基于信噪差分比方法的磁共振射频线圈在头颅血管造影中的对比研究

用信噪比和血管信噪差分比方法,对相控阵表面头线圈和鸟笼头线圈的体模和人体磁共振血管造影(MRA)成像性能进行了对比研究,研究结果表明,相控阵线圈具有优势,也证明了该方法在磁共振线圈评价和临床选择方面的有效性。

差分比例运算电路的设计方法

本文分析了一些文献给出的差分比例运算电路的运算关系,指出在输入端电阻平衡时输入信号比例系数的取值范围受到限制。在深入分析比例系数之差与平衡条件之间关系的基础上,给出了输入信号以任意比例系数参与运算的改进方案,使电路具有普遍适用性,并给出了电路的设计方法与步骤。

一类混合型时滞微分差分比较原理

在研究中立型系统解的性质时,遇到如下一类混合型时滞微分差分不等式:其中x∈R^m,y∈R^n,X(t)(?)_Sup x(t+θ)(常数r>0),y(t)的含意类似;f:R^+×R^M×R^m×R^n×R^n→R^m,g:R^+×R^m×R^m×R^n×R^n→R^n,并且f(t,α,β,γ,ξ)关于β,γ,ξ单调不减,关于α为非对角线不减(即对于a_1^(1)=α_i^(2),α_j^(1)≤a_j^(2),有f_i(t,a^(1),β,γ,ξ)≤f_i(t,a^(2),β,γ,ξ),i≠j(i,j=1,2,…,m)),g(t,α,β,γ,ξ)满足相同的条件。D(x)表示x(t)的Dini导数。

差分比例运算电路增益调整与控制分析

在通常差分比例运算电路中,输入信号比例系数的取值范围会受到限制,对差分比例运算电路进行修正,给出了增益可调的差分放大电路的改进模式。实验结果表明:1)利用开关的断开和闭合可以改变差分放大电路的增益极性和大小。2)在同相输入端前加入衰减器,通过调节电位器可控制差分放大电路增益的大小和极性,设置合适的电阻值可以得到预设的正负增益。

用SPSS标定差分比例运放电路的放大倍数

使用差分运放实验装置,测定电路的放大倍数。用非等精度的测量方法获取测量数据,引入SPSS的线性估计函数分析实验数据,得到输出电压和输入电压差的定标曲线,并验证输出电压与输入电压具有线性关系。由此标定出差分运放的放大倍数,并用数字式存储示波器时时观测与记录信号的反向功能,用置信概率为百分之九十五的不确定度,对测量数据进行分析,将所得实验结果与理论结果进行对比分析和评估,从而验证所选试验方法的合理性以及实验数据测量结果的可靠性。

一类变系数椭圆型Dirichlet边值问题的差分外推格式

对于变系数椭圆型偏微分方程的Dirichlet边值问题,首先,应用泰勒展开建立五点差分格式,并证明差分格式解的存在唯一性;其次,应用极值原理得到差分格式解的先验估计式,进一步证明其收敛性和稳定性;再次,应用Richardson外推法,建立具有四阶精度的外推格式;最后,应用Gauss-Seidel迭代方法对算例进行求解,数值结果表明Richardson外推法极大地提高了数值解的精度。

基于双重差分法的DRG付费对中医医院的影响研究

目的:评估按疾病诊断相关分组(DRG)付费对中医医院住院患者例均总费用、费用结构、住院时长、出院人数及中医特色的影响。方法:以某中医类国家区域医疗中心为研究对象,使用双重差分回归模型(DID)分析付费改革政策实施前后医保患者(干预组)与非医保患者(对照组)的各项指标差异,通过平行趋势检验和安慰剂检验证实模型可靠性和稳定性。结果:例均住院总费用、病例数、住院天数、医疗服务收入占比、饮片收入占比等十一项指标的DID交互项系数显著(P<0.05),费用指标回归系数均小于0。饮片使用率、中医非药物疗法收入占比等四项指标DID交互项系数不显著(P>0.05)。结论:DRG付费政策显著降低付费病组例均总费用,其中耗材、医技费用下降显著,费用结构优化,中药饮片费用占比略微下降。应持续关注DRG付费对中医医院影响,进一步扩大样本范围,跟踪分析政策影响,全面评价DRG付费政策对我国中医医疗机构的影响。

