基于层次对比生成对抗网络的非配对素描人脸合成

现有素描人脸合成方法存在过度依赖配对数据和面部细节特征失真、粗糙等问题,尤其在样本非配对场景下,高质量素描人脸图像的合成难度很高。为了解决上述问题,提出一种基于层次对比生成对抗网络(hierarchical contrast generative adversarial network,HCGAN)的非配对素描人脸合成方法。在网络结构上,设计了全局素描合成模块,负责素描人脸的合成并保持面部各个局部之间的协调性;设计了局部素描细化模块,用于提升对局部细节的刻画,防止局部细节失真。另外,提出了局部细化损失,提供局部优化的约束,使合成的素描在细节上更逼真。在CUFS数据集上进行消融实验和对比实验验证框架各部分的有效性,结果表明,提出的方法在非配对输入下拥有更好的量化指标,同时生成的素描在细节上更加逼真,且各部分衔接更加自然,视觉效果更好。

分布统计特征的孪生网络目标跟踪方法

尽管基于孪生网络的跟踪器取得了巨大成功,但在边界模糊这类复杂场景下的跟踪性能仍然较差。大多数现有方法对于目标的定位均采用不灵活的狄克拉分布,由于缺少对边界框的不确定性估计,使其在边界模糊下无法准确定位。为了解决上述问题,基于SiamBAN模型进行改进,利用目标边界框的分布统计特征与其实际的定位质量高度相关这一特性,将边界框的回归值由狄克拉分布转为一定范围内的任意概率分布,将分布统计特征经过分布引导质量预测器生成较高的定位质量估计得分,将分类与定位质量估计联合表示,克服了训练和测试阶段分类与回归不一致问题。在VOT2018、VOT2019、OTB100、UAV123、LaSOT、TrackingNet和GOT-10k数据集上的实验结果表明,对比SiamBAN在准确度和EAO指标上提升了3.3%~10%。

社区老年慢性病病人健康综合评价及影响因素分析

[目的]评估社区老年慢性病病人的健康状况,分析其影响因素,为合理利用医疗卫生资源提供理论参考。[方法]采用现况调查方法,应用自行研制的社区老年慢性病病人综合评价量表对西安市某社区440名老年慢性病病人进行调查。[结果]老年慢性病病人均存在不同程度的健康问题,以日常活动能力下降和躯体健康水平降低为主。慢性病数目、老年慢性病病人的婚姻状况、锻炼方式、年龄、吸烟、体重指数(BMI)及个人收入水平是影响老年慢性病病人健康状况的主要因素。[结论]在社区卫生服务中应加强对慢性病病人的关注与干预,提高老年慢性病病人的生活质量和生存率。

社区老年慢性病病人健康综合评价量表的研制

[目的]研制适合城市社区老年慢性病病人的健康综合评价量表,为干预措施提供分级依据。[方法]在查阅文献与深入访谈的基础上形成德尔菲法咨询问卷,通过德尔菲法和预实验形成初稿。用初始量表和健康调查简表（SF-36）同时调查190例老年人,对量表进行信度、效度及可行性进行检验。[结果]该量表总Cronbach’s alpha系数为0.81,折半信度为0.93,效标效度为0.83,各维度与量表总得分相关系数为0.63-0.79。[结论]该量表具有较好的信度和效度,可作为社区老年慢性病病人的健康评估工具。

社区老年慢性患者护理分级管理模式的构建

我国已于2000年进入老龄化社会.《我国老年慢性病现状及发展趋势的报告》结果显示,60岁及以上人群慢性病的总患病率为54.0%,慢性病死亡占总死亡人数的83.0%,是城乡居民死亡的主要原因.随着三级诊疗体系的建立和逐步规范,在国家政策扶持下,社区卫生服务在我国正蓬勃发展.社区卫生服务中心对老年慢性患者的健康服务工作已经开展,并提出对老年慢性患者实行护理分级管理,但对分级标准尚无明确的界定和可操作的办法. 本研究应用定性和定量研究相结合的方法,探索适合中西部城市社区老年慢性患者的护理分级管理模式,为开展社区老年慢性患者的护理服务提供依据.

