摘要:目的 用超声波辅助法优化提取洛神花中花青素的提取工艺,并通过斑马鱼胚胎氧化应激模型进行抗氧化活 性研究。 方法 正交法进行提取工艺优化,斑马鱼胚胎进行氧化应激干预测试抗氧化水平。 结果 洛神花花青素最 佳提取工艺条件:提取温度 30 ℃ 、超声功率 300 W、料液比 1 ∶ 40(g / mL)、超声时间 90 min,此时得率为 2. 94 mg / g。 体外抗氧化活性表明,5. 8 mg / mL 洛神花花青素对 DPPH 自由基清除率、ABTS 自由基清除率和羟自由基清除 率分别为 83. 15 %、 63. 32 %和 74. 4 %。 通过斑马鱼胚胎氧化应激模型进行抗氧化活性研究发现,洛神花花青素 能够有效保护由 AAPH 诱导的斑马鱼胚胎氧化损伤,11. 6 μg / mL 剂量组的洛神花花青素极显著降低斑马鱼胚胎 ROS 的产生,抑制脂质过氧化物的生成和降低胚胎细胞死亡率,其作用效果与 2. 9 μg / mL VC 组相近。 结论 超声 辅助正交优化后的工艺能提高洛神花花青素得率,比单因素最高得率提高 37%;良好的体内外抗氧化活性为进一 步开发洛神花提供理论基础。

摘要:肠道菌群多数定殖在消化道较远端,与宿主共享许多酶反应,是人体必不可少的组成部分,对健康有重要影 响。 饮食中膳食纤维、植物营养素和微营养素等为肠道菌群提供营养、调节肠道菌群多样性与丰富度,同时也在预 防和治疗某些疾病中起着重要作用。 研究表明膳食纤维经肠道菌群高度发酵与膨胀,主要在结肠产生短链脂肪 酸,影响宿主新陈代谢和免疫系统,间接塑造肠道菌群,还参与细胞生长、肠道屏障与离子转运,并增加抗菌和宿主 防御基因表达等。 膳食植物营养素 90% ~ 95%经肠道菌群转化成高度生物可利用代谢物,显著改变菌群多样性, 对预防高脂饮食代谢综合征有积极作用。 维生素与微营养素为肠道菌群提供必需的营养,促进与致病菌竞争,调节免疫反应,改变肠道菌群与胃肠功能。 肠道菌群调节各种营养素全身的状态,有益于机体健康。

摘要:针对火电机组锅炉燃烧过程中预测 NOx 排放过程存在的非线性和时序性特点,提出一种基于核主成分分析 (KPCA)和注意力机制(AM)的门控循环神经网络(GRU)氮氧化物预测模型。 首先选用 KPCA 对模型的输入变量 进行降维,消除冗余变量;其次,将筛选的变量数据作为 GRU 的输入,并采用网格搜索优化 GRU 的超参数;最后, 引入 AM 计算权值,实现区分输入特征功能,提高 NOx 预测模型精度。 通过某 330 MW 电站锅炉实际数据对 AGRU 预测模型仿真验证,并将 AGRU 模型、GRU 模型和 BP 神经网络模型的预测结果进行对比。 结果表明:基于 AGRU 的 NOx 预测模型的均方根误差和平均绝对误差较 BP 神经网络和 GRU 模型均有减少,可精准预测非线性时序燃 烧过程的 NO x 排放。