智慧城市建设与城市数字经济发展——基于双重差分模型的实证分析

选取2011—2020年中国299个城市的面板数据,运用多期双重差分模型实证检验智慧城市试点政策对城市数字经济发展水平的影响。研究表明:智慧城市试点政策对城市数字经济发展水平有显著的促进作用,这一结论通过了倾向得分匹配、排除其他干扰政策和更换政策冲击时间等多种稳健性检验。机制分析表明:智慧城市建设通过提高信息基础设施和信息产业水平来促进城市数字经济发展。异质性分析显示:智慧城市试点政策在科教水平和行政级别较低的城市对数字经济发展的促进作用更大。

自贸区设立、经济集聚与流通业发展--基于双重差分法和中介效应分析

在开放型经济新格局下,自贸区成为促进我国流通业高质量发展的重要制度创新成果,本文基于“自贸区设立”这一准自然实验,利用双重差分模型和中介效应模型分析自贸区设立对流通业发展的影响效应及作用机制。研究发现:自贸区设立显著促进了流通业发展,并且对外贸易水平可以强化这一效应;自贸区设立对流通业发展的影响存在异质性特征,东部和西部地区自贸区设立对流通业发展的提升作用更强;自贸区设立所形成的经济集聚效应是影响流通业发展的关键途径,其中介效应占总效应的32.53%。最后,提出相应政策建议。

基于差分隐私的联邦学习方案

联邦学习的特点之一是进行训练的服务器并不直接接触数据,因此联邦学习本身就具有保护数据安全的特性。但是研究表明,联邦学习在本地数据训练和中心模型聚合等方面均存在隐私泄露的问题。差分隐私是一种加噪技术,通过加入适当噪声达到攻击者区分不出用户信息的目的。文中研究了一种基于本地和中心差分隐私的混合加噪算法(LCDP-FL),该算法能根据各个客户端不同权重、不同隐私需求,为这些客户端提供本地或混合差分隐私保护。而且我们证明该算法能够在尽可能减少计算开支的同时,为用户提供他们所需的隐私保障。在MNIST数据集和CIFAR-10数据集上对该算法进行了测试,并与本地差分隐私(LDP-FL)和中心差分隐私(CDP-FL)等算法进行对比,结果显示该混合算法在精确度、损失率和隐私安全方面均有改进,其算法性能最优。

L波段差分干涉SAR卫星严格回归轨道优化设计方法

相比于传统SAR卫星应用方向,我国第一代L波段差分干涉SAR卫星主要用于实现全球精准地表形变测量。为了达到重轨差分干涉优于5 cm的形变测量指标,首先需要解决卫星空间基准轨道高精度回归的工程难题。对此,本文提出一种严格回归轨道优化设计方法,通过地球重力场阶数需求分析建立卫星高阶动力学模型,将J4摄动下修正的太阳同步回归轨道参数作为优化算法初值,以卫星WGS-84坐标系位置、速度回归精度满足收敛阈值为目标,利用启发式多目标进化算法开展轨道参数寻优。仿真试验表明,寻优结果回归精度可达厘米级,优于既定工程指标,并且本文方法有效性和正确性已经过L波段差分干涉SAR卫星在轨验证。

我国乡村振兴水平测度及政策效应差异性评估--基于广义双重差分模型

采用熵值法基于产业兴旺、生态宜居、乡风文明、治理有效和生活富裕5个维度共19个指标测度2014—2021年我国31个省(区、市)乡村振兴发展水平,在此基础上,采用控制双向固定效应的广义双重差分模型检验以2018年为实施年份的乡村振兴战略是否能够显著影响农民人均纯收入。结果表明:我国乡村振兴水平在2018年之后均有所增长,但乡村振兴发展不平衡不充分问题比较突出,存在显著的“东中部较高、西部较低”特征;广义差分模型回归结果显示我国乡村振兴政策显著有效,但异质性分析发现东部的乡村振兴政策效果明显优于西部。

