可重构智能表面辅助的V2I通信系统联合波束赋形算法

为解决基于信道先验知识的联合波束赋形方法受限于多变的车辆与交通基础设施(V2I)通信场景且信道估计开销过大等问题,该文结合环境态势感知,提出一种基于无线传播链路预测的联合波束赋形方法。该方法首先利用射线追踪模拟器构建了可重构智能表面(RIS)辅助的V2I毫米波通信系统模型,通过改变环境态势以获取多样的无线传播链路数据来构建数据集。其次,使用该数据集训练基于机器学习的无线传播链路预测模型。最后,在最大发射功率约束条件下,构建了联合波束赋形问题模型,并基于预测结果采用交替迭代优化方法(AIOA)优化基站波束赋形矩阵和RIS相移矩阵,以实现同步通信车辆用户最小信干噪比(SINR)的最大化。仿真结果验证了该方法的有效性,通过引入非信道先验知识驱动,降低了信道探测开销,提高了该方法在V2I场景中的可行性。

BCR-ABL阴性MPN患者JAK2 V617F基因突变及其与疾病类型、血管性疾病的关系

目的 研究断裂点簇集区/Abelson白血病病毒(BCR-ABL)阴性骨髓增殖性肿瘤(MPN)患者Janus激酶2(JAK2)V617F基因突变情况及其与疾病类型、血管性疾病的关系。方法 选取2020年5月至2023年5月濮阳市安阳地区医院收治的79例BCR-ABL阴性MPN患者为研究对象,另选取同期健康体检人群80例为对照组,于入院第1天采集外周血检测血常规和凝血功能,采用荧光定量聚合酶链反应技术(PCR)技术检测JAK2 V617F基因突变率和突变负荷,根据疾病类型和是否合并血管性疾病将患者分组并比较各组检测结果,采用多因素logistic回归分析研究血管性疾病影响因素。结果 MPN组JAK2 V617F基因突变率高于对照组(P<0.05);真性红细胞增多症(PV)组、原发血小板增多症(ET)组和原发性骨髓纤维化(PMF)组JAK2 V617F突变率分别为92.31%、57.78%和62.50%,ET组和PMF组突变率均低于PV组(P<0.05),3组突变负荷差异无统计学意义(P>0.05);血管性疾病组JAK2 V617F基因突变率和突变负荷均高于非血管性疾病组(P<0.05);血管性疾病组年龄、骨髓增殖性肿瘤总症状评估问卷(MPN-10)评分、纤维蛋白原(Fib)和D-二聚体(D-D)水平高于非血管性疾病组(P<0.05),两组性别、疾病分类、血红蛋白(Hb)、白细胞(WBC)、血小板(PLT)、活化部分凝血激酶时间(APTT)和斑块厚度(PT)差异无统计学意义(P>0.05)。JAK2 V617F基因突变阳性组Fib和D-D水平均高于JAK2 V617F基因突变阴性组(P<0.05);MPN并发血管性疾病危险因素包括年龄、D-D、JAK2 V617F突变阳性和JAK2 V617F突变负荷(P<0.05)。结论 BCR-ABL阴性MPN患者JAK2 V617F基因突变率较高,且JAK2 V617F基因突变可能引起凝血异常,与疾病类型和血管性疾病均存在密切联系。