护理服务中心护士工作压力源与心理健康水平的调查研究

目的:了解护理服务中心护士的工作压力来源及心理健康水平,研究两者之间的关系,探讨更为科学的管理模式。方法:运用自行设计问卷、中国护士工作压力源量表及症状自评量表对西安市2所医院共42名服务中心护士进行问卷调查。结果:服务中心护士工作压力主要来源于工作环境及资源和患者护理方面(P<0.05),焦虑水平高于全国常模(P<0.05),工作压力源与心理健康水平存在线性回归关系(P<0.05)。结论:医院应配备充足的人力资源和工作设备,加强护士的业务培训和心理疏导,提高其心理健康水平。

基于视觉Transformer的滚动轴承智能故障诊断

在轴承故障智能诊断中,基于卷积神经网络的轴承故障诊断方法,无法建模信号特征之间的依赖关系。基于循环神经网络的轴承故障诊断方法,对于振动信号只能依次进行顺序计算,限制了模型的并行能力;在计算过程中,间隔时间过长的信息会丢失,无法建立上下文的长期依赖。针对以上问题,提出了基于视觉Transformer的滚动轴承智能故障诊断模型。首次使用视觉Transformer网络代替卷积神经网络和循环神经网络进行轴承故障诊断。利用多头注意力机制来捕获振动信号的全局信息,每个头都应用独立的自注意力机制,使诊断模型可以针对不同的任务在不同的表示子空间里学习相关的信息。实验证明,所提方法能够有效提升模型训练效率,减少信息损失,与其他主流诊断方法相比具有更高的诊断精度。

基于身份感知模型的素描人脸识别方法

针对素描图像和光学图像之间存在较大的模态差异这一问题,提出了一种基于身份感知模型的素描人脸识别方法,实现跨模态图像生成和素描人脸识别。该方法应用新的感知损失来监督图像生成网络,生成更好的跨模态图像,减少模态差异带来的识别精度损失,并通过三元组损失来正则化类内和类间距离,增强识别模型的性能,用联合训练策略提升素描人脸识别能力。在UoM-SGFSv2、e-PRIP等素描人脸数据集上的实验结果表明,该方法识别效果优于其他对比算法。

基于图卷积网络的滚动轴承智能故障诊断

基于非欧几里德空间的数据包含着数据点以及数据点之间的关系信息,而基于深度学习模型的故障诊断方法通常忽略了数据点之间的关系信息。对此,通过结合可视图算法和图卷积网络,将基于非欧几里德空间的不规则数据应用到轴承故障诊断领域。首先,将原始信号利用可视图算法转换为图数据,以图数据显示时域特征,极大丰富了输入信息;其次,利用构建的图卷积网络对故障特征进行学习,以达到故障诊断的目的。实验结果表明,图卷积网络在单一轴承故障分类任务上能够达到97%以上的准确率,这表明利用可视图算法提取的关系信息对轴承故障的识别具有重要作用。

基于多层神经网络的中分辨SAR图像时间序列建筑区域提取

为提高合成孔径雷达(Synthetic Aperture Radar,SAR)图像时间序列建筑区域提取的准确率和稳定性,该文结合时间序列图像的特点,提出了一种基于多层神经网络的建筑提取方法。该方法使用单幅SAR图像进行样本的粗略标记,并从经过直方图规定化处理后的时间序列图像中获得大量样本。通过单幅SAR图像生成的少量样本确定网络的深度,并从时间序列生成的样本中筛选出具有更高质量的样本作为最终模型的训练样本。利用数量大且质量高的训练样本学习得到模型参数。使用包含38幅25 m分辨率ENVISAT ASAR图像的数据集进行两组对比实验,实验结果中该文方法的最低准确率和最低Kappa系数分别90.2%和0.725,均高于其它3种传统方法,算法的稳定性以及准确率都有显著提高。此外,该方法还具有人工操作少、推广性强、训练高效等优点。

基于二次迁移学习和EfficientNetV2的滚动轴承故障诊断

针对工程实际故障诊断环境下,可用数据稀缺,导致智能诊断模型对轴承健康状态识别精度较低这一问题,提出一种基于二次迁移学习和EfficientNetV2(Two-Step Transfer of Efficient⁃NetV2,TSTE)的滚动轴承故障诊断新方法。首先,将模型在轴承全寿命周期数据集中训练,之后冻结模型浅层权重,将其在多工况轴承数据集中训练,进行第一次迁移学习。其次,通过构造类不平衡数据集,研究实际故障环境下可用数据稀缺对故障诊断性能的影响。然后,基于合成少数类过采样技术(Synthetic Minority Oversampling Technique,SMOTE)过采样方法与编辑最近邻(Edited Nearest Neighbors,ENN)欠采样方法对故障数据进行扩充,使类不平衡数据集重构为类平衡数据集。最后,将模型在类平衡数据集中训练,冻结模型底层权重,训练模型深层,进行第二次迁移学习,使模型掌握平衡数据集故障特征。通过多种指标进行实验评估,同时与其他方法进行对比,并使用Grad-CAM方法进行了特征可视化。结果表明,所提方法能够将模型在实验室环境下积累的故障诊断知识应用于实际工程设备,适用于检测数据稀缺情形下的滚动轴承故障诊断。

