕获对AD分类具有重要贡献的脑区。实验结果表明,提出算法对认知正常(cognitively normal,CN)与轻度认知障碍(mild cognitive impairment,MCI)、MCI与AD、CN与AD的分类正确率依次达到了98.37%、97.63%、98.60%,在AD分类领域处于较高水平。此外,通过对注意力机制得到的注意力图进行分析,可发现AD患者脑形态学演变轨迹,由CN转化为MCI涉及皮层下结构的脑形态学异常改变,再转化为AD则进一步涉及皮层结构的脑形态学异常改变。

摘要：为解决无信号十字路口右转车辆与同侧过街行人的交互冲突问题,提出一种模拟过街行为的行人过街运动模型,设计了车辆横纵向解耦避障路径规划算法,并进行了仿真实验。使车辆面向动、静态行人时能合理切换避障路径规划策略;同时,将过街运动模型驱动下的行人作为车辆避障对象,以过街模型输出的行人未来轨迹生成车辆纵向速度规划障碍位移—时间区域,从而让行人未来运动状态反馈到车辆避障中。结果表明:本文的行人过街运动模型相对观测值的准确率达到了90%,因此,该模型复现了行人过街过程;能根据行人运动状态切换避障方案,使车辆安全避让过街行人。

摘要：为提高自动驾驶汽车对周围目标物的检测精度,提出了一种激光雷达和单目图像数据在鸟瞰图特征上融合的目标物检测算法(monocular-bird’s eye view fusion,Mono-BEVFusion)。为构建相机BEV特征,搭建了简单高效的深度预测网络预测相机特征的深度,基于显式监督的方法用深度真值对其进行监督。构建激光雷达BEV特征时,将激光点云体素化为柱状网格转化到BEV特征下,设计BEV特征融合网络将激光点云BEV特征和相机BEV特征融合,将融合特征输入到目标检测框架得到目标物(汽车、行人和骑行人)检测结果。利用KITTI数据集和实车路采数据对Mono-BEVFusion融合算法进行评估,实验结果表明该算法相较于现有融合算法综合平均精度提升了2.90个百分点,其中汽车类和行人类单项检测精度分别提升3.38个百分点和4.13个百分点。Mono-BEVFusion融合算法对遮挡目标或者距离较远的目标有较稳定的检测效果,能够有效避免单传感器的漏检现象,具有较好的实际应用价值。

摘要：通过计算机辅助药物设计策略及固相合成法设计并筛选具有全新结构的αvβ6多肽配体,并用酶联免疫吸附法(ELISA)测定多肽配体与αvβ6的结合亲和力,建立αvβ6多肽配体的筛选方案.首先用Sybyl-X 1.3对αvβ6多肽配体及天然配体进行分子对接;其次用Amber 16对分子对接结果进行分子动力学模拟,确定多肽配体与αvβ6蛋白之间的结合模式,并以RGDLXXL(X为任意氨基酸)为多肽配体核心结构,通过逐步延伸氨基酸构建虚拟肽库,筛选获得长度为7~10个氨基酸的多肽配体,进一步通过相似氨基酸替换的方法设计筛选不同于RGDLXXL核心的新的多肽配体;最后用固相合成法合成新设计的多肽配体,利用间接ELISA法测定多肽配体-αvβ6的结合亲和力.已有多肽配体和天然配体的分子对接以及分子动力学模拟结果表明,αvβ6与配体的结合主要通过Asp218和多肽配体之间形成氢键,以及Mg2+和多肽配体形成金属螯合作用完成.结合虚拟组合筛选与相似氨基酸替换,发现GRTDLGTLLFR,GRRTDLATIHG,RTDVGRVRGRG和RGDVGRVGR等多肽均满足该结合模式,RTDVGRVRGRG与αvβ6的亲和力为10.76μmol/L.可见RTDVGRVRGRG与αvβ6亲和力良好,是一条全新的αvβ6多肽配体.