EGFRwt/vⅢ与PKM2在乳腺癌中表达的相关性

目的:探究表皮生长因子受体突变体Ⅲ(EGFRvⅢ)与丙酮酸激酶亚型2(PKM2)在乳腺癌中表达的相关性。方法:选择2020年8月—2023年7月期间我院手术治疗的乳腺癌患者60例作为研究对象,通过免疫组化等实验检测EGFRwt、EGFRvⅢ、磷酸化EGFR、PKM2、β-连环蛋白(β-catenin)和磷酸化的β-catenin在乳腺癌和癌旁组织之间的表达差异,利用Spearman法相关性分析各变量间的相关性,从而验证乳腺癌中EGFRwt/vⅢ与PKM2的关系。结果:癌组织EGFRwt、EGFRvⅢ、磷酸化EGFR、PKM2、β-catenin磷酸化的β-catenin平均光密度值均高于癌旁组织(P<0.05)。癌组织EGFRwt、EGFRvⅢ、磷酸化EGFR、PKM2、β-catenin磷酸化的β-catenin表达阳性率均高于癌旁组织(P<0.05)。EGFRwt与EGFRvⅢ、磷酸化EGFR、PKM2、β-catenin、磷酸化的β-catenin均呈正相关(r=0.865、0.754、0.691、0.625、0.678,P<0.05),EGFRvⅢ与磷酸化EGFR、PKM2、β-catenin、磷酸化的β-catenin均呈正相关(r=0.582、0.564、0.817、0.756,P<0.05),PKM2与β-catenin、磷酸化的β-catenin均呈正相关(r=0.524、0.631,P<0.05)。结论:EGFRwt/vⅢ与PKM2的表达呈正相关。这一发现可能有助于进一步理解乳腺癌的发生机制,并为乳腺癌的诊断和治疗提供新的靶点和策略。

JAK2V617F突变性原发性血小板增多症并缺血性卒中10例临床特征分析

目的分析JAK2V617F突变性原发性血小板增多症(ET)并缺血性卒中的临床特征。方法回顾性分析2013年7月至2021年5月福建省立医院收治的7例及武平县医院收治的3例JAK2V617F突变性ET合并缺血性卒中患者的临床资料,分析患者临床特征(临床表现、实验室检测、骨髓细胞学)、影像学及治疗转归情况。结果10例JAK2V617F突变性ET合并缺血性卒中患者中,多发性脑梗死7例,单发性脑梗死2例,短暂性脑缺血发作1例。MRI显示3例患者病灶存在出血转化。9例脑梗死患者行血管评估,7例存在大动脉中重度狭窄或者闭塞。1例超急性期就诊者给予阿替普酶静脉溶栓后症状好转。二级预防:6例使用抗血小板、联合骨髓增生抑制剂,病情改善;3例起初仅用抗血小板治疗,病情反复,加用羟基脲治疗后2例病情改善。结论JAK2V617F突变性ET常引起大动脉粥样硬化狭窄性、多发性脑梗死且病灶较易出血,在抗血小板的基础上加用骨髓增生抑制剂可能有利于预防病情复发。

车联网V2I场景下基于GNN的SC-FDMA智能信道估计

随着车联网的迅猛发展,车对路基础设施(Vehicle to Infrastructure,V2I)通信对车联网的可靠性和时延提出了更高的要求,而信道估计是接收机高可靠低时延通信的重要保障.为解决传统信道插值算法不能有效拟合V2I信道快时变特性、自适应多普勒频移能力弱和传统神经网络可解释性不强的问题,本文提出基于图神经网络(Graph Neural Network,GNN)的单载波频分多址(Single Carrier-Frequency Division Multiple Access,SC-FDMA)智能信道估计算法.该算法将信道频率响应中的数据点作为图的节点、符号间时域相关性作为边,将图化后的数据送入GraphSAGE信道插值器(GraphSAGE Channel Interpolator,GCI)中,通过边更新、聚合操作、节点更新三大模块进行网络训练,同时采用多普勒频移矢量作为节点特征控制网络拟合不同多普勒条件的信道,使得网络具备可解释性.最后,系统仿真验证了在不同速度环境下算法的有效性和鲁棒性,较线性插值、样条插值以及全连接网络,本文所提GCI在低、中和高速移动环境下具有最优的误码率(Bit Error Rate,BER)和归一化均方误差(Normalized Mean Square Error,NMSE)性能,特别地,在200 km/h高速移动条件下GCI的优势更为明显.