摘要:针对混合输电线路故障多、定位精度差等问题,提出一种基于改进的自适应噪声完备集合经验模态分解 (CEEMDAN)和 Teager-Kaiser 能量算子相结合的混合三端输电线路故障测距方法。 首先对输电线路故障电压信号 使用新型相模变换进行解耦,以消除线路间的电磁耦合现象;然后利用改进的 CEEMDAN 和 Teager-Kaiser 能量算 子对解耦后的故障电压信号进行分解,提取了故障初始行波到达检测点的时间,再根据故障时暂态电压行波零模 分量和线模分量的故障特性,提出一种基于零模和线模时间差的故障分支判别方法;最后为解决无法得到行波波 速精确值的问题,采用基于零模线模时间差的行波测距方法得到了精确的故障定位数据。 基于仿真模型,对比改 进 CEEMDAN 算法和传统 CEEMDAN 算法,验证所提改进算法的有效性。 仿真结果表明,所提算法不受故障类型、 过渡电阻、波速、时间不同步的影响,具有较高的测量精度。 改进 CEEMDAN 算法能够有效改善故障信号经传统 CEEMDAN 算法分解后带来的随机性问题,具有较高的工程应用价值。

摘要:针对三相交流电输电线路的故障信号分解存在误差,影响故障分类准确率的问题,为了提高故障信号分解 的精细程度以及分类准确率,现基于故障电压信号提出一种改进的变分模态分解(VMD) -排列熵(PE)的故障特 征提取的分类方法;通过 MATLAB / Simulink 搭建故障仿真模拟线路,生成故障数据集,为了得到最理想以及分解 效果最好的组合,通过鲸鱼算法(WOA)优化对故障电压信号 VMD 的惩罚参数以及分解的个数进行求最优解组 合,增加了各个分量分解的精度,采用同一变量法进行对比实验分析,分别利用 VMD 以及 EMD 对故障电压进行分 解得到本征模态分量(IMF),结合排列熵(PE)对各个 IMF 进行计算,得到相应的特征向量,作为分类的依据,带入 到高斯优化支持向量机(SVM)的决策树(DT)进行故障分类验证;通过仿真实验证明改进的 VMD-PE 对故障电压 分解更加的具有可分辨性,同时相较于 EMD-PE,识别率有很大的提升,极大程度的避免了混沌情况的发生,故障识别的准确率可高达 96. 7%,可以作为分解以及分类的依据。

摘要:针对基于流形正则化自表示(MRSR)的无监督特征选择算法直接从原始的样本空间构造相似矩阵可能会 导致重构空间中样本的相似性描述得不够准确的问题,提出了基于自适应流形正则化自表示的无监督特征选择 (AMRSR)算法。 基于自适应流形正则化自表示的无监督特征选择算法在 MRSR 算法的基础上通过对相似矩阵施 加概率最近邻约束将相似矩阵的学习嵌入到优化过程中,在重构空间中自适应地学习样本的相似性,使得在每一 次迭代中获取更加精确的样本局部几何流形结构,从而选择具有代表性且保持局部几何流形结构的特征。 最后, 在四个公开数据集上进行了大量的对比实验,通过将算法的特征选择结果用于 K-means 聚类并采取两种常见的聚 类评价指标:聚类精确度和归一化互信息评价聚类效果。 实验结果表明,AMRSR 算法与现有的一些算法相比有更 高的聚类精确度和归一化互信息,进一步表明该算法特征选择效果更好。

摘要:在医学图像分割领域中,肺实质的分割对肺结节检测有着至关重要的作用,在考虑到模型参数量的情况下 追求更高的精度一直是研究热点之一;为此提出了新的三层密集卷积神经网络 DA-UNet,首先用密集卷积模块代 替在传统 U-Net 使用的普通 3×3 卷积,利用密集卷积特征重用特点,加强了网络的特征提取能力。 再者在没有太 过影响分割网络精确度的前提下加以修剪,减少了上下采样次数,减少不必要的算力消耗。 此外,使用了注意力门 (Attention gate),加强了跳跃连接中高底层信息融合效果,并且使用空洞空间金字塔池化( Atrous spatial pyramid pooling),模型加入了不同尺度的特征信息,进一步加强图像中任务相关的区域特征,有效减小噪声干扰,提高网络 分割精度。 通过实验证明:三次上下采样改进模型的参数量只有传统四次上下采样的 75. 2%左右,但是分割效果 没有太大的影响,用 LUNA 竞赛肺部影像数据集进行了分割验证,实验结果在测试集上的准确率达到了 0. 991,而 IoU 则为 0. 961,比起传统 U-Net 的评价指标 IoU 提升了 2. 9%;在泛化实验的肝脏图像中,DA-UNet 的 IoU 稳定在 0. 929 左右,而 U-Net 稳定在 0. 838 左右。 这些结果证明了改进的 U-Net 有更佳的分割效果。

