低Reynolds数净化器除尘效率的计算流体动力学仿真与优化

为研究低浓度下等离子体空气净化器内粒子流动特性以及粒子的捕获过程,建立了静电场、气体流场和粒子运动场耦合的气固两相流Eulerian-Lagrangian混合湍流模型。运用有限差分法计算了多场耦合作用下不同空气流速、施加电压和粒子粒径对粒子运动轨迹的影响。将数值预测与试验结果进行了对比验证,较符合:不同流速(0.5、1.0、2.0 m/s)下的最大偏差为8.9%;不同线电压(6.8、7.2、7.6 kV)下的最大偏差是3.8%;不同粒径(2、5、10μm)下的最大偏差是6.8%,研究论证了该模型能较好地模拟除尘过程,在指导小型家用净化设备的设计和优化过程中有一定的应用前景。

脱贫地区农户返贫风险与诱发因素分析——基于甘肃省14县1735农户的调查数据

为研究脱贫地区的返贫风险和诱发因素,以甘肃省14县1 735农户为研究对象,利用Group Lasso logistic模型定量分析脱贫地区的返贫诱发因素。结果表明:(1)自然因素是影响返贫的重要因素;(2)物质资本风险抵御作用显著,尤以耐用品折合价值最为明显;(3)不同类型社会资本在谋生中的替代作用存在差异;(4)人力资本的返贫风险防控作用显著。因此,应注重提升农户的自然变现能力,完善技能培训体系,注重人才培养,提高脱贫地区农户人力资本水平,强化农户信息素质。

C系列螺旋桨图谱在舰船运动仿真中的应用

为探索C系列螺旋桨图谱在舰船运动仿真中的应用,提升变螺距螺旋桨舰船运动仿真效果,采用傅里叶级数拟合螺旋桨图谱,改进推力和扭矩系数的螺旋桨推力模型,建立变螺距螺旋桨船舶三自由度运动数学模型。对一艘变螺距船舶进行运动仿真。仿真结果表明,C系列螺旋桨拟合图谱与原图谱吻合度良好。仿真结果与实船试验数据进行比对,误差较小。

基于Group LASSO Logistic回归分析模型分析流行性乙型脑炎早期临床症状与预后的关联

目的探索Group LASSO(least absolute shrinkage and selection operator)Logistic回归分析模型在研究流行性乙型脑炎(简称乙脑)早期临床症状与预后之间的关系中的应用。方法收集整理2017—2018年甘肃省乙脑报告发病数据,建立乙脑预后影响因素的Group LASSO Logistic回归分析模型,通过交叉验证法选择惩罚参数,筛选出影响乙脑预后的早期临床症状。结果纳入的866名乙脑患者中,有预后结局的共764名,其中死亡者占22.5%、有后遗症者占12.6%、好转者占17.8%、痊愈者占47.1%。筛选出的变量有意识障碍、呼吸衰竭、呼吸节律改变、肌张力增强及乙脑疫苗接种史。结论通过构建Group LASSO Logistic回归分析模型可以筛选出对预后有影响的早期临床症状。

结合XGBoost算法和Logistic回归的信用评级方法

信用评级模型是金融机构科学评估客户违约风险的重要工具。以提升信用评级模型分类准确性和确保可解释性为目标,提出将XGBoost算法与Logistic Group Lasso模型相结合的信用评级方法,利用XGBoost算法进行特征选择来简化模型结构,构建Logistic Group Lasso模型来确保模型中重要变量的可解释性。基于某商业银行小微企业信贷业务数据的实证研究表明,新方法对贷款客户的分类效果显著优于常规方法,能够有效防控客户的违约风险,为金融机构带来更多收益。

一种无线传感器网络的密钥管理机制

介绍了一种用于无线传感器网络(WSNs)的密钥预分配机制:多密钥空间哈希随机密钥预分配(HARPMS)机制。该机制针对group-based节点投放模型,将密钥空间划分成多个子空间,在密钥分配和建立时使用Hash链技术,以提高网络的抗节点俘获能力。分析表明:相比传统的用于group-based投放模型的随机密钥预分配机制,HARPMS获得了同等的连通性,但却有更好的抗节点俘获能力。

基于双支路特征融合的MRI颅脑肿瘤图像分割研究

针对磁共振成像(magnetic resonance imaging, MRI)颅脑肿瘤区域误识别与分割网络空间信息丢失问题,提出一种基于双支路特征融合的MRI脑肿瘤图像分割方法。首先通过主支路的重构VGG与注意力模型(re-parameterization visual geometry group and attention model, RVAM)提取网络的上下文信息,然后使用可变形卷积与金字塔池化模型(deformable convolution and pyramid pooling model, DCPM)在副支路获取丰富的空间信息,之后使用特征融合模块对两支路的特征信息进行融合。最后引入注意力模型,在上采样过程中加强分割目标在解码时的权重。提出的方法在Kaggle_3m数据集和BraTS2019数据集上进行了实验验证,实验结果表明该方法具有良好的脑肿瘤分割性能,其中在Kaggle_3m上,Dice相似系数、杰卡德系数分别达到了91.45%和85.19%。