基于移动机器人的V2X室内仿真平台

针对V2X场景测试存在费用高、危险系数大和场景难搭建等问题,提出了一种基于移动机器人的V2X室内仿真平台。该仿真平台由室内移动机器人、V2X设备和显示终端组成,移动机器人实时获取自身的坐标、速度、偏航角等数据,通过滤波和校准处理后转换为GNSS数据,并通过网络通信将GNSS数据发送给V2X设备。为了验证该仿真平台的有效性,设计了V2X前向碰撞场景,并进行了实验测试。测试结果表明,该仿真平台能有效地进行V2X场景的测试。

基于StyleGAN2-ADA和改进YOLO v7的葡萄叶片早期病害检测方法

为实现葡萄早期病害的快速准确识别,针对葡萄病害的相似表型症状识别率低及小病斑检测困难的问题,以葡萄黑腐病和黑麻疹病为研究对象,提出了一种基于自适应鉴别器增强的样式生成对抗网络与改进的YOLO v7相结合的葡萄黑腐病和黑麻疹病的病斑检测方法。通过自适应鉴别器增强的样式生成对抗网络和拉普拉斯滤波器的方差扩充葡萄病害数据。采用MSRCP算法进行图像增强,改善光照环境凸显病斑特征。以YOLO v7网络框架为基础,将BiFormer注意力机制嵌入特征提取网络,强化目标区域的关键特征;采用BiFPN代替PA-FPN,更好地实现低层细节特征与高层语义信息融合,以同时降低计算复杂度;在YOLO v7的检测头部分嵌入SPD模块,以提高模型对低分辨率图像的检测性能;并采用CIoU与NWD损失函数组合对损失函数重新定义,实现对小目标快速、准确识别。实验结果表明,该方法病斑检测精确率达到94.1%,相比原始算法提升5.7个百分点,与Faster R-CNN、YOLO v3-SPP和YOLO v5x等模型相比分别提高3.3、3.8、4.4个百分点,能够实现葡萄早期病害快速准确识别,对于保障葡萄产业发展具有重要意义。

单原子Al修饰空位缺陷V2C(MXene)对H_(2)气体表面吸附的第一性原理研究

基于第一性原理计算方法,对含空位缺陷的V2C(MXene)在不同位点修饰单原子Al的相关性能进行系统研究.研究表明,几何优化后得到含空位缺陷的V2C稳定结构表面能为-3075.53 J/m2,单原子Al修饰本征V2C单原子的吸附能为1.5511eV、单原子Al修饰空位缺陷V2C的吸附能为-2.0763 eV,这表明含空位缺陷的V2C,由于单原子Al的修饰可以明显改善晶体结构稳定性.进一步从态密度、分波态密度、吸氢能力研究发现,各体系态密度和分波态密度均出现分波越过费米能级的现象,表现出较强的金属性;V2C吸附H_(2)气体分子吸附能为-7.5867 eV,而空位缺陷V2C和单原子Al修饰空位缺陷V2C两个体系对H_(2)气体分子的吸附能仅为-0.9851 eV、-2.7130 eV,均未能进一步改善V2C对H_(2)气体分子的吸附性能,这对于储氢材料研发提供了一定的理论指导.

基于改进ShuffleNet V2的柑橘病害识别研究

大型卷积神经网络因模型复杂难以部署于实际应用,而轻量级网络因优化模型结构而导致精度往往不如前者理想。针对上述问题,对ShuffleNet V2进行改进,提出一种轻量化MAM-ShuffleNet柑橘病害识别模型。首先,在ShuffleNet V2中引入混合注意力模块(Mixed attention module,MAM),提升模型对病害特征提取能力。其次,利用Ghost模块优化网络中卷积层,有效降低网络模型参数量和计算成本。最后,调整网络结构中ShuffleNet V2单元堆叠次数,进一步简化网络参数。结果表明,在自建柑橘叶片数据集中,MAM-ShuffleNet模型平均识别准确率达到97.7%;与原始ShuffleNet V2相比,其参数量降低了45.7%,识别准确率提升了1.2百分点;综合性能明显优于ResNet50、DenseNet121等模型。

