GDM患者产后出血危险因素分析及预防

目的:分析妊娠期糖尿病(GDM)患者产后出血(PPH)发生PPH的危险因素,提出对策建议.方法:整群抽样法抽取2021年1月-2023年2月本地区3所医院接收的2984例GDM患者临床资料,根据患者产后24h出血量分为PPH组与非PPH组.收集患者临床资料,采用logistic回归分析模型筛选导致GDM患者PPH的危险因素.结果:2984例GDM患者中539例发生PPH,PPH发生率18.1%.PPH组年龄≥35岁、孕前体质指数(BMI)≥24kg/m^(2)、有刮宫史、有剖宫产史、孕次≥2次、经产、合并妇科炎症、空腹血糖(FBG)≥7mmol/L、胎膜早破、胎盘早剥、胎盘前置、胎盘残留、羊水过多、产程延长、糖化血红蛋白(HbA1c)≥6.5%患者占比均高于非PPH组;多因素logistic回归分析表明,年龄≥35岁、孕前BMI≥24kg/m^(2)、刮宫史、剖宫产史、经产、合并妇科炎症、胎盘早剥、胎盘残留、羊水过多、HbA1c≥6.5%均是导致GDM患者并发PPH的危险因素(均P<0.05).结论:建议临床对年龄≥35岁、孕前BMI≥24kg/m^(2)、有刮宫史、剖宫产史、经产、合并妇科炎症、胎盘早剥、羊水过多GDM患者的加强关注,及时、彻底清除胎盘残留.也提示孕妇控制饮食以控制胎儿体重,降低PPH发生率.

多传感器非线性系统序贯观测融合二阶扩展卡尔曼滤波器

对多传感器非线性系统提出了一种序贯观测融合二阶扩展卡尔曼滤波(Second-order Extended Kalman Filter,SOEKF)算法。该算法的中心思想是根据传感器观测数据到达融合中心的先后次序依次进行处理。研究表明,提出的序贯观测融合SOEKF算法比集中式观测融合EKF算法具有更高的精度;与集中式观测融合SOEKF算法精度相当,且具有更低的计算复杂度。目标跟踪系统的仿真验证了算法的有效性。

带时间相关乘性噪声多传感器系统的分布式融合估计

研究带时间相关乘性噪声多传感器系统的分布式融合估计问题,其中时间相关的乘性噪声满足一阶高斯-马尔科夫过程.通过引入虚拟状态和虚拟过程噪声,构建了虚拟状态的递推方程.首先,基于新息分析方法,分别对系统状态和虚拟状态设计局部一步预报器.然后,基于一步预报器设计状态的局部线性滤波器、多步预报器和平滑器.推导了任意两个局部状态估计误差之间的互协方差矩阵.接着,基于线性最小方差意义下的矩阵加权、对角矩阵加权和标量加权融合算法,给出相应的分布式融合状态估值器.最后,分析算法的稳定性.仿真研究验证了该算法的有效性.

多传感器非线性系统的序贯观测融合扩展卡尔曼滤波器

针对多传感器非线性系统,提出了一种序贯观测融合扩展卡尔曼滤波器(EKF)算法,其主要思想是根据传感器观测数据到达滤波器的先后次序依次进行融合处理。研究表明,提出的序贯观测融合EKF算法与传统的最优集中式观测融合EKF算法估计精度相当,且具有更低的计算复杂度,目标跟踪系统的仿真验证了所提算法的有效性。

多传感器时滞系统信息融合最优Kalman滤波器

基于线性最小方差最优加权融合估计算法,对多传感器的离散线性状态时滞随机系统.给出了一种非增广分布式加权融合最优Kalman柚滤波器.推导了状态时滞系统任两个传感器子系统之间的滤波误差互协方差阵的计算公式.它与状态增广加权融合滤波器具有相同的精度.与每个传感器的局部滤波器相比,分布式融合滤波器具有更高的精度.与状态和观测增广最优滤波器相比,具有较小的精度,但避免了增广所带来的高维计算和大的空间存储。可减小计算负担.仿真例子验证了其有效性.

