Smo和Gli1蛋白在眼睑基底细胞癌组织中的表达及临床意义

目的探讨Smo和Gli1蛋白在眼睑基底细胞癌(EBCC)组织中的表达及临床意义。方法选取焦作市人民医院眼科收治的眼睑基底细胞癌患者40例为研究对象,采用免疫组织化学方法检测EBCC患者癌组织及癌旁组织细胞内Smo和Gli1蛋白的表达。设计资料调查表,详细统计所选患者的基本资料,分析不同病理特征EBCC患者组织中Smo和Gli1蛋白的表达情况,并分析组织中Smo和Gli1蛋白表达不同的眼睑基底细胞癌患者预后情况。结果EBCC组织中Smo蛋白阳性表达率显著高于癌周正常黏膜组织(P<0.05);EBCC组织中Gli1蛋白阳性表达率显著高于癌周正常黏膜组织(P<0.05)。不同的性别、年龄、BMI、发病部位患者的癌组织中Smo与Gli1蛋白表达比较,差异无统计学意义(P>0.05);不同肿瘤分化程度患者癌组织中Smo与Gli1蛋白表达比较,差异有统计学意义(P<0.05)。经Log-rank检验,Smo和Gli1蛋白阴性表达患者1年内复发率均明显低于阳性患者(P<0.05)。经Kendall’s tau-b相关分析结果发现,组织中Smo蛋白表达与Gli1蛋白表达呈正相关(γ=0.350,P=0.010)。结论Smo和Gli1蛋白在EBCC组织中的阳性表达率更高,可以作为EBCC早期诊断的标志物。Smo和Gli1蛋白的表达水平与分化程度有关,且与EBCC预后有密切关系,可以在临床上为眼睑基底细胞癌的发展与预后评估提供参考。

基于SMO的永磁同步电机抖振分析及其改进

针对传统基于SMO的永磁同步电机系统中存在抖振较大、观测精度差的问题,在传统SMO基础上,引入了自适应增益替代固定增益,采用双曲正切函数代替传统开关函数,提出了改进型SMO控制策略。在MATLAB/Simulink平台构建了系统仿真模型,对控制策略的效果进行验证并分析。结果表明:改进后的SMO控制策略显著减小了电机抖振,具备较高的转子位置估计精度。

基于SMO的矿用永磁同步电机控制系统

为解决现有永磁同步电机(PMSM)控制系统体积大、设计成本高、系统可靠性低等问题,基于滑模观测器(SMO)原理,研究一种煤矿PMSM多参数精准控制方法,构建了PMSM控制系统模型,并利用MATLAB软件进行了仿真分析。结果表明,基于SMO变结构控制方法,可以在指定的范围内快速地追踪转子所在的具体位置,从而保证PMSM无传感器磁场定向控制水平。

Smo、Gli2及FoxM1对神经胶质瘤诊断和预后的评估价值

目的 探讨Smo、胶质瘤相关癌基因同源蛋白2(Gli2)及叉头框转录因子M1(FoxM1)对神经胶质瘤诊断和预后的评估价值。方法 取80例神经胶质瘤标本为神经胶质瘤组,60例正常脑组织标本为正常组。免疫组化法检测两组Smo、Gli2、FoxM1表达水平,分析其与神经胶质瘤患者临床病理特征的关系;Kaplan-Meier生存曲线分析不同Smo、Gli2、FoxM1表达水平神经胶质瘤患者预后的差异,分析影响神经胶质瘤预后的相关因素。结果 神经胶质瘤组织Smo、Gli2、FoxM1高表达率均高于正常脑组织,且随神经胶质瘤患者组织学分级升高而表达率增高(P<0.05)。不同组织学分级、不同Smo、Gli2、FoxM1表达水平的神经胶质瘤患者5年生存率存在显著差异(P<0.05)。组织学Ⅲ~Ⅳ级、Smo高表达、Gli2高表达、FoxM1高表达是神经胶质瘤预后的危险因素(P<0.05)。结论Smo、Gli2、FoxM1高表达是神经胶质瘤预后的危险因素,三者有望作为神经胶质瘤诊断和预后的判断指标。