摘要:为了解决低光照图像存在的对比度低、噪声大等问题,提出一种基于 Retinex 理论的卷积神经网络增强模型 (Retinex-RANet)。 它包括分解网络、降噪网络和亮度调整网络 3 部分:在分解网络中融入残差模块(RB)和跳跃连 接,通过跳跃连接将第一个卷积层提取的特征与每一个 RB 提取的特征融合,以确保图像特征的完整提取,从而得 到更准确的反射分量和光照分量;降噪网络以 U-Net 网络为基础,同时加入了空洞卷积和注意力机制,空洞卷积能 提取更多的图像相关信息,注意力机制可以更好地去除反射分量中噪声,还原细节;亮度调整网络由卷积层和 Sigmoid 层组成,用来提高光照分量的对比度;最后将降噪网络去噪后的反射分量和亮度调整网络增强后的光照分 量融合,得到最终的增强结果。 实验结果显示:Retinex-RANet 在主观视觉上不仅提高了低光图像的亮度,还提高了色彩深度和对比度,在客观评价指标上,相较于 R2RNet,PSNR 值上升了 4. 4%,SSIM 值上升了 6. 1%。 结果表 明:Retinex-RANet 具有更好的低光图像增强效果

摘要:结合量子近似优化算法求解约束优化问题是当前的研究热点之一,针对约束优化问题,提出了一种在量子 近似优化算法框架中的改进方法;此方法融合了二次无约束二元优化和量子交替拟设这两种方法,同时将在目标 算符中添加惩罚项,将不符合解的期望值降低和通过对问题进行求解得出问题的可行解,将混合操作限定在可行 解空间内融合在一起;优点在于在求解约束优化问题时,能减小迭代次数,快速并准确地得到问题的最优解;以最 小顶点覆盖问题为例,将提出的方法与几种已有的方法做比较,得出方法能减小量子近似优化算法的迭代次数,使 得能够高质量和高效率的求解约束优化问题。

摘要:目的 针对秃鹰搜索算法(Bald Eagle Search,BES)在函数优化时存在寻优精度低,易陷入局部最优等问题, 提出一种混合策略改进型秃鹰搜索算法( Hybrid Strategy Improved Bald Eagle Search,HSIBES);方法 首先利用 Logistic 映射策略初始化种群,使种群分布更加均匀,其次在搜索空间阶段引入莱维飞行,控制步长,改善收敛效果 并跳出局部最优,最后在搜寻空间食物中使用自适应惯性权重,提高收敛速度与精度,平衡算法的局部与全局搜索 能力;结果 将 HSIBES 算法与其他五种基准算法以及其他学者改进的算法进行对比,通过在 9 个测试函数上进行 仿真实验,并进行 Wilcoxon 秩和检验验证 HSIBES 算法的性能,发现 HSIBES 的结果优于其他对比算法,与其他对 比算法之间具有显著性差异;结论 实验结果表明:HSIBES 算法的寻优精度,收敛速度以及稳定性都更好,算法的性能更具优越性。