基于改进MobileNet v2的服装图像分类算法

针对现有服装图像分类算法参数量较多、识别精度低的问题,提出了一种基于注意力机制和迁移学习的改进型MobileNet v2算法。首先,选取MobileNet v2作为特征提取网络,确保服装分类算法的整体轻量性。其次,将通道与空间注意力机制嵌入特征提取单元,自适应地选择和强化有用的特征信息,从而提高服装图像分类算法的识别精度。最后,通过迁移学习方法对模型进行参数初始化,使得模型能够从源域中获得先验知识。在Fashion MNIST数据集上的实验结果表明:所提算法的分类精度为93.28%,相较于ResNet50、EfficientNet v2_l、ShuffleNet v2和MobileNet v2模型,分别提高了1.85%、1.34%、3.86%和3.17%;在DeepFashion数据集上的准确率为88.24%。此外,该算法参数量低至2.35M,单张图像推理速度仅为7.5 ms,在参数量基本不变的的情况下提升了分类精度与推理速度。

新型冷作模具钢9Cr5Mo2V不同热处理下的性能研究

以新型冷作模具钢9Cr5Mo2V为研究对象,通过淬回火温度对硬度的影响规律,选出5种不同的热处理工艺,对比不同工艺下模具钢的横、纵向冲击韧性、抗弯强度和耐磨性能,并与7Cr5Mo2V钢进行对照。结果表明,9Cr5Mo2V钢在1030℃淬火、520℃回火热处理下具有极佳的硬度(63.6 HRC)和耐磨性能(260.16 min/mm3);970℃淬火、520℃回火热处理后,其纵向平均冲击功最高,达62.83 J;经970℃淬火、210℃回火热处理后,9Cr5Mo2V钢具有优良的抗弯性能,纵向抗弯强度为3621.9 MPa。9Cr5Mo2V钢的纵向冲击功和抗弯强度均高于横向的纵向冲击功和抗弯强度。

路网耦合下计及电动汽车V2G潜力的充电站选址定容研究

电动汽车具备交通运输和移动负荷的双重特性,其大规模的集中充电过程会对交通网和电网同时造成冲击。利用电动汽车的移动属性和车辆到电网(V2G)技术,能够在时空层面优化其充电需求,不仅可以抑制上述冲击,还可以为电网提供额外的储能容量,协助电网削峰填谷和促进新能源消纳。以电网投资建设的充电站为例,提出一种同时考虑交通网和电网因素的充电站选址定容策略,在满足电动汽车充电需求的前提下,优化电动汽车的充电需求以最大化可用储能容量。首先,建立动态交通网模型,结合Floyd算法与区域特性精确模拟电动汽车的行驶路径,预测电动汽车充电负荷的时空特性。其次,基于电动汽车的充电负荷预测结果,以最大化储能容量、充电负荷平均分布、车辆驻车时间最长3个指标初步确定电站选址,然后再根据全时段的统计结果确定充电站的最优选址与容量。最后,以某市主城区的部分实际道路为例,预测充电负荷的时空分布,以最大储能容量为目标完成充电站的选址定容,并分析了优化结果对交通网和电网的影响,结果证明了所提方法的有效性。

基于多角度Kinect v2的羊只三维模型重构方法研究

羊只的体尺参数是衡量其生长发育状况、生产性能和遗传特性的关键指标。重建羊只的三维模型可以为自动化获取多种羊只体尺参数提供数据基础,因此提出一种基于多角度Kinect v2的羊只三维模型重构方法。该方法通过放置在羊只顶部和左右两个侧面的Kinect v2设备,获取羊只的三维点云数据;利用这些数据中的点云之间的相对位置关系,进行点云坐标的转换和初始配准;采用ICP算法进行精确配准建立三维模型。结果表明:当Kinect v2深度相机高度为120 cm、俯视角为30°时,获取的点云质量较高,自动配准的平均误差为0.233 cm,平均耗时为12.89 s。根据模型计算出的羊只体高、体斜长、十字部高和腰脚宽等体尺参数与实际测量平均误差均在5%以内。