两传感器最优信息融合Kalman滤波器及其在跟踪系统中的应用

针对两传感器信息融合 ,提出了一种在标量加权下的最优信息融合 Kalm an滤波器。该信息融合滤波器考虑了局部滤波误差的相关性 ,避免了局部滤波误差方差阵的逆矩阵的计算 ,也避免了加权矩阵的计算 ,只要求计算加权系数 ,便于实时应用。一个跟踪系统的仿真例子验证了其有效性。

多传感器线性最小方差最优信息融合估计准则

用Lagrange乘数法和矩阵微分运算 ,分别提出了按矩阵加权、按标量加权和各分量按标量加权的三种线性最小方差信息融合估计准则 ,其中考虑了估计误差之间的相关性 ,推广和发展了现有文献的结果。文中比较了三种融合估计的精度和计算负担 。

具有一步随机滞后和多丢包的网络系统的最优线性估计

研究了具有随机时滞和丢包的网络系统的最优线性估计问题.本文通过两个满足Bernoulli分布的随机变量来描述网络数据传输中可能存在的一步随机滞后和多丢包现象.并基于新息分析方法,提出了线性最小方差下的最优线性状态滤波器、预报器和平滑器.它们通过解一个Riccati方程和一个Lyapunov方程得到.最后,给出了稳态估值器存在的一个充分条件.并通过仿真例子验证其有效性.

带有色观测噪声多传感器多重时滞系统分布式融合滤波器

基于新息分析方法,对带有色观测噪声的多重时滞系统,提出了一种带自噪声估值器的非增广的最优滤波器.它等价于一个带相关白噪声多重时滞系统的一步预报器.当系统带有多个传感器时,推导了多重时滞系统的任意两个传感器子系统之间的估计误差互协方差阵.基于线性最小方差最优加权融合估计算法,给出了分布式加权融合最优滤波器.分布式融合估计比基于每个传感器的局部估计具有更高的精度.比增广的集中式最优滤波器具有更好的可靠性,且避免了高维计算和大存储空间.仿真例子验证了其有效性.

多模型多传感器信息融合Kalman平滑器

基于标量加权的线性最小方差最优信息融合算法,对多模型多传感器离散线性随机系统,给出了一种分布式标量加权信息融合固定滞后Kalman平滑器.它只需计算加权标量系数,可减小在融合中心的计算负担.当各子系统存在稳态滤波时,又给出了标量加权信息融合稳态平滑器,它计算量小,便于实时应用.并给出了两个子系统之间的平滑误差互协方差阵的计算公式.仿真例子验证了其有效性.

Wiener状态滤波器设计新方法

基于经典稳态 Kalman滤波理论 ,应用射影理论 ,对完全可观完全可控的系统提出了设计Wiener状态滤波器的新方法 ,可统一处理稳定或不稳定系统的最优预报、滤波和平滑问题 ,估值器具有ARMA递推形式 ,且具有渐近稳定性。

带有一步随机滞后和不连续丢包离散系统的最优滤波(英文)

研究了带有一步随机滞后和不连续丢包离散随机线性系统的线性估计问题.通过一个满足Ber-noulli分布的随机变量来描述这种可能的滞后和丢包现象.基于所建立的新模型,利用射影理论提出了一个在线性最小方差意义下的递推的最优线性滤波器.并给出了稳态线性滤波器存在的一个充分条件.当不存在随机滞后和丢包时,所提出的滤波器退化为标准的Kalman滤波器.

广义系统降阶Wiener状态平滑器

用Kalman滤波方法,利用典范型分解对线性离散时不变广义随机系统提出了降阶Wiener状态平滑器,可明显减小计算负担,便于实时应用。一个仿真的例子说明了其有效性。

一种新的带白噪声估值器的固定滞后Kalman平滑器

本文基于经典 Kalm an滤波器和 Mendel的输入白噪声估值器 ,应用射影理论 ,提出了一种新的带白噪声估值器的最优固定滞后 Kalm an平滑器 ,且给出了平滑增益阵和平滑误差方差阵新算法 ,避免了计算滤波和预报误差方差阵的逆矩阵 ,减少了计算负担 .还提出了相应的稳态次优固定滞后 Kalm an平滑器 ,它具有渐近稳定性 .仿真例子说明了所提出的结果的有效性 .