摘要:目的 由于传染病的不断复杂化,一类传播过程中出现大量隐性感染人群的疾病逐渐流行,提出一种基于 SEIR 模型改进后的 SEIR-A 模型来更加准确地刻画该类疾病的传播机制。 方法 在动力学模型方面,主要有以下两 点改进:一是假设潜伏期人群和显性感染人群具有一致的传染因子;二是引入具有不同传染性的隐性感染人群 A, 且增添隐性感染者向显性感染者单向转换的常值因子 ω,构建一类具有特殊隐性感染人群的 SEIR-A 模型。 此外, 将改进后的 SEIR-A 模型与时间卷积网络 TCN 模型线性结合,得到一种动力学模型和深度学习模型相互融合的混 合模型。 结果 通过真实数据的拟合,结果表明:SEIR-A 模型可以模拟传染病的总体趋势,且能够对该疾病中现存 隐性感染人群和累计恢复人群做出准确拟合,决定系数 R2 分别达到 0. 987 0 和 0. 989 9,证明该模型合理;SEIR-A 与 TCN 的混合模型可以实现对复杂现存显性感染人群的拟合,相较于单一的 SEIR-A 模型、TCN 和 LSTM 模型,该 混合模型的决定系数 R2 达到了 0. 961 1,取得了 5 种对比模型中最优的拟合精度。 结论 传统动力学和深度学习的 结合,可以在体现疾病传播机理的同时有效解决传统模型拟合精度不高的问题,对传染病研究具有现实意义。

摘要:目的 利用人工智能算法辅助药物设计,实现拮抗乳腺癌候选药物的分子描述符筛选、ERα 回归预测、 ADMET 分类预测。 方法 针对乳腺癌候选药物筛选问题,以化合物对抑制乳腺癌靶标的生物活性及其 ADMET 性 质出发,基于获取的 1 974 种化合物数据,分别利用稀疏贝叶斯学习与随机森林算法进行两阶段筛选,得到不具备 强相关性的前 20 个对生物活性最具显著性影响的分子描述符;随后以筛选后的数据及其 PIC50 值为基础建立了 QSAR 模型,基于灰狼优化的核极限学习机算法对新化合物的生物活性进行了预测,横向对比 11 种常见机器学习 算法,同时利用 GBDT 算法构建了 ADMET 分类模型。 结果 GWO-KELM 模型具有更高的拟合优度与更低的均方误 差,而且药物性质识别的 4 个模型预测准确率均保持 90%以上。 结论 所建模型能够有效分析并预测化合物性质, 为抗乳腺癌候选药物的研发提供参考。

摘要:针对具有 α 混合结构的函数型时间序列数据,当响应变量随机缺失时,利用函数型单指标模型进行统计建 模,并采用 k 近邻方法对模型中未知参数和未知函数进行估计,与经典核方法相比,其数据适用性更强,可以提高 估计效率;通过数值模拟和厄尔尼诺海平面温度数据,将 k 近邻方法和经典核方法进行比较,讨论 k 近邻方法与经 典核方法对未知参数和未知函数的估计效果;从模拟结果可以看到:k 近邻方法对未知参数和未知函数的估计精度 以及随样本增加的改善效果要优于经典核方法,在真实数据分析中,k 近邻对真实数据的精度拟合以及趋势拟合都 表现优异;这些结果表明:在响应变量随机缺失的时间序列单指标模型中,采用 k 近邻方法对未知参数和未知函数 进行估计,在精度上要优于经典核方法,同时在真实数据分析中,相比经典核方法,k 近邻方法能更好地拟合 数据。

摘要:针对向量自回归模型(VAR)的高维估计问题,结合贝叶斯理论提出了一种融合正态-逆 Wishart 共轭先验 分布的估计方法。 在该估计方法中,所提出的模型引入 Metropolis-Hastings(MH)算法,从以往数据集中确定先验分 布超参数,并通过设定与模型尺寸相关的收缩系数从而进行估计。 与传统 VAR 模型相比,基于贝叶斯理论的估计 方法可在保留相关样本信息的同时控制过度拟合,具有较好的稳健性和有效性。 此外,在改进的 BVAR 模型基础 上,结合区制转移技术与误差修正模型提出了 MS-BVECM 模型,该模型能够有效分析经济周期内各变量之间长期 与短期均衡状态变化,当短期内经济变量受到波动而与长期均衡状态发生偏离时,误差修正模型机制会使其逐渐 重新回到长期均衡状态,以保证模型的稳健性。 最后,以重庆市为例,利用所提模型对其能源消费、产业结构升级和经济增长的动态关系进行了分析与预测并提供了可行建议。