基于5G-CV2X的多路口智慧公交绿波通行方法

提出了一种基于5G-CV2X的多路口智慧公交绿波通行方法。该方法通过5G-CV2X设备实时采集公交车行驶状态(速度、位置等)、公交车与当前路口的距离、路口位置和红绿灯的相位,云端使用基于遗传的非侵入式信号控制算法对多个路口红绿灯相位时长和公交车车速进行全局优化,然后云端将全局优化后的行车建议速度和指导相位通过5G发送至公交车和信号机,实现多路口绿波通行。实际道路测试验证,该方法能够实现多路口公交快速绿波通行,提升了公交系统的运行效率。

基于移动储能和电动汽车V2G的弹性配电网经济性灾后恢复决策方法

近年来,为应对频发的极端事件,配电网弹性提升技术迅猛发展。在实际应用中,技术方案经济成本过高成为制约其应用落地的重要因素。针对上述问题,本文提出了一个融合移动储能与电动汽车并网(V2G)技术的配电网弹性提升方案,其具体目标为优化灾后供电恢复过程中的经济成本,同时确保恢复效能。在灾害初期,通过建立预先的电动汽车调度模型来获取电动汽车的分布状况以及各个V2G站点的最大供电能力。接着,基于实际的道路网络规划和电力负荷数据,决定临时的移动储能(MESS)仓库的安置地点。在灾害后期,将恢复过程中的综合经济成本作为优化目标,通过调整V2G站点的输出和MESS的调度策略来进行优化决策。对所提方法运用多组算例进行了验证,仿真结果表明,所提协同恢复方案在降低系统灾后失电量的同时能够有效改善弹性策略的经济性。

基于知识蒸馏及改进ShuffleNet v2的棉花病虫害识别方法

为探索及时、准确识别危害棉花叶片病虫害的方法,做好防护和治理工作。针对自然环境下棉花叶片图像受复杂背景影响导致分类精度降低以及模型参数量大使其不便于移动端部署的问题,提出了一种基于知识蒸馏的棉花病虫害识别模型ESSKNet。首先构建了包含8种类别的棉花病虫害图像数据集,其次通过在ShuffleNet v2模型引入SK-Attention自适应调整卷积核的大小关注棉花叶片不同尺寸大小的病斑信息并降低棉花病虫害图像复杂背景对模型的影响,将卷积核大小从3×3调整为5×5使神经网络更好地捕捉图像中的上下文信息和长程依赖关系。然后选取EfficientNet v2模型作为教师模型,ESSKNet模型作为学生模型,使用MGD方法进行知识蒸馏。试验结果表明,改进后的模型对棉花病虫害的识别准确率达96.06%,并且该模型参数量仅有EfficientNet v2的6.6%。该模型能有效识别棉花病虫害且更便于部署在移动设备上,以实现对棉花病虫害图像实时、精确地识别。

非洲猪瘟病毒CD2v蛋白胞内域与胞外域的原核表达及其抗原性分析

【目的】应用大肠杆菌表达系统表达非洲猪瘟病毒(African swine fever virus,ASFV)CD2v蛋白胞外域(N-端,CD2v-N)与胞内域(C-端,CD2v-C)并分析两者的抗原性,为ASFV检测方法的研发提供试验依据和指导。【方法】构建CD2v-N和CD2v-C的重组原核表达质粒,在体外表达并纯化CD2v-N和CD2v-C蛋白,通过Western blotting对表达蛋白进行鉴定;用表达的CD2v-N和CD2v-C蛋白分别肌内接种免疫新西兰大白兔,共免疫3次,每次间隔2周;每次免疫后14 d,应用ELISA方法测定CD2v-N或CD2v-C的特异性抗体水平;用纯化后的CD2V-N和CD2v-C蛋白作为包被抗原,通过ELISA方法检测95份ASFV感染猪的血清CD2v-N或CD2v-C特异性抗体,比较CD2v-N和CD2v-C在猪体内诱导的免疫反应水平。【结果】重组蛋白CD2v-N和CD2v-C分别以包涵体和可溶性形式表达,分子质量分别为22.9和34.0 ku,均能与猪抗ASFV血清特异性结合;用CD2v-N蛋白首免家兔后14 d,血清中未检测到特异性抗体,而在CD2v-C首免的家兔血清中检测到了高滴度的特异性抗体;三免后14 d,CD2v-N和CD2v-C蛋白免疫家兔的血清特异性抗体效价分别为1∶125000和1∶107;ELISA检测结果显示,ASFV感染猪的血清中CD2v-C特异性抗体水平显著高于CD2v-N(P<0.05)。【结论】本研究表达了ASFV CD2v蛋白胞内域和胞外域,前者的抗原性比后者高,CD2v胞内域作为ASFV免疫学检测技术研究与开发的靶标更具优势。该研究结果对ASFV检测方法的研究与开发具有重要指导意义。