PCA-VQ融合降维的SMO-SVM说话人识别研究

针对说话人语音原始梅尔频率倒谱系数(MFCC)特征参数维数较高造成的模型计算效率低以及不稳定的问题,基于序列最小优化(SMO)高效算法求解支持向量机(SVM)基本型的对偶问题,开展主成分分析-矢量量化(PCA-VQ)融合降维的SMO-SVM说话人识别算法研究。改进后的算法在MATLAB平台上仿真通过。仿真结果表明:通过PCA-VQ融合算法对MFCC特征参数进行优化降维后,SMO-SVM说话人识别模型的正确率提高3.77%,训练时间节省1.24 s,具有较好推广应用价值。

基于SMO和RLS的航空电推进永磁电机驱动系统

针对大功率航空电推进驱动系统高可靠性和轻量化特性的需求,本文提出了一种基于滑模观测器(SMO)和递推最小二乘法(RLS)的多模式无位置传感器控制策略。首先通过SMO对扩展反电动势进行观测,并对转速估算值进行多模式处理,实现了快速、准确地提取出电机的转子位置角及转速等信息;再由RLS对永磁体磁链等参数进行辨识,依据辨识结果对控制器中的相关控制参数进行整定,并对观测器参数进行更新,提高了系统的鲁棒性。本文对300kW的永磁同步电机电推进驱动系统进行了实例仿真,验证了所提方案的有效性。本文所提出的方案可以实现可靠的无位置传感器驱动控制,具有快速的动态性能和较高的鲁棒性,为相关航空电推进驱动系统控制方案的设计和研究提供了参考。

基于FSMO的SVM训练核的设计与实现

为了解决支持向量机(Support Vector Machine,SVM)训练的复杂性与实时性,本文提出基于单循环的快速序列最小优化算法(Fast Sequential Minimal Optimization,FSMO)来构建新的SVM训练模型.首先,针对传统序列最小优化算法(Sequential Minimal Optimization,SMO)中待优化乘子选择繁复问题,提出了轮询加随机的优选方法并设计了单循环迭代的FSMO训练架构,降低算法复杂度.其次,采用集中计算体系结构分模块设计了新的SVM训练IP核.并且将该SVM训练IP核移植到FPGA平台上进行了验证与分析.结果表明,相较于传统SMO的训练IP核,在训练准确率相似的情况下,基于FSMO的SVM训练IP核训练速度提升约39%,可节省约47%的硬件资源.

基于改进SMO与高阶滑模速度控制器的永磁同步电机无位置传感器控制

永磁同步电机的无位置传感器控制发展迅速,由于传统的滑模观测器(sliding mode observer,SMO)有高频抖振等问题,本文提出一种新型改进SMO控制策略。将原有的SMO控制中的开关符号函数用双曲正切函数进行替换,可以大幅减小系统抖振。同时为了进一步优化抖振问题,基于高阶滑模控制(sliding mode controller,SMC),使用Super-Twisting算法的控制策略,设计了快速Super-Twisting算法的高阶滑模控制(FSTA)速度控制器用来代替传统的无传感器控制系统中速度环所用的PI控制器,不仅可以抑制抖振,还有整定参数简单和鲁棒性强等优点。最后通过MATLAB/Simulink仿真比较了传统的基于SMO的无传感器控制系统和本文提出来的新型策略,新型策略可以有效抑制抖振,还可以提高整个系统的鲁棒性。

基于滑模扰动观测器的阀门开度预测控制

针对电动阀门在运行过程中,由于外部干扰、系统参数变化、摩擦力等非重复干扰的影响而难以达到高精度控制的问题,提出一种基于滑模扰动观测器的预测控制方法。通过对阀门驱动原理进行深入研究,构建阀门的数学模型,根据模型中电机电流与总负载扰动的正相关性,以电机电流、阀门转速为输入量,采用滑模扰动观测器对系统总负载扰动进行估计。设计模型预测控制器,对扰动估计值进行补偿,实现对阀门开度控制的准确性,鲁棒性以及对总扰动值跟踪的快速性。理论分析、仿真和试验表明:观测器仅0.001 s便跟踪到了设定值,收敛速度快,阀门开度精度误差在0.2%以内,完全达到控制目标,开度控制效果良好。可充分验证该控制方法在不同的负载扰动下,依然能使电动阀门保持良好的开度控制精度以及抗扰动能力。