基于迁移学习的滚动轴承复合故障诊断研究

针对现有故障诊断方法多是面向单一故障进行研究,对于实际工况下的复合故障缺乏相应的诊断方法,提出一种基于有监督学习的ConvNeXt滚动轴承多工况复合故障诊断模型(TConvNeXt)。通过合成少数类过采样技术将滚动轴承数据集重构为平衡数据集,以提高复合故障样本的利用率;利用迁移学习使TConvNeXt网络模型掌握判别滚动轴承复合故障信息所需的部分权重,通过格拉姆角场将一维信号转换为RGB图像输入模型,训练模型剩余权重;最后将训练后的TConvNeXt网络模型用于滚动轴承故障诊断并且利用Grad-CAM方法进行可视化,分析网络诊断错误起因并对网络进行调整;将训练准确率最高的模型用于滚动轴承故障实测,检验其实际工况下的诊断能力。实验结果表明:TConvNeXt网络模型具有高诊断精度,它不仅在混叠故障诊断中表现突出,在单一故障诊断中也具有优势,能够很好地适应多工况下不同故障类型的滚动轴承故障诊断要求。

基于ADASYN和Swin Transformer的滚动轴承故障诊断研究

针对实际工况下,正常样本丰富、故障样本稀缺的类别不平衡情形,导致基于深度学习的故障诊断模型诊断能力较差这一问题,提出一种基于自适应综合采样方法(ADASYN)和Swin Transformer的故障诊断模型。使用自适应综合采样方法,改善数据分布,解决实际工况中故障样本与正常样本类别不平衡问题;使用Swin Transformer网络模型代替CNN网络,并使用深度迁移学习方法,使Swin Transformer网络模型掌握判别滚动轴承故障所需的浅层权重,深层权重通过反向传播方法训练获得;之后,将模型用于轴承故障测试,并对其进行调试;最后,将模型用于轴承故障实测,检验其实际工况下的诊断能力。实验结果表明:所提模型具有97%的诊断准确率,能够很好地适用于类别不平衡情形下的滚动轴承故障诊断。

基于加权PCA的人眼定位算法

利用机器学习的思想,提出了一种加权PCA算法应用于人眼定位。首先用PCA方法从人眼图像中提取特征向量,然后用机器学习的思想筛选出正确率高的特征向量,并用正确率对其加权,最后由加权后的特征向量构成强分类器,并使用CAS-PEAL人脸库对该算法验证。实验结果表明,与传统PCA算法相比,加权PCA算法得到更好的人眼检测结果。

48起护理不良事件的原因分析与对策

分析本院2013、2014年来所发生护理不良事件的原因，探讨相关对策，减少护理不良事件的发生，保障患者安全。分析本院2013年1月～2014年12月所发生的48起护理不良事件，研究其分类、原因、发生人员的构成特点等因素。护理不良事件等级中未造成后果事件构成比为81．7％，隐患事件构成比16．7％，不良后果事件构成比为2．1％；护理不良事件分类中排在前3位的是给药错误、管道滑脱、坠床；护理不良事件发生的原因中护理人员作为主体因素占72．19％。认为加强护理质量中环节质量的控制，对护理不良事件进行根本原因分析，可减少不良事件发生率。

基于跨批次存储预训练的素描人脸识别方法

素描人脸识别技术在刑侦领域应用广泛,有助于缩小嫌疑人的搜寻范围。由于素描人脸样本数量不足,导致经典的深度学习模型无法达到理想的识别精度。针对此问题,提出一种基于跨批次预训练的素描人脸识别方法,通过在有限素描人脸数据集进行跨批次预训练的方式缓解训练样本稀缺问题,从而提高人脸识别模型的泛化能力。该方法通过跨批次存储机制缓解GPU存储限制扩大单批次预训练样本数量,从而获得更优的模型初始参数,并在其基础上根据三元组损失进一步优化模型,以提升网络性能。提出的方法在UoM-SGFS素描人脸数据集上的Rank-1识别精度为72.53%,在PRIP-VSGC数据集上Rank-10识别精度为62.47%。相比CDAN、DANN、SSD等方法识别率有显著提高。

护理人员技能考核方法的改进与实践

目的改进护理人员技能考核方法,提高培训效果。方法将2015年模拟技能考核设为对照组,2016年实战技能考核设为实验组,对照两组护理人员技能考核成绩及对技能考核的认可程度。结果实验组护理人员技能考核成绩、对技能考核的认可程度明显高于对照组(P<0.05)。结论实战技能考核提高了护理技能考核成绩及护理人员对技能考核的认可程度,在一定程度上保障了护理安全,推进了护理质量的持续提高。

输送用滚子链结构的改进

为提高生产线输送链的传动平稳性，提出了对常规套筒滚子链的改进结构，分析了链齿形设计方法，改善了运动特性，减少了链传动中的“多边形效应”

机械加工中随行夹具输送链的齿形设计——CAD应用

设计中应用了“包络-轨迹”法修正齿形设计原理。在齿形干涉出现时,对主动件相应的啮合接触点坐标值由计算机自动进行增值修正计算,直到干涉消失。