不确定观测线性离散随机系统白噪声估值器

在网络控制系统和传感器网络中,可能的传感器观测数据丢失使得系统的观测具有不确定性。应用新息分析方法,对传感器具有数据丢失的不确定观测线性离散随机系统,提出了统一和通用的白噪声估计算法,包括输入白噪声估值器和观测白噪声估值器。可统一处理传感器具有数据丢失的白噪声的最优滤波、预报和平滑问题。同时,给出了稳态白噪声估值器和相应的Wiener白噪声估值器。当没有数据丢失时,所得的结果恰是以往基于完整观测数据的白噪声估值器。仿真研究验证了算法的有效性。

广义离散随机线性系统降阶Wiener滤波、平滑和预报器

应用现代时间序列方法 ,基于自回归滑动平均 (ARMA)新息模型、白噪声估值器和观测预报器 ,对于广义离散随机线性系统 ,提出了降阶Wiener状态估值器 ,可统一处理滤波、平滑和预报问题 ,并且能减少计算负担 .

具有一步随机时滞和多丢包的网络系统H_∞滤波器设计

在网络系统中由于连接传感器和滤波器的网络带宽有限,系统测量数据在传输中会出现随机时延甚至丢失.本文讨论了具有一步随机时延和丢包的网络系统的H∞滤波器设计问题.基于新近提出的同时描述随机时延和丢包的模型,利用线性矩阵不等式方法设计线性滤波器,使得滤波误差系统均方指数稳定,并具有给定的H∞性能.滤波器参数通过求解一个线性矩阵不等式得到.仿真研究说明了所提出算法的有效性.

带多丢包和滞后随机不确定系统的最优线性估计

研究了带多丢包和滞后网络化随机不确定系统的最优线性估计问题.通过白色乘性噪声来描述系统参数的随机不确定性.通过一组满足Bernoulli分布的随机变量来描述数据传输过程中发生的丢包和滞后现象.应用新息分析方法,设计了线性最小方差意义下的最优线性估值器,包括滤波器,预报器和平滑器.给出了稳态估值器存在的一个充分条件.仿真例子验证了其有效性.

基于Gauss-Hermite逼近的非线性加权观测融合无迹Kalman滤波器

对非线性多传感器系统,基于Gauss-Hermite逼近方法和加权最小二乘法,提出了一种具有普适性的非线性加权观测融合算法.该算法可将一个高维观测压缩为一个低维观测.在此基础上,结合无迹Kalman滤波器(Unscented Kalman filter, UKF),提出了非线性加权观测融合无迹Kalman滤波器(WMF (Weighted measurement fusion)-UKF).与集中式融合UKF (CMF (Centralized measurement fusion)-UKF)相比,该算法计算负担小且具有逼近的估计精度.特别是在传感器数量较大时,该算法在计算量上的优势更加明显.仿真例子验证了算法的有效性.

带未知通信干扰和丢包补偿的多传感器网络化不确定系统的分布式融合滤波

研究了带有未知通信干扰、观测丢失和乘性噪声不确定性的多传感器网络化系统的状态估计问题.通过白色乘性噪声描述系统状态和观测中的随机不确定性,采用一组服从Bernoulli分布的随机变量描述网络传输过程中存在的观测丢失现象,且数据传输中存在未知的网络通信干扰.当发生丢包时,以当前丢失观测的预报值进行补偿.对每个单传感器子系统,应用线性无偏最小方差估计准则设计了不依赖于未知通信干扰的最优线性滤波器.推导了任两个局部滤波误差之间的互协方差阵.进而,应用矩阵加权融合估计算法给出了分布式融合状态滤波器.仿真例子验证了算法的有效性.