可实现双向自适应差分隐私的联邦学习方案

随着个人数据的爆发式增长,基于差分隐私的联邦学习模型可用于解决数据孤岛问题和保护用户数据隐私,参与者通过训练本地数据,将添加噪声后的参数共享到中心服务器进行聚合,实现分布式机器学习训练。此过程中存在两方面问题:①中心服务器广播参数的过程中数据信息仍未受到保护,有泄露用户隐私的风险;②对参数过度添加噪声会导致参数聚合质量降低,影响最终联邦学习的模型精度。为解决以上问题,提出了一种可实现双向自适应差分隐私的联邦学习方案(FedBADP),对客户端和中心服务器之间传输的梯度进行自适应加噪,在保护数据安全的同时不影响模型准确率。考虑到参与者硬件设备的性能限制,文中对其梯度进行采样以减少通信开销,并在客户端和中心服务器使用均方根传递加速模型的收敛提高模型精度。实验结果证明,文中提出的模型框架在保持较好准确率的同时,也增强了用户的隐私保护能力。

面向微纳遥感星座构建的阻力差分控制方法

基于整星质量、功耗、体积和成本考虑,一些微纳卫星通常不加装推进系统。为满足这类微纳遥感卫星构建星座的要求,提出采用阻力差分控制(无动力控制)技术实现星座构建的方法。通过调整太阳翼迎风面积,利用星间阻力差增大或减小2颗卫星轨道半长轴之差,在不改变卫星飞行姿态、不影响有效载荷应用的情况下实现微纳遥感星座相位控制。利用20颗微纳遥感卫星构建星座对阻力差分控制方法进行验证,结果表明:将阻力差分控制技术应用于微纳遥感星座相位控制,能顺利完成微纳遥感卫星同一轨道面的等相位部署,并成功实现星座构建。

知识产权战略与企业数字化转型--基于渐进双重差分模型的实证分析

知识产权示范城市作为国家知识产权战略实施的先行示范区发挥着重要作用,知识产权战略对企业数字化转型也有积极意义。基于2008—2021年沪深A股上市公司数据,使用渐进双重差分模型(DID)验证知识产权战略是否对企业数字化转型产生影响。结果表明,知识产权战略能够显著赋能企业数字化转型,通过平行趋势和动态效应检验、安慰剂检验和倾向得分匹配等多种稳健性检验后,结论依然成立;从作用机制来看,知识产权战略通过专利补贴促进效应和技术创新激励效应显著赋能企业数字化转型。

基于时空间联合去噪的改进差分进化算法

在工程问题的优化求解过程中,对个体的适应度评价可能会受到环境噪声的干扰,进而影响对种群进行合理的优胜劣汰操作,造成算法性能下降。为了对抗噪声环境的影响,提出了一种基于时空间联合去噪的改进差分进化算法(SEDADE)。根据适应度排名将种群划分成两个子种群,对评价较差个体组成的子种群用分布估计算法(EDA)进化,采用高斯分布建模解空间,利用解空间中多个个体噪声的随机性抵消噪声影响;对评价较好个体组成的子种群用差分进化算法(DE)进化,并且引入基于时间的停滞重采样机制去噪,提高收敛精度。对时空间混合进化得到的两个子种群进行基于概率选择的EDA信息利用操作,利用EDA搜索得到的全局信息引导DE的搜索方向,避免陷入局部最优。在实验中使用了被零均值高斯噪声干扰的基准函数,可以发现SEDADE相比其他算法更具有竞争性,此外通过消融实验验证了所提算法包含的3个机制的有效性和合理性。

融入概率学习的混合差分进化算法求解绿色分布式可重入作业车间调度

本文针对绿色分布式可重入作业车间调度问题(GDRJSSP),提出一种融入概率学习的混合差分进化算法(HDE PL),以实现最大完工时间和总能耗最小.根据GDRJSSP的问题特点,设计编码和解码规则,并采用差分进化算法执行全局搜索来发现优质解区域.为能更明确地引导全局搜索方向,设计基于贝叶斯网络结构的多维概率模型合理学习和积累优质解(即当前种群中的较优解)的模式信息.结合问题解的结构特征,提出基于关键路径的4种邻域结构来构造局部搜索,并设计基于非关键路径的节能策略来提升算法获取低能耗非劣解的能力.仿真实验和算法对比验证了HDE PL可有效求解GDRJSSP.