预测控制与滑模控制结合的永磁同步电机控制

提出一种改进型无差拍预测电流控制方法与改进型滑模控制方法结合的控制策略。基于永磁同步电机的数学模型,构建电流内环控制算法,设计扩张状态观测器,解决无差拍预测电流控制因参数扰动及模型失配导致的电流误差问题。速度外环设计一种超局部模型滑模控制器,设计滑模扰动观测器削弱滑模抖振。仿真结果证明,结合后的控制方法有效提高了电机暂、稳态性能,提升了系统抗干扰能力、鲁棒性及响应速度。

基于SMO的PMSM无位置传感器算法研究

基于滑模变结构观测器(SMO)的基本理论,构造了永磁同步电机(PMSM)矢量控制系统的仿真模型,并对永磁同步电机无位置传感器的转子位置和速度估计算法进行改进,用一个饱和函数代替sign函数,用变截止频率低通滤波器代替固定截止频率低通滤波器,用自适应算法速度观测器代替传统基于电机模型的无位置传感器,实现了无位置传感器对电机转速的准确估算。仿真和实验结果验证了该技术的有效性和合理性。

SMOS卫星遥感海表盐度资料处理应用研究进展

土壤湿度和海洋盐度卫星首次提供了覆盖全球的高频率、高精度、业务化的海表盐度产品,但其处理和延伸应用仍处于初级阶段,后续校准校正工作还将持续数年,如何及时把握其发展轨迹成为一个重要的科学问题。本研究从SMOS计划、数据概况、盐度反演算法、格点产品制作、多源数据融合和产品应用等方面,介绍和评述了SMOS计划及其海表盐度产品应用研究进展,着重分析了反演算法中的各种误差来源,对在轨2a的运行情况进行了回顾、对未来的发展重点进行了展望,旨在为开发和应用SMOS产品提供参考。

Sonic hedgehog信号通路Smo蛋白及其下游转录因子Gli1蛋白在胃癌组织中的表达及其意义

目的探讨Sonichedgehog信号通路Smo蛋白及其下游转录因子Gli1蛋白在胃癌组织中的表达及其意义。方法收集85例胃癌组织及25例正常胃粘膜组织构建成组织芯片,应用免疫组化S-P法检测胃癌组织中Smo蛋白及Gli1蛋白的表达,并以正常胃粘膜组织作对照,分析两者的相关性。结果Smo和Gli1蛋白均在正常胃粘膜中不表达或弱表达;在胃乳头状腺癌、管状腺癌、低分化腺癌中,两者的表达强度和阳性表达率显著高于正常胃粘膜(P<0.05,并随着胃腺癌分化程度下降而上升;相关分析显示Smo和Gli1蛋白在胃癌组织中的表达呈正相关,相关系数为0.989,P<0.001。结论胃癌发生过程中的Sonichedgehog信号通路异常激活可能通过Smo蛋白高表达上调下游转录因子Gli1蛋白的表达参与部分胃腺癌的发生。

Smo和Gli1蛋白在食管鳞状细胞癌组织中的表达及临床意义

目的:探讨Sonichedgehog信号通路中Smo和Gli1蛋白在食管鳞状细胞癌(ESCC)组织中的表达及临床意义.方法:采用免疫组织化学二步法分别检测60例ESCC、45例癌旁异型增生及60例食管正常黏膜组织中Smo和Gli1蛋白的表达,并分析两者的表达水平与临床病理因素的关系.结果:Smo和Gli1蛋白在ESCC组织中表达强度显著高于癌旁异型增生和正常食管黏膜组织(53/60vs22/45,9/60;54/60vs18/45,16/60,均P<0.05),而Smo和Gli1蛋白在癌旁异型增生及食管正常黏膜组中的表达差异无统计学意义.Smo和Gli1蛋白在ESCC组织中的表达强度与肿瘤的浸润深度和淋巴结转移有关(均P<0.05).相关分析显示Smo和Gli1蛋白在ESCC组织中的表达呈正相关(r=0.452,P<0.01).结论:Sonic hedgehog信号通路异常激活与ESCC的发生发展密切相关,在食管鳞状细胞癌中Sonic hedgehog信号通路的激活可能是高表达的Smo蛋白通过上调其下游的转录因子Gli1蛋白来发挥作用的,联合检查两者对ESCC患者预后的判断有一定的临床意义.

