【摘 要】
：
温度能够反映生物体的新陈代谢和健康状况等，因此活体内温度的准确测量，一直是众多科研人员努力的方向。由于生物体的电阻特性、不透明性等，以及出于安全性、舒适性等考虑，磁学温度测量/成像逐步成为最具前景的医学影像方法之一。因此本文对基于磁纳米粒子磁化响应和基于核磁共振机理的两种磁学测温方法进行研究，以外加激励磁场对磁纳米粒子磁化响应的温度敏感性的调控规律为出发点，优化了磁纳米粒子直流测温模型的测温性能，并重点探究了将氧化铁磁纳米粒子作为温度传感器实现高灵敏度的核磁共振温度测量和温度成像的可行性。具体内容如下：<
论文部分内容阅读
温度能够反映生物体的新陈代谢和健康状况等，因此活体内温度的准确测量，一直是众多科研人员努力的方向。由于生物体的电阻特性、不透明性等，以及出于安全性、舒适性等考虑，磁学温度测量/成像逐步成为最具前景的医学影像方法之一。因此本文对基于磁纳米粒子磁化响应和基于核磁共振机理的两种磁学测温方法进行研究，以外加激励磁场对磁纳米粒子磁化响应的温度敏感性的调控规律为出发点，优化了磁纳米粒子直流测温模型的测温性能，并重点探究了将氧化铁磁纳米粒子作为温度传感器实现高灵敏度的核磁共振温度测量和温度成像的可行性。具体内容如下：
首先，对磁纳米粒子的粒径(粒径分布)、磁化特性等磁-温参数进行表征。然后，为了优化基于磁纳米粒子磁化响应的测温性能，建立了磁纳米粒子磁化响应的温度敏感性模型，并研究了磁纳米粒子参数及外加激励磁场等对温度敏感性的影响。仿真表明，使得磁纳米粒子磁化响应的温度敏感性达到最优的激励磁场幅值随着磁纳米粒子粒径的增大而减小。指明了磁纳米粒子测温的应用条件，即小粒径磁纳米粒子适用于较高磁场下的温度测量，而大粒径磁纳米粒子则更适用于较低磁场下的温度测量。
然后，基于磁纳米粒子磁化响应温度敏感性分析的结论，通过在三角波激励磁场中叠加直流偏置磁场，调控磁纳米粒子磁化响应的温度敏感性，达到了提升磁纳米粒子直流测温模型测温效果的目的。仿真发现，该方法可以显著提升小粒径磁纳米粒子的测温效果，将测温误差的标准差由几K甚至十几K，优化至0.15K左右，为小粒径磁纳米粒子的测温提供了新的应用思路。
进一步，由于磁纳米粒子对核磁共振弛豫机制具有增强作用，本文提出将具有温度敏感性的磁纳米粒子和核磁共振测温结合起来。通过在弛豫增强模型中引入磁纳米粒子磁化响应的温度敏感性，建立了磁纳米粒子增强作用下基于核磁共振横向弛豫率(R2)的测温模型。通过分析磁纳米粒子粒径、饱和磁化强度及激励磁场等参数对R2弛豫率温度敏感性的调控发现，寻找磁纳米粒子与磁共振系统相适配的参数，并使得磁纳米粒子的温度敏感性趋于最优，才能实现高精度的温度测量和温度成像。最后，根据实测磁纳米粒子磁化响应的温度敏感性及其与磁场的依赖关系，选择适配的磁纳米粒子和磁共振仪进行R2弛豫率温度敏感性实验。通过分析磁纳米粒子增强作用下核磁共振R2弛豫率的温度特性，获得了最佳0.05℃的整体测温精度。随后通过T2加权温度成像实验，验证了该方法温度成像的可行性。
其他文献
近年来，大量的研究者对文字、语音以及面部表情做了情感分析的研究。由于人类的情感是非常复杂的，且表达情感的方式也十分多样。所以同时考虑不同模态的特征，对于准确判断情感的倾向来说就显得尤为重要。现如今的研究大多停留在单模态或双模态的情感识别，存在着准确率不高的情况。所以本文为了解决该问题，针对文本、音频、视觉这三个模态进行了多模态情感识别的研究。本文的创新点主要有以下两点，总结如下：
①本文提出了一个基于信息增强的多层次上下文多模态情感识别模型IEF-BiGRU。该模型使用了信息增强的方式来放大多模
大规模图像检索任务通常被抽象为近似最近邻搜索问题（Approximate Nearest Neighbor Search，ANN），哈希方法作为ANN的代表方法，被广泛应用于图像检索任务中。近年来，基于深度神经网络良好的特征提取能力，一系列深度哈希方法被提出，也使基于深度哈希的多标签图像检索方法成为新的研究方向。
本文聚焦多标签图像的深度哈希检索任务，着力解决其存在的多标签图像相似度的精确度量、图像代表性语义信息的提取、哈希码汉明距离与原始图像相似度的一致性保留3个难题，提出一种融合注意力机制和