摘要：基于煤质分析、冶金、水质检测等众多领域对激光诱导击穿光谱技术(LIBS)的需求,本研究设计了一台基于激光诱导击穿光谱原理的紧凑型快速检测装置,其具有良好的稳定性和较高的激光能量(0~100 mJ),可进行全自动化谱线对比与筛选,从而实现多样品、多元素的LIBS快速检测。在参数优化的基础上,利用该装置对7个钢样所含的硅元素与碳元素进行了检测分析。实验结果表明,当延迟时间为1μs、离焦量为0 mm、激光能量为60 mJ时,可以获得最佳的硅、碳特征光谱数据。在最优实验条件下,对7个样品进行定量分析,利用内标法建立硅、碳元素的定标拟合曲线,其相关系数分别为0.986和0.999,相对强度比的相对标准误差不超过5%,预测值与实际值偏差较小。研究结果验证了该仪器具有良好的分析性能,对多元素检测、可移动式LIBS仪器的发展具有参考意义。

摘要：提出了一种针对病理切片图像的端到端语义分割方法--边缘感知网络(BPNet),以提高病理图像分割精度。BPNet网络首先在解码器阶段增加边缘感知模块,改善网络对于病理图像边缘的特征信息提取能力。然后,采用自适应通道注意力模块弥补不同层次特征间的语义差距,进一步加强网络的特征聚合能力。在此基础上,设计了一种基于结构和边缘的联合损失函数,以实现最佳的病理图像分割结果。在GlaS和MoNuSeg两个公开病理数据集上的分割实验结果表明,所提方法的Dice系数得分在两个数据集上分别达到92.21%和81.18%,有效提升了病理图像的分割精度。

摘要：为了满足智能汽车封闭场地测试的需求,开发了一种智能车场地测试用软目标车,能够有效地提高场地测试的安全性和效率。在封闭场地功能场景的测试中,软目标车应能够按照预设的GPS轨迹高精度行驶。为了提高目标车的路径跟踪精度,设计了基于偏差的比例、积分、微分和Stanley控制算法的横纵向控制器,基于遗传算法得到Stanley控制算法参数的最优知识库,利用模糊控制算法实现Stanley控制算法参数的自适应调节,基于Carsim和Matlab/Simulink联合建立了软目标车仿真模型,最后在封闭场地中进行实车验证。结果表明:提出的控制方法能够满足智能汽车封闭场地测试要求。

摘要：黄连是一种常见的名贵中药材,为了研制黄连收获机械,实现黄连生产过程的机械化,分析黄连拔取过程的力学特征规律必不可少.通过黄连拔取过程的受力分析,自主设计黄连原位机械拔取测试装置,对收获期黄连进行拔取力学试验,统计试验数据并进行对比分析,预测拔取速度、拔取方向、坡度及根土复合体表面积与黄连拔取力之间的关系.结果表明:黄连拔取力主要分布在10~50 N之间,平均拔取力为27.38 N,整体呈现正态分布.黄连的拔取力随拔出时根土复合体表面积增大而增大,二者满足二次多项式函数关系,决定系数为0.76,拔取力随着拔取速度的增大而增大,但较快的速度会导致黄连根茎或茎秆的断裂,因此在保证黄连样品完好的前提下,以20 mm/s的速度拔取效果最佳.黄连多种植在坡地上,相较于铅直方向,垂直于地面方向拔取力平均降低了15.5%;拔取力随着种植坡度的增大而增大,且坡度增加,拔取力的增长幅度也随之增加.研究结果可为黄连生产机械化装备研发提供基础理论依据.

摘要：设计了一种中心对称的分裂环形状超表面结构,该结构具有偏振不敏感和高品质因子的特性。通过理论和实验研究,深入分析了其谐振点的频谱特性,并确定了谐振峰的模式,包括LC、偶极和高阶谐振等。其中,几种高阶谐振模式表现出较高的高品质因数Q(约230),并且对超表面衬底材料的介电常数变化高度敏感。此外,还研究了具有不对称超表面结构的电磁性质,发现通过分别增加超表面结构沿水平轴(x轴)和垂直轴(y轴)的不对称性,可以产生和增强0.332THz和0.210THz的谐振。

摘要：为了提取高光谱图像中的深度鉴别特征,往往需要大量标记样本,但是高光谱图像样本标定困难,基于高光谱图像的“图谱合一”特性提出一种基于深度-流形学习的半监督双流网络。该网络用卷积网络和神经网络分别提取少量标记样本以及大量无标记样本中的空-谱联合特征,然后分别构建基于监督图和非监督图的流形重构图模型,以挖掘其中的本征流形结构。在此基础上设计了基于均方误差和流形学习的联合损失函数,以协同度量流形边界和空-谱概率残差,实现双流网络的一体化反馈和优化,进而实现地物分类。在WHU-Hi龙口和黑河高光谱数据集上实验的总体分类精度分别达到97.53%和96.79%,有效提升了地物分类能力。