基于GPU的大状态密码S盒差分性质评估方法

大状态的密码S盒能够为对称密码算法提供更好的混淆性,但对大状态S盒的性质评估开销巨大。为高效评估大状态密码S盒的差分性质,提出基于GPU并行计算的大状态密码S盒差分性质评估方法。该方法基于现有的差分均匀度计算方法,针对16比特S盒的差分均匀度和32比特S盒的差分性质,分别设计GPU并行方案,通过优化GPU并行粒度和负载均衡提高了核函数和GPU的执行效率,并缩短了计算时间。测试结果表明,相较于CPU方法和GPU并行方法,所提方法大幅降低了大状态S盒差分性质评估的计算时间,提高了对大状态S盒差分性质的评估效率:对16比特S盒差分均匀度的计算时间为0.3 min;对32比特S盒的单个输入差分的最大输出差分概率计算时间约5 min,对它的差分性质计算时间约2.6 h。

自适应双坐标系的差分进化算法求解混合变量优化问题

如何设计求解混合变量优化问题(Mixed-variable Optimization Problems,MVOPs)的相关算法,是计算机算法设计与分析领域中的一个重要研究方向.该问题的求解难点在于需同时优化连续型和离散型决策变量,目前进化算法(Evolutionary Algorithms,EAs)是求解该问题的一种有效手段.然而,现有的相关EAs忽略了问题变量之间的相关性,导致算法性能还存在一定不足.为此,本文从变量相关性角度出发,提出了一种自适应双坐标系的差分进化算法来求解MVOPs.首先,利用种群的协方差矩阵信息来构建特征坐标系,实现在特征坐标系下执行算法的相关操作,以松弛连续变量与离散变量之间的相关性;其次,为避免种群多样性丢失,仍保留了原坐标系,并设计了一种自适应策略来应用特征坐标系和原坐标系,以发挥双坐标系的优势;最后,为提高离散变量的优化效果,专门设计了一种基于离散变量相关性的局部搜索策略,以增强算法的整体性能.为验证本文方法性能,在一套包含28个测试函数的通用测试集上进行了大量实验,与5种求解MVOPs的知名EAs进行了对比,结果表明本文方法有更好性能.此外,在一个实际MVOP上,即焊接梁设计问题,本文方法能取得目前已知最好解.本文方法为计算机算法设计和分析领域的相关工作提供了新的思路.

基于本地差分隐私的异步横向联邦安全梯度聚合方案

联邦学习作为一种新兴的分布式机器学习框架,通过在用户私有数据不出域的情况下进行联合建模训练,有效地解决了传统机器学习中的数据孤岛和隐私泄露问题。然而,联邦学习存在着训练滞后的客户端拖累全局训练速度的问题,异步联邦学习允许用户在本地完成模型更新后立即上传到服务端并参与到聚合任务中,而无需等待其他用户训练完成。然而,异步联邦学习也存在着无法识别恶意用户上传的错误模型,以及泄露用户隐私的问题。针对这些问题,该文设计一种面向隐私保护的异步联邦的安全梯度聚合方案(SAFL)。用户采用本地差分隐私策略,对本地训练的模型添加扰动并上传到服务端,服务端通过投毒检测算法剔除恶意用户,以实现安全聚合(SA)。最后,理论分析和实验表明在异步联邦学习的场景下,提出的方案能够有效识别出恶意用户,保护用户的本地模型隐私,减少隐私泄露风险,并相对于其他方案在模型的准确率上有较大的提升。