诊断学是研究诊断疾病的基本原理和方法的学科。本课程是临床专业的专业基 础课,它的任务,通过诊断原理和方法的学习,逐步掌握诊断疾病的基本理论,基 本知识和基本技能,为进一步学习各临床课程及今后的研究工作打下基础

提出基于普通变尺度和周期势自适应随机共振理论，检测噪声背景下轴承滚动体的故障特征.在具体实施过程中，首先用普通变尺度的方法满足随机共振中小参数的条件，然后用随机权重粒子群优化算法作为自适应随机共振参数寻优的优化算法，同时用改进的信噪比作为评价指标.噪声背景下含轴承滚动体故障的实验信号经过普通变尺度下的自适应随机共振处理和优化后，微弱的故障特征可以有效的提取出来.将普通变尺度下的双稳态自适应随机共振和周期势自适应随机共振进行了对比，结果表明周期势自适应随机共振比双稳态自适应随机共振能进一步提高信噪比，并且比双稳态自适应随机共振迭代次数少，用时短.这说明提出的基于普通变尺度和周期势系统自适应随机共振的轴承滚动体故障诊断方法具有优越性，尤其是在工程实际中，故障监测所需的数据量大，计算时间长，如能较早的预警，可以提高诊断效率并减少不必要的损失.因此，这种轴承滚动体故障诊断方法对提高机械设备故障诊断效率具有参考价值

完成了一个故障模糊诊断专家系统(Fault Fuzzy Diagnose Expert System).FFDES由知识库维护、故障诊断、诊断解释、列表打印4个基本模块组成,此系统基于模糊数学中的模糊变换的原理建立推理诊断机制,经实例考察,结果满意

深度神经网络技术用于机械设备故障诊断展现出了巨大潜力，但繁重复杂的计算量对计算机硬件提出了严苛的要求，严重限制了其在实际工程中的应用。基于此提出一种新型的轻量级神经网络ShuffleNet，用于高速列车轮对轴承故障诊断研究。该网络模型基于模块化设计思想，包含多个高效率的ShuffleNet单元，通过运用分组卷积与深度可分离卷积技术极大改善了传统卷积操作的运算效率；同时使用通道混洗方法克服了通道分组带来的约束，改进了网络的损失精度。实验分析表明，所提网络模型可有效用于复杂工况下高速列车轮对轴承故障诊断，相比传统卷积神经网络、残差网络和Xception等当前深度神经网络模型，在保证诊断精度的同时，运行效率得到大幅提升。这为深度神经网络技术应用于工程实际，克服计算机硬件条件限制提供了一条新的途径

一、Z箍缩及其等离子体辐射特征 二、可见光及紫外光图像诊断 三、软X射线图像诊断 四、软射线能谱诊断 五、辐射总功率测量 六、基础辐射诊断条件保障

一、教学目的(掌握、熟悉、了解的具体内容) 了解呼吸衰竭,包括急性呼吸衰竭、急性呼吸窘迫综合征(ARDS)和慢性 呼吸衰竭的概念,各自的病因和发病机制,症状和体征以及胸部影像学等临床表 现。各自的诊断学方法,诊断和鉴别诊断以及治疗。 重点为掌握急性呼吸衰竭、ARDS和慢性呼吸衰竭的诊断和鉴别诊断要点以 及治疗原则

开发了计算机辅助孔型诊断系统。该系统以软件工程的技术为指导,可对孔型设计中的各种约束条件进行诊断,并对不合理的孔型给出修改方案。生产实践表明:该系统诊断正确,修改迅速

本文介绍一种用于诊断轴承、齿轮(在线或离线)故障的专家系统FDES(A Failure Diagnosis Expert System)。该系统由征兆获取模块、知识获取、知识库管理、元知识自动生成、推理机、解释、人机接口7个基本模块组成。这7个模块可实现自动、精密两级诊断过程。系统采用模糊诊断方法。在推理中采用黑板结构控制下正、反向相结合的推理机制

针对滚动轴承故障振动信号的特点,考虑变分模式分解在复杂信号分解及微积分增强能量算子在瞬态成分检测方面的优势,提出基于变分模式分解和微积分增强能量算子的滚动轴承故障诊断方法.首先利用变分模式分解将复杂信号分解为多个本质模式函数,以削弱背景噪声的影响和满足能量算子对信号单分量的要求;然后根据提出的敏感分量选取原则,从本质模式函数中选出包含主要故障信息的本质模式函数为敏感分量;最后利用微积分增强能量算子强化敏感分量中的瞬态冲击,并根据敏感分量瞬时能量的时域波形及Fourier频谱诊断滚动轴承故障.分析结果表明该方法能够有效诊断滚动轴承故障

教学目的(掌握、熟悉、了解的具体内容等) 1、掌握二尖瓣狭窄临床表现、诊断及鉴别诊断、治疗原则 熟悉二尖瓣狭窄病因、病理生理及超声心动图的特点 2、掌握二尖瓣关闭不全临床表现、诊断及鉴别诊断、治疗原则 熟悉二尖瓣狭窄病因、病理生理及超声心动图的特点