MMF联合糖皮质激素治疗伴肾功能损害的进展性IgA肾病的不同疗效的特点分析

目的分析吗替麦考酚酯（Mycophenolatemofetil,MMF）联合糖皮质激素治疗伴肾功能损害的进展性Ig A肾病时不同疗效的特点,探讨对疗效有预测价值的临床、病理特征。方法整群选择2010年2月—2013年6月在无锡市人民医院经肾脏病理检查诊断的原发性Ig A肾病42例,对符合进展性Ig A肾病特点,同时伴有肾功能损害,并接受MMF联合糖皮质激素治疗的病例进行回顾性分析研究。结果共42例患者纳入该研究,男性（21例）占61.9%,CKD3~4期患者占74.6%,平均e GFR（50.29±19.04）m L/min·1.73m2,平均蛋白尿（3.15±1.73）g/d;42例（100.0%）均予MMF联合泼尼松治疗,其中CR21例（50.0%）,PR15例（35.6%）,NR6例（14.3%）,治疗有效率85.6%。比较发现,NR患者基线蛋白尿高于CR、PR患者（P〈0.01）,血浆白蛋白低于后两者（P〈0.05）。肾活检时,NR组血肌酐最高（P〈0.05）、e GFR水平最低（P〈0.05）。NR患者病理上肾小管萎缩、间质纤维化最严重（P〈0.01）,细胞性新月体最少见（P〈0.01）。单因素、多因素COX回归分析结果表明,蛋白尿〉3.5g/d、e GFR〈30 m L/min·1.73m2、严重肾小管间质慢性病变为疗效差的独立危险因素。细胞性新月体为疗效良好的独立预测因素（P〈0.001）。不良反应在疗效差的患者中更多见（P〈0.05）。结论MMF联合糖皮质激素治疗伴肾功能损害的进展性Ig A肾病总有效率高,安全性好。尿蛋白〉3.5 g/d、e GFR〈30 m L/min·1.73m2、严重肾小管间质慢性损害均为疗效差的独立危险因素。细胞性新月体为疗效良好的独立预测因素。

基于多尺度形态滤波和递归求差的冲击特征自适应分离方法

针对故障诊断中的耦合冲击特征提取和分离难题,提出了一种基于多尺度形态滤波(multiscale morphological filtering, MMF)和递归求差的冲击特征自适应提取与分离方法。首先,利用能量幅值(energy amplitude, EA)指标和频响特性分析,从典型组合算子中筛选出适合冲击特征分离的组合形态滤波-帽变换(combination morphological filter-hat transform, CMFH)算子;其次,利用CMFH形态学算子和加权谐噪比(weighted harmonic to noise ratio, WHNR)指标实现周期性冲击特征提取;然后,利用求差增强技术(strengthen operate subtract operate, SOSO)抑制谐波干扰和白噪声,进一步增强周期性冲击特征;最后,通过迭代求差思想构造循环滤波器,对周期性冲击特征进行多尺度提取与分离。仿真数据和牵引电机轴承故障数据分析结果表明,该方法在随机冲击、谐波干扰下的周期性冲击提取能力优于最大二阶循环平稳盲解卷积(maximum second order cyclostationary blind deconvolution, CYCBD)方法和经典谱峭度方法。

基于多尺度形态学滤波和K-SVD的轴承复合故障特征提取方法

针对滚动轴承复合故障诊断中的故障特征分离和提取难题,课题组提出一种基于多尺度形态滤波(multiscale morphological filtering,MMF)和K-SVD字典学习的复合故障特征分离与提取方法。首先,利用多尺度形态学滤波的尺度差异对信号进行分解,实现复合故障特征分离;其次,通过特征能量因子(feature energy factor,FEF)筛选出最佳尺度分量,并利用K-SVD分别构建学习字典库;然后,通过正交匹配追踪算法(orthogonal matching pursuit,OMP)从字典库中重构出信号;最后,结合迭代求差思想,对复合故障进行分离和特征强化。仿真和实验分析表明该方法能够自适应地分离并准确提取滚动轴承复合故障特征。与经典变分模态分解(variational mode decomposition,VMD)方法对比,该方法具有更好的鲁棒性。

数学形态特征应用于昆虫自动鉴别的研究

用虫体面积、周长等 1 1项数学形态特征对 40种昆虫实现自动鉴别 ,得出了各项数学特征的权重。在昆虫的自动鉴别中 ,1 1项特征所起的作用大小为 :面积 >偏心率 >形状参数 >周长 >纵轴长 >孔洞数 >横轴长、似圆度 >叶状性 >圆形性 >球状性。以面积、周长等数学形态特征为分类依据 ,对隶属 8目 2 5科的 40种昆虫进行了二叉式分类 ,并以此为鉴别机理 ,实现了对昆虫自动识别软件 Bug Visux的升级 ,使其能够自动鉴别的昆虫种类由 3种增加到 40种 ,准确率达到 97.5%。

数学形态学在昆虫分类学上的应用研究.Ⅱ.在总科阶元上的应用研究

从总科角度对鳞翅目 (Lepidoptera)和鞘翅目 (Coleoptera) 5个总科 2 3种昆虫图像中提取的昆虫面积、周长等 11项数学形态特征进行了统计分析。结果表明 ,在总科阶元上 ,11项特征的可靠性大小为圆形性 >(面积、周长、横轴长、球形性、似圆度、偏心率 ) >(纵轴长、叶状性 ) >(形状参数、亮斑数 )。从数学形态特征角度讲 ,夜蛾总科等 3个总科的亲缘关系远近大小依次为夜蛾总科与凤蝶总科 >蚕蛾总科与凤蝶总科 >夜蛾总科与蚕蛾总科。