车载毫米波网络中IRS辅助的多跳V2V链路选择

多跳车辆与车辆(V2V)通信可以有效改善车载毫米波网络的连通性和覆盖范围,但是多跳转发会带来时延开销。智能反射面(IRS)可以提供反射增益以补偿远距离传输的高路径损耗,从而增加单跳传输距离,减少转发跳数。利用IRS辅助多跳V2V通信,能够减少转发跳数,降低时延开销。针对现有链路选择机制大多忽略转发车辆之间资源和信号冲突的问题,为车载毫米波网络中IRS辅助的多跳V2V通信提出一种基于向前转发效率和空间复用时分多址接入(FE-STDMA)的链路选择机制。综合转发距离、链路质量和传输时间评估候选链路的向前转发效率,将其作为链路选择的依据。在链路选择中利用空间复用实现并发传输,通过时分接入缓解转发资源冲突问题,从而最大化网络资源利用率。仿真结果表明,FE-STDMA机制的多跳时延相比于NFP机制平均降低49.88%,交付率远高于MFR和RFP机制,相比于NFP机制平均提高11.11%。与常用链路选择机制相比,FE-STDMA机制可在保证交付率的同时大幅改善多跳时延。

基于Point Transformer v2的点云枝叶分离方法研究

准确高效的点云枝叶分离对精确计算森林树木的垂直参数至关重要。然而,当前的研究方法计算成本高,且依赖先验知识导致泛化能力不足。针对以上问题,文章提出利用基于点特征的Transformer网络进行自动化的森林场景三维点云的枝叶分离研究。该方法使用Point Transformer v2网络,首先利用网格编码模块提取可学习的局部结构关系,保留点云的几何拓扑结构;其次使用分组注意力实现多通道联合学习,降低特征的冗余度,提高计算的效率;最后构建了基于点的Transformer网络实现高精度森林树木三维点云语义分割,降低了对于先验知识的需求。使用地基激光扫描仪获取的加拿大和芬兰7个不同树种样地的三维点云数据,进行枝叶分离实验和精度评价。实验结果表明,网络整体精度(OA)为94.42%,mIoU为78.89%,能够适应不同树种、不同点云密度的森林场景的枝叶分离。

基于融合注意力Bi-LSTM的V2X通信阻塞预测方法

为了解决Vehicle to Everything(V2X)毫米波通信系统延时高、链路易阻塞等问题,基于车辆和用户终端周围环境状态信息的感知,提出一种视觉辅助的能效最大阻塞预测方法。利用视觉感知模型实现系统对目标用户以及周围障碍物的精准感知,结合深度强化学习设计了一种融合特征和时间注意力的DA-DBLSTM网络预测未来链路阻塞到达时间,与传统注意力相比,该融合注意力不仅可以关注每个时间单元中的不同特征,而且关注不同时间单元的时序信息,使检测效果更优。仿真和分析结果表明,提出的DA-DBLSTM网络预测链路阻塞效果明显,在均方误差(Mean Square Error,MSE)、均方根误差(Root Mean Square Error,RMSE)、平均绝对误差(Mean Absolute Error,MAE)和平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)方面均优于现有方法。