前列腺核磁超声图像配准融合有助于实现前列腺肿瘤的靶向穿刺。传统的配准方法主要是针对手动分割的前列腺核磁（Magnetic resonance, MR）和经直肠超声（Trans-rectal ultrasound, TRUS）图像上对应的生理特征点作为参考点，进行刚体或非刚体配准。针对超声图像因成像质量低导致手动分割配准效率低下的问题，提出一种基于监督学习的前列腺MR/TRUS图像自动分割方法，与术前核磁图像进行非刚体配准。首先，针对图像分割任务训练前列腺超声图像的活动表观模型（Active appearance model, AAM），并基于随机森林建立边界驱动的数学模型，实现超声图像自动分割。接着，提取术前分割的核磁图像与自动分割的超声图像建立轮廓的形状特征矢量，进行特征匹配与图像配准。实验结果表明，本文方法能准确实现前列腺超声图像自动分割与配准融合，9组配准结果的戴斯相似性系数（Dice similarity coefficient, DSC）均大于0.98，同时尿道口处特征点的平均定位精度达1.64 mm，相比传统方法具有更高的配准精度

针对锂离子电池荷电状态（Stage of charge，SOC）在线估计精度不高，等效电路模型法估计精度与模型复杂度相矛盾的问题，本文对扩展卡尔曼滤波算法进行了改进，并以电池工作电压、电流为输入，对应等效电路模型法的SOC估计误差为输出，采用极限学习机算法，建立基于输入输出数据的SOC估计误差预测模型，采用物理–数据融合方法，基于误差预测模型，建立了等效电路模型法结合极限学习机的锂离子电池SOC在线估计模型。仿真结果表明，改进扩展卡尔曼滤波算法提高了算法的估计精度，而物理–数据融合的锂离子电池SOC在线估计模型减小了由电压、电流测量所引入的估计误差，克服了等效电路模型法估计精度与模型复杂度之间相矛盾的问题，进一步提高了SOC的估计精度，满足估计误差不超过5%的应用需求

针对机器或设备的剩余寿命（Remaining useful life, RUL）预测精度低的问题，提出基于一维卷积神经网络（Convolutional neural network, CNN）和双向长短期记忆（Bidirectional long short-term memory, BD-LSTM）的集成神经网络模型。为了更好地抽取时间序列上的特征，以及产生更多的训练样本，采用滑动窗口对数据进行处理，同时采用卡尔曼滤波对数据进行降噪处理，将数据标准化以及设置RUL标签。与人工提取特征不同，利用一维CNN对数据进行特征提取，并舍弃了CNN中的池化层。然后将提取到的高维特征输入到BD-LSTM进行回归预测，并采用Bagging的方式对此神经网络进行集成来预测RUL。最后通过在NASA的数据集上验证该模型的有效性，以及相比于其他机器学习或者深度学习模型的优越性，实验表明所提模型在RUL预测方面更加准确

① 学习由醇制备卤代烃的原理和方法 ② 练习带有吸收有害气体装置的回流加热操作 ③ 学习液液萃取的原理及分液漏斗的使用方法

学习电动力学课程的主要目的是：⑴掌握电磁场的基本规律，加深对电磁场性质和时空概念的理解；⑵获得本课程领域内分析和处理一些基本问题的初步能力，为以后解决实际问题打下基础；⑶通过电磁场运动规律和狭义相对论的学习，更深刻领会电磁场物质性，帮助我们加深辩证唯物主义的世界观

学习有关精神分裂症谱系及其他精神病性障碍的基础知识。了解患者的特点以及流行病学 情况。对障碍的临床表现，诊断特征等进行深入的学习。讨论病因学模型，并从各个学科，学派的视角分析可行的治疗方案

学习有关 PTSD 的基础知识。了解 PTSD 患者的特点以及流行病学情况。结合视频资料，对 障碍的临床表现，诊断特征等进行深入的学习。讨论 PTSD 的病因学模型，并从各个学科，学派的视 角分析可行的治疗方案

综合性学习小专题《人无信不立》同步练习_综合性学习小专题 人无信不立 必刷习题

理解细胞生物学研究内容，了解细胞生物学发展简史，细胞生物学与医学关系 ◼ 什么是医学细胞生物学？ ◼ 为什么要学习医学细胞生物学？ ◼ 如何学习医学细胞生物学？

学习有关广泛性焦虑障碍的基础知识。了解广泛性焦虑障碍患者的特点以及流行病学情况。结合视频资料，对障碍的临床表现，诊断特征等进行深入的学习。讨论广泛性焦虑障碍的病因学模型， 并从各个学科，学派的视角分析可行的治疗方案