子空间不确定下多重假设AMF、Rao与Wald检测方法

由于目标多秩子空间大小的不确定性会导致多重假设检测发生,传统目标自适应二元检测方法不再适用。针对此问题,文章提出了子空间不确定下多重假设AMF、Rao与Wald检测方法。首先,基于Kullback-Leibler信息准则,建立了目标多秩子空间存在多种假设下的目标检测模型;然后,基于AMF、Rao和Wald检测准则,设计多重假设检测器,并优化估计未知参数与计算惩罚项。最后,通过仿真实验验证了所提检测器的性能,并分析了惩罚项对各检测器性能的影响。实验结果表明,相比传统检测器,所提检测器在一定情况下具有更优的检测性能。

一种有效色加载因子的知识辅助STAP方法

针对非均匀杂波环境里独立同分布训练样本较少的问题,本文提出了一种知识辅助的LCMV-STAP方法.该方法首先求解出知识辅助的LCMV-STAP模型中的权矢量表达式,然后推导出色加载因子与约束常数的关系式,最后求解出两个色加载因子.仿真结果表明,与传统STAP方法相比,知识辅助的LCMV-STAP方法在非均匀杂波环境下仍能获得较好的输出信干噪比,自适应匹配滤波器检测目标的概率优于传统STAP方法.

复合高斯噪声中知识辅助的贝叶斯Rao检测方法

在复合高斯噪声中进行目标检测通常使用渐进最大似然协方差矩阵,但其受训练样本数量的影响较大,并且忽略了协方差矩阵的先验分布.针对该问题,提出了知识辅助的贝叶斯Rao检测器.将复合高斯噪声下协方差矩阵建模为随机矩阵,其先验分布满足复值逆Wishart分布,然后辅助该先验分布,推导了协方差矩阵的最大后验估计,并基于该最大后验协方差矩阵提出Rao检测器.最后,通过蒙特卡洛仿真评估了复合高斯噪声中知识辅助的贝叶斯Rao检测器的检测性能.在复合高斯噪声背景下,当训练样本较少时,文中方法的检测性能优于传统的非贝叶斯检测器.

参数可调的联合子空间目标检测方法

基于Rao和Wald检验准则,本文推导了联合子空间(Union of Subspaces,UoS)检测器(UoS-Rao、UoS-Wald),并通过引入一个可调参数提出一种可调检测器(UoS-Tunable),从而实现联合子空间目标检测,通过调节参数来灵活调节检测器的检测性能、分类性能与选择性。当可调参数较小时,可以提高检测性能与分类性能,并提高其对信号失配的鲁棒性;当可调参数较大时,则会降低检测性能与分类性能,但会提高其对于信号失配的选择性。最后,仿真实验验证了所提方法的有效性。

距离频率ML方法无模糊估计动目标径向速度

在合成孔径雷达-地面动目标检测系统中,需要无模糊地估计运动目标的径向速度.当径向速度接近最大不模糊速度时,传统多通道最大似然方法的估计性能下降.针对以上问题,提出一种基于距离频率干涉相位的最大似然估计方法.相较于传统方法,所提方法有效地降低了概率密度函数扩散的影响,当径向速度接近最大不模糊速度时能够实现准确估计.从相关系数和干涉相位两个方面分析了噪声对径向速度估计的影响机理,并通过增加独立样本来减小噪声的影响.

双通道两视干涉相位差解径向速度模糊方法

针对合成孔径雷达地面动目标显示(SAR-GMTI)系统中动目标径向速度估计存在模糊的问题,提出了基于双通道两视干涉相位差实现无模糊估计径向速度的方法.该方法在距离频率域构造两视数据,将不同通道数据做干涉处理以得到两视数据的干涉相位.两视数据的干涉相位差不存在缠绕问题,可以用来无模糊地估计径向速度.理论推导证明,所提方法有效提高了最大不模糊速度.文中着重分析了两视数据距离频率间隔对径向速度估计性能的影响.通过仿真和实测数据处理验证了所提方法.

