基于混合Taguchi-GA算法的MIMO-OFDM信号检测

为了避免传统MIMO-OFDM信号检测方法具有的计算量过大而导致的算法复杂度高的问题,设计了一种基于混合Taguchi方法和GA算法的MIMO-OFDM信号检测方法,首先建立了MIMO-OFDM信号检测的模型,然后依据信号检测模型建立目标函数,将目标函数作为混合Taguchi-GA算法的适应度函数,通过个体在信号检测问题的解空间中进行不断地选择、交叉和变异等操作来求解全局最优解,为了进一步增加算法的全局寻优能力,通过Taguchi方法进一步在交叉和变异之间产生新个体;最后,定义和描述了基于混合Taguchi和GA算法的MIMO-OFDM信号检测算法,仿真实验表明,文中方法能有效进行信号检测,与其他方法相比,在BPSK调制和16QAM调制情况下,均具有较小的BER均方误差。     

秦山第二核电厂1#与2#环吊控制系统改造

秦山第二核电厂1#与2#环吊自机组投运以来,已经使用了近10年.电控设备老化严重,并且由于部分设备型号陈旧,生产厂家已经不再生产,备品备件采购不到.导致设备的故障率逐年升高,检修时间逐年增加.通过对环吊控制系统进行升级改造,环吊的故障率明显降低.环吊控制系统改造的顺利实施对秦山第二核电厂其他系统的改造有一定的指导意义,所获得的经验也可供其它核电厂参考.     

基于双编码路径融合和双向ConvLSTM的神经元图像分割

目标分割是神经元图像分析中必不可少的步骤之一，分割的准确性会直接影响到神经元图像分析和重建的质量。在面对结构边界模糊、存在弱噪声或弱纤维信号的神经元图像时，已有的分割方法依然存在误差较大、识别信号不准等问题。为了解决这些问题，基于神经元的特征，本文提出一种基于双编码路径融合和双向ConvLSTM的深度学习网络(DFC-Net)用于神经元图像分割。首先，网络在编码器阶段采用双编码路径提取特征，其中第一路编码路径采用基于空洞卷积的密集连接网络作为固定特征提取器，第二路编码器采用深度残差网络作为特征提取网络；接着，使用密集连接ASPP网络作为桥梁连接编码器和解码器；最后，在跳跃连接中使用双向ConvLSTM结合编码器和解码器，在解码器阶段引入融合网络以融合2个编码器提取的特征，从而增强空间信息的传播。多组对比实验结果显示，本文提出的网络有效地提高了电子显微镜神经元图像的分割精度，在ISBI-2012和SNEMI3D数据集上的Sen、Dice分别达到0.952 7、0.958 9和0.941 6、0.912 7,平均准确率相比于其他U-Net变体网络提高2.93%。     

秋茄叶缩合单宁对蘑菇酪氨酸酶的抑制机理

研究了红树植物秋茄叶缩合单宁对蘑菇酪氨酸酶单酚酶活力和二酚酶活力的影响和抑制动力学.结果表明秋茄叶缩合单宁不仅可以降低蘑菇酪氨酸酶单酚酶酶促反应的稳定态活力,也可以延长反应的迟滞时间,并具有浓度依赖关系,随着抑制剂浓度增大,稳定态活力下降,迟滞时间延长.当抑制剂质量浓度达33.00μg/mL时,稳定态活力从100%下降到74%,迟滞时间从32.7s增加到72.9s;秋茄叶缩合单宁对二酚酶的抑制也显示浓度效应,抑制效果显著,引起酶活力下降50%的抑制剂质量浓度(IC50)为30.00μg/mL,其对二酚酶的抑制显示可逆的效应,抑制类型为混合型,对游离酶的抑制常数(KI)为25.05μg/mL和对酶-底物络合物的抑制常数(KIS)为46.69μg/mL.本研究揭示了植物秋茄叶缩合单宁作为一种新型酪氨酸酶抑制剂的可能性.     

基于拉普拉斯分值和超球支持向量机的轴承故障诊断方法设计

针对轴承振动信号中的故障信息往往很微弱,同时振动样本数据分布不平衡即故障样本占总样本数的比例低,从而导致故障诊断模型训练不精确而影响诊断精度的问题,提出了一种基于拉普拉斯分值和超球大间隔支持向量机的故障诊断方法。首先,采用有标签的训练样本数据和拉普拉斯分值法提取原始振动信号中的微弱故障信息,并降低其数据维数,从而得到用于故障诊断的特征向量,然后设计了一种改进的超球大间隔支持向量机的故障诊断模型,通过最小化超球体积和最大化超球边界和故障样本之间的间隔来实现故障诊断,以解决样本的不均衡问题,最终通过将测试样本数据代入决策方程并通过投票机制确定其故障类别。在Matlab环境下对轴承故障诊断进行实验,实验结果证明了文中方法能有效解决样本的不均衡情况下的故障诊断,且相对其它方法,具有诊断精度高和收敛速度快的优点。