SMO算法的简化及其在非正定核条件下的应用

SMO算法是求解大型支持向量机(SVM)的有效算法.已有的算法都必须判定4个Lagrange乘子位于哪个象限,从而使算法的实现更为复杂.此外,现有算法都假定核矩阵是正定的或半正定的,因此使其应用受到了限制.考虑到传统算法的不足,提出了一种用于-εSVR的简化SMO算法,进而将其用于求解非正定核的-εSVR.与已有的算法不同,通过将-εSVR的原始规划问题进行展开并求解其KKT条件,提出的算法只需考虑2个Lagrange乘子,从而有效地简化了算法的实现,并能方便地应用于非正定核SVR的求解.采用一个常用于衡量预测误差的函数对算法进行了测试,实验表明,与-εSVR现有的SMO算法相比,在不增加空间复杂度和时间复杂度的前提下避免了大量繁琐的判别条件,简化了算法的实现,这就为不同的损失函数所对应的SVR提供了一个通用的SMO算法,从而有利于SVR的推广应用.另外,提出的求解非正定核的ε-SVR的方法也为求解其他的非正定核SVR提供了一个思路.

Matlab对基于二进制-XML混合格式的SMOS盐度数据的提取方法与实现

基于二进制-XML混合文件格式的SMOS盐度数据的处理和延伸应用仍处于初级阶段,其前提是对SMOS数据的提取。本文详细介绍了SMOS的文件格式和利用Matlab对SMOS文件进行读写操作的方法,在此基础上给出了提取SMOS数据的流程图和实例,为SMOS数据产品的开发打下了基础。

基于LSSVM与SMO稀疏化算法的短期负荷预测

针对最小二乘支持向量机(LSSVM)仅考虑等式约束,失去了支持向量机(SVM)解的稀疏性,影响了二次学习效率的问题,把最小二乘支持向量机与序列最小优化算法(SMO)相结合,后者应用改进的剪枝算法对解进行稀疏化处理,解决了上述问题;算法与最小二乘支持向量机相比降低了计算的复杂度,提高了计算精度。将此方法应用到电力系统短期负荷预测,与SVM和LSSVM算法比较表明该方法运行速度快,精度高,取得了较好的预测结果。

EMD-ISMO算法在电力负荷预测中的应用

电力负荷是受多种因素影响的复杂非线性系统,具有明显的周期波动性和趋势性。利用集平稳化和层次化处理能力于一体的经验模态分解(EMD)方法处理非线性非平稳信号的有效性,对电力负荷数据进行平稳化处理,分离出12组IMF数据,包含若干个不同频率的平稳分量,能更明显地看出原负荷序列的周期项、随机项和趋势项;结合对负荷数据具有很好预测能力的改进SMO算法(ISMO),对IMF数据进行分别预测和组合预测,提出了一种EMD-ISMO算法。实验结果表明,该方法无论在预测精度还是收敛速度上都比单纯的SMO算法有了很大改进,取得了很好的预测效果。

基于PSO优化的SMO算法研究及应用

顺序优化(SMO)是支持向量机(SVM)的一种有效训练算法,但SMO的参数选择问题是算法性能优劣的关键所在,只有选择了合适的参数才能使算法性能达到最优。因此,在详细介绍了SMO算法的基础上,着重研究了基于微粒群优化(PSO)的SMO算法的双层优化原理,并通过仿真进行了应用研究,将该方法的有效性进行了验证。实验结果表明,经过PSO优化的SMO算法与其他算法相比具有更高的准确性。

非线性回归支持向量机的SMO算法改进

为了解决非线性数据和非线性函数的回归问题,采用了支持向量机序列最小优化算法.原始序列最小优化(SMO,Sequential Minimal Optimization)算法存在训练速度慢和训练结果不稳定的缺点,为了能加快SMO算法的训练速度和提高训练结果稳定性,通过改进优化乘子更新方法、采用双阈值法、预存核函数、增加停机准则等方法对SMO算法做了改进.仿真实验表明,改进的算法能很好地对非线性数据和非线性函数进行回归,具有比原始SMO算法更快的训练速度和稳定的训练结果.