单通道干涉相位无模糊估计快速动目标速度

为了解决合成孔径雷达-地面动目标检测系统中快速运动目标径向速度过大导致模糊的问题,提出一种基于单通道两视干涉相位无模糊估计方法。该方法首先在距离频率构造两视数据,再将两视数据进行干涉处理。利用两视干涉相位与方位慢时间的关系无模糊估计径向速度,该方法具有不受相位缠绕影响的优点。分析了所提算法在杂波背景和多目标情况下的应用,并研究了所提算法应用条件和最大不模糊速度。通过仿真和实测数据处理验证了所提方法的有效性。与基于包络的单通道方法对比分析,所提算法具有估计精度高和运算复杂度低的优点。

不同侧卧护理对重症肺炎伴糖尿病患者呼吸频率和氧合指数的影响研究

目的研究不同侧卧护理对重症肺炎伴糖尿病患者呼吸频率和氧合指数的影响。方法选择我院2019年1月至2021年1月收入的重症肺炎伴糖尿病患者50例,按照治疗差异分为两组均25例,对照组采取左30°半坐卧位-右30°卧位体位护理,研究组实施左45~60°半坐卧位+右45~60°卧位,观察两组血糖、呼吸频率与氧合指数、生活质量评分。结果治疗前两组血糖无差异,治疗后HbAlc、2hPG无差异,治疗前两组呼吸频率与氧合指数无变化,治疗前两组生活质量评分无变化,P>0.05,治疗后研究组FPG均低于对照组,上机后2 h两组呼吸频率与氧合指数均好转且存在明显差异,治疗后研究组生活质量评分高于对照组,差异有统计学意义,P>0.05。结论对于重症肺炎伴糖尿病患者采取左45~60°半坐卧位+右45~60°卧位护理,能够改善患者呼吸频率与氧合指数,并能够提高患者生活质量,并确保患者血糖指标维持在正常水平,值得应用。

空/时对称阵列雷达非高斯杂波背景下多秩距离扩展目标检测方法

针对多通道阵列雷达从实际杂波中检测目标场景,该文提出了一种面向多通道阵列雷达非高斯杂波背景的多秩距离扩展目标检测方法。首先,利用秩大于1的子空间矩阵和相应距离单元的坐标向量,建立了多秩距离扩展目标模型;然后,利用雷达接收单元空间或时间中心对称探测场景下杂波协方差矩阵的反对称结构信息,通过酉变换,采取广义似然比、Rao、Wald检验准则,构建待解参数小样本估计策略,设计了面向非高斯杂波背景的多秩距离扩展目标检测方法。最后,通过理论推导证明了所提检测方法相对于杂波协方差矩阵具有恒虚警特性。基于仿真数据和实测数据的实验结果表明,所提检测方法能够保证对杂波协方差矩阵具有恒虚警特性,此外,相较于现有检测方法,所提检测方法提升了小训练支持的目标检测性能,并且在导向矢量失配条件下,有效地改善目标检测的稳健性。

扁平化责任制护理在慢性阻塞性肺疾病护理中的应用效果及对患者生活质量的影响

目的探讨扁平化责任制护理在慢性阻塞性肺疾病护理中的应用效果及对患者生活质量的影响。方法选取2020年1月至2021年1月西安医学院第三附属医院收治的88例慢性阻塞性肺疾病患者为研究对象,采用随机数字表法将其分为对照组(n=44)和观察组(n=44)。对照组采取常规护理,观察组采取扁平化责任制护理。比较两组的肺功能指标、生活质量评分及护理满意度。结果干预后,观察组的用力肺活量(FVC)、第1秒用力呼气容积占预计值百分比(FEV1%)、呼气流量峰值(PEF)均高于对照组(P<0.05)。干预后,观察组的生活质量各维度评分高于对照组(P<0.05)。观察组的护理满意度为95.45%,高于对照组的79.55%(P<0.05)。结论扁平化责任制护理可改善慢性阻塞性肺疾病患者的肺功能指标,提升生活质量和护理满意度。