随着车联网、无线通信技术的不断发展，涌现了一系列诸如超高清视频、自动驾驶等计算密集型、时延敏感型应用。传统集中式的云计算架构因过重的主网络负载和过长的服务响应时延，无法满足海量终端和新兴应用所需的低时延、高带宽等需求。有研究提出，联合车联网和雾计算形成车载雾计算(Vehicular Fog Computing,VFC)，将计算、存储以及通信等功能从云端下沉到无线网络边缘，为移动终端提供邻近的实时计算服务，从而减轻网络负担，降低响应时延。VFC作为一种新的应用范式，在车联网中具有广阔前景。然而，VFC架构中
输电线路场景下，防震锤、绝缘子、导线等关键设备的损坏间接影响供电系统的正常稳定运行。定期巡检输电线路，可以有效的避免供电系统故障。如今通常采用无人机巡检输电线路，并拍下输电线路场景下的巡线图像，最后人工查看巡线图像中的缺陷。因此，为了提高输电线目标缺陷检查效率，需要研究输电线关键目标检测，实现目标的快速定位，最终提高输电线路巡检工作效率。
在输电线关键目标检测研究过程中，以手工特征为主的传统目标检测方法，只能针对特定类型并且具有易区分特征的目标，其鲁棒性较差。当前主流的基于深度神经网络的目标检测
深度学习的神经网络相较于传统神经网络方法显著的特点是计算量大，因此迫切需要计算系统具备更高的性能、更低的功耗来运行深度神经网络，本文的研究目标在于设计基于忆阻交叉阵列的深度神经网络电路，达到速度和能效的大幅提升，通过该电路实现图像语义分割、文本情感分析任务。
本文将忆阻交叉阵列和深度学习中应用广泛的全卷积神经网络、长短期记忆神经网络结合，设计基于忆阻交叉阵列的深度神经网络，使用忆阻作为神经网络的突触，可降低整个电路系统的能耗和延迟。在实现全卷积神经网络设计过程中，本文利用忆阻交叉阵列实现包括卷积
随着大数据时代的到来以及深度学习算法在工业界的普遍应用，机器学习模型的构建开始由理论驱动转为数据驱动。但是在处理在线问题时，不能同时使用大批量样本并且样本不能保存，所以常规离线算法很难发挥作用。在线迁移学习算法通过迁移源域知识，能够降低目标域在线任务对训练样本的要求，同时又能够辅助目标域在线模型的构建，近年来得到了很多关注。本文围绕文本分类问题，对已有的有监督在线迁移学习算法框架进行改进，并针对半监督在线迁移学习问题提出新的方法。
现有的在线迁移学习算法框架大部分是基于多模型加权融合的集成方式构
随着互联网的快速发展，以微信、微博为代表的自媒体平台成为信息发布和传播的主要媒介。舆情从现实世界转移到网络虚拟空间，一些社会突发事件或公共问题往往成为社会舆论焦点，诱发网络舆情。舆情反转是网络舆情中的一种重要现象，反转事件的频繁上演，不仅损害媒体的公信力，也造成一定的社会负面效应。目前关于舆情反转的研究多以定性分析为主，较少从定量角度研究舆情反转的演化规律。因此，运用科学可靠的技术手段分析舆情反转的内在原因及演化过程，具有重要的研究意义。
本文基于现实社会的个体视角，采用数学建模、计算机仿真分析
群智能指的是在由众多简单个体组成的种群中，个体遵循简单的行为规则并且彼此进行交互时，在宏观层面上涌现出来的智能现象。目前，对群智能的研究多集中于对群智能优化算法的研究，主要体现在提出的一些新型群智能优化算法，例如狼群算法、狮群算法，或是对已有的群智能优化算法加以改进，例如对经典的蚁群算法、粒子群算法、遗传算法等群智能优化算法加以改进，使其在某些性能指标上得到改善。本文针对以蜂群劳动分工为代表的群智能劳动分工展开相关研究，将关注点由群智能优化算法转移到对种群协调分工相关问题的研究。
群智能劳动分工
随着经济和互联网的发展，客户订单数量激增且种类繁杂，配送中心为了降低物流成本同时提升服务质量，以快速高效的将商品配送到客户手中，就需要对其作业流程进行优化。其中订单拣选作业是配送中心人工成本最高的部分，因此制定合理的订单拣选作业解决方案，不仅可以提高订单拣选效率，同时也能提高订单准时性。然而，目前多数关于订单拣选作业的研究都忽略了拣货员之间的路径冲突，并且订单拣选作业的优化目标都比较单一。因此本文重点研究考虑路径冲突的拣选路径优化问题，建立符合实际情况的优化模型并求解，对于指导配送中心的订单拣选作业具有非
近年来，深度神经网络已经在人类日常生活中得到广泛普遍的应用。但有研究表明这些模型并非完全可靠，它们容易受到对抗样本的攻击而做出违背人类直觉的判定。研究对抗攻击既可以作为衡量神经网络鲁棒性的基准，促进建立结构更合理、鲁棒性更强的模型。又可以作为保护人类隐私的手段，遏制利用深度神经网络恶意窃取个人信息的违法现象。
理想的对抗样本应在保持攻击成功率的同时不影响人类的正常判定，即兼具隐蔽性和攻击强度。针对对抗样本的隐蔽性，本文提出了一种基于注意力机制的空间转换对抗样本(A-stadv)生成算法。该算法首