数学形态学在昆虫分类学上的应用研究.Ⅲ.在科阶元上的应用研究

在科分类阶元上对半翅目、鳞翅目和鞘翅目 8个科的 2 3种昆虫图像中提取的昆虫面积、周长等 11项数学形态特征进行了统计分析。结果表明 ,在科的阶元上 11项特征可靠性大小依次为 (似圆度、偏心率 ) >(面积、周长、横轴长、球状性 ) >(纵轴长、圆形性 ) >(形状参数、叶状性 ) >亮斑数。从数学形态学角度出发 ,夜蛾科等 3个科的亲缘关系远近为夜蛾科与粉蝶科 >大蚕蛾科与粉蝶科 >夜蛾科与大蚕蛾科 ;鳃金龟等 3科的亲缘关系远近为鳃金龟科与天牛科、丽金龟科与天牛科 >鳃金龟科与丽金龟科。

数学形态学在昆虫总科阶元分类学上的应用研究

对鳞翅目Lepidoptera和鞘翅目Coleoptera5个总科23种昆虫图像中提取昆虫面积、周长等11项数学形态特征进行了粗糙集神经网络分析,并与赵汗青统计分析加以比较,结果表明在总科阶元上,11项特征的可靠性顺序为面积、亮斑数>周长、横轴长、形状参数、圆形性、似圆度、偏心率>纵轴长、叶状性、球状性形性、似圆度、偏心率)>(纵轴长、叶状性)>(形状参数、亮斑数)。与赵汗青等人用统计学分析的结果不完全一致,但大多数属性特征重要性还是一致的。神经网络模式识别结果与传统分类结果完全一致。由此得出:粗糙集理论在昆虫依据数学形态特征进行分类方面与统计分析方法相比更为理想。

粗糙集理论在昆虫分类学上的应用

研究了昆虫的数学形态特征在目级昆虫分类阶元上作为分类特征的可行性、可靠性和重要性,以及3个目的亲缘关系远近。根据昆虫图像,对半翅目、鳞翅目、鞘翅目的28种昆虫提取形状参数、叶状性、球状性等7项数学形态特征进行了粗糙集理论与方法的论证和运算,并与赵汗青等人统计分析的结果加以比较。在作为目级阶元分类时,各项特征的重要性依次为:(似圆度、偏心率)>(亮斑数、球状性、圆形性)>(叶状性、形状参数)。从数学形态特征角度讲,3个目的亲缘关系远近大小依次为:半翅目与鞘翅目>鳞翅目与鞘翅目>半翅目与鳞翅目。粗糙集理论在昆虫依据数学形态特征进行分类方面与统计分析方法相比有更为理想的作用。

粗糙集神经网络在昆虫总科阶元分类学上的应用

为研究粗糙集和神经网络相结合方法的实践性,以及昆虫的数学形态特征在总科阶元上作为分类特征的可行性、可靠性和重要性。从总科角度对鳞翅目(Lepidoptera)和鞘翅目(Coleoptera)5个总科23种虫体图像中提取的昆虫面积、周长等11项数学形态特征进行粗糙集神经网络分析。结果表明:在总科阶元上,11项特征的可靠性大小为,面积、亮斑数>周长、横轴长、形状参数、圆形性、似圆度、偏心率>纵轴长、叶状性、球状性,与赵汗青等的统计分析结果中属性特征的重要性大多数一致;神经网络模式识别结果与传统分类结果完全一致。应用粗糙集理论进行昆虫数学形态特征分类结果准确;在昆虫总科阶元分类上粗糙集神经网络较统计学方法具有优势。

基于HHT的宽带幅度非平稳调制信号的特征提取

宽带调制信号在调制源的工作状态产生变化时,信号的调制频率、调制深度随时间变化,传统DEMON解调制方法难以获取短时变化的调制特征。本文针对非平稳调制特点,利用Hilbert-Huang Transform(HHT)数据自适应特性和高分辨率的时频分析能力以及数学形态滤波器(MMF)对信号的降噪性能,提出了一种利用HHT提取宽带幅度调制信号的调制特征方法(MH_DEMON)。MH_DEMON方法通过MMF对调制信号的包络曲线进行预处理,使之在时域波形上更加光滑;然后利用经验模态分解(EMD)方法将信号分解成各阶本征模态函数(IMF),最后利用IMF的Hilbert变换谱,提取各个时刻的目标瞬时调制频率。仿真数据和螺旋桨噪声数据的实验分析表明,与传统方法相比,MH_DEMON方法能有效提取非平稳宽带幅度调制信号的调制特征,为目标调制源分类识别和运动状态分析提供了支持。

粗糙集滤过的神经网络在昆虫分类学上的应用研究

根据昆虫图像,对半翅目、鳞翅目、鞘翅目的28种昆虫提取形状参数、叶状性、球状性等7项数学形态特征进行了粗糙集理论与方法的论证和运算,并与赵汗青等统计分析的结果加以比较;在粗糙集处理的基础上,通过神经网络模式识别,与传统分类相比较。实验结果表明:在作为目级阶元分类时,各项特征的重要性依次为:(似圆度、偏心率)>(亮斑数、球状性、圆形性)>(叶状性、形状参数);神经网络模式识别结果与传统分类结果完全一致。由此得出:粗糙集理论在昆虫依据数学形态特征进行分类方面与统计分析方法相比有更为理想的作用;粗糙集神经网络的结合应用在昆虫分类上有重要意义。