强化护理在无创机械通气治疗的慢阻肺合并呼吸衰竭患者中的效果观察

目的浅析强化护理在无创机械通气治疗的慢阻肺(COPD)合并呼吸衰竭患者中的效果。方法选取我院收治的272例COPD合并呼吸衰竭患者,随机分为A组(强化护理)与B组(常规护理),各136例。评价两组护理干预效果。结果干预后,两组动脉血氧分压(PaO_(2))、动脉血氧饱和度(SaO_(2))、pH指标值均高于干预前、动脉血二氧化碳分压(PaCO_(2))低于干预前(P<0.05),且A组PaO_(2)、SaO_(2)、pH指标值高于B组、PaCO_(2)低于B组(P<0.05);A组通气强耐受性占比高于B组(P<0.05)。结论COPD合并呼吸衰竭患者行无创机械通气治疗过程中给予强化护理干预可改善血气指标情况,患者通气耐受性较强。

重症肺炎呼吸衰竭患者急诊抢救中无创呼吸机辅助呼吸的护理方法及效果研究

现代临床中重症肺炎比较多见,病情严重、进展快、十分凶险,长时间低血氧、通气障碍等容易诱发呼吸衰竭,增大患者死亡率,影响患者生命质量[1]。作为一种机械通气的无创呼吸机,由于安全可靠、操作简单、呼吸支持效果好等特点而被现代临床广泛用于救治重症肺炎致呼吸衰竭患者[2]。随着现代医疗水平日益提高,加之人们自我保健意识增强,对现代医疗服务要求越来越高。

集束化护理干预在慢性支气管肺炎患者中的应用效果

目的研究集束化护理干预在慢性支气管肺炎患者中的应用效果。方法选取2020年1月至2021年1月本院收治的96例慢性支气管肺炎患者为研究对象,将其随机分为观察组和对照组,各48例。两组患者均给予慢性支气管肺炎的常规治疗,对照组治疗期间给予常规护理干预,观察组给予集束化护理干预。比较两组患者的干预效果。结果干预后,观察组的氧合指数(OI)、动态肺顺应性(Cdyn)均高于对照组,呼吸功(WOB)低于对照组(P<0.05)。观察组配合治疗、遵医嘱用药、规律休息、定期复查的患者占比均高于对照组(P<0.05)。干预后,观察组的汉密尔顿抑郁量表-17(HAMD-17)、汉密尔顿焦虑量表-14(HAMA-14)评分均低于对照组(P<0.05)。观察组的护理满意度高于对照组(P<0.05)。结论集束化护理干预用于慢性支气管肺炎的效果显著,能够改善患者的肺功能及遵医行为,减轻负性情绪,提高护理满意度。

基于ResNet的智能恒虚警目标检测方法

传统恒虚警检测方法通常假设待测单元的杂波与训练杂波满足独立同分布,然而在实际雷达工作环境中,强杂波呈现出非均匀特性,沿距离单元的杂波统计特性差异变化较大,使得传统恒虚警目标检测方法在复杂环境下的检测性能下降。为解决该问题,本文从杂波统计特征提取分类出发,通过深度学习方法对杂波进行分类,提出了一种基于残差神经网络(ResNet)的智能恒虚警目标检测方法。首先,根据雷达实测杂波数据建立ResNet的训练集和测试集;其次,构建ResNet对数据进行智能特征提取,得到杂波的统计特征,并用训练好的网络对测试集进行测试;最后,以阈值可设的Softmax分类器对所得统计特征进行分类,根据分类结果实现智能恒虚警目标检测。实验结果表明:相比传统恒虚警检测方法,本文提出的方法具有自适应能力更强、检测性能更好等优点。