<bdo id="qc24a"></bdo>
功能菜單 1.商品管理 a.商品目錄 b.商品管理 c.促銷商品 2.訂單管理 3.報(bào)表統(tǒng)計(jì) 4.會(huì)員管理 a.會(huì)員管理 b.會(huì)員來源 c.會(huì)員分類 d.業(yè)務(wù)員管理 e.會(huì)員積分 f.會(huì)員充值 g.禮品數(shù)據(jù) 5.網(wǎng)站管理 a.信息管理 b.友情鏈接 c.網(wǎng)站留言 d.網(wǎng)站參數(shù) e.配送管理 6.系統(tǒng)管理 a.用戶管理 b.支付管理 c.數(shù)據(jù)清理 7.修改密碼 8.退出系統(tǒng) 后臺(tái)訪問方式為admin/index.asp 用戶名8001密碼111111
上傳時(shí)間： 2014-01-03
上傳用戶：woshini123456
心音信號(hào)是人體最重要的生理信號(hào)之一，包含心臟各個(gè)部分如心房、心室、大血管、心血管及各個(gè)瓣膜功能狀態(tài)的大量生理病理信息。心音信號(hào)分析與識(shí)別是了解心臟和血管狀態(tài)的一種不可缺少的手段。本文針對(duì)目前該研究領(lǐng)域中存在的分析方法問題和分類識(shí)別技術(shù)難點(diǎn)展開了深入的研究，內(nèi)容涉及心音構(gòu)成的分析、心音信號(hào)特征向量的提取、正常心音信號(hào)（NM）和房顫（AF）、主動(dòng)脈回流（AR）、主動(dòng)脈狹窄（AS）、二尖瓣回流（MR）4種心臟雜音信號(hào)的分類識(shí)別。本文的工作內(nèi)容包括以下5個(gè)方面： a）心音信號(hào)采集與預(yù)處理。本文采用自行研制的帶有錄音機(jī)功能的聽診器實(shí)現(xiàn)對(duì)心音信號(hào)的采集。通過對(duì)心音信號(hào)噪聲分析，選用小波降噪作為心音信號(hào)的濾波方法。根據(jù)實(shí)驗(yàn)分析，選擇Donoho閾值函數(shù)結(jié)合多級(jí)閾值的方法作為心音信號(hào)預(yù)處理方案。 b）心音信號(hào)時(shí)頻分析方法。文中采用5種時(shí)頻分析方法分別對(duì)心音信號(hào)進(jìn)行了時(shí)頻譜特性分析，結(jié)果表明：不同的時(shí)頻分析方法與待分析心音信號(hào)的特性有密切關(guān)系，即需要在小的交叉項(xiàng)干擾與高的時(shí)頻分辨率之間作綜合的考慮。鑒于此，本文提出了一種自適應(yīng)錐形核時(shí)頻（ATF）分析方法，通過實(shí)驗(yàn)驗(yàn)證該分布能較好地反映心音信號(hào)的時(shí)頻結(jié)構(gòu)，其性能優(yōu)于一般錐形核分布（CKD）以及Choi-Williams分布（CWD）、譜圖（SPEC）等固定核時(shí)頻分析方法，從而選擇自應(yīng)錐形核時(shí)頻分析方法進(jìn)行心音信號(hào)分析。 c）心音信號(hào)特征向量提取。根據(jù)對(duì)3M Littmann（） Stethoscopes[31]數(shù)據(jù)庫中標(biāo)準(zhǔn)心音信號(hào)的時(shí)頻分析結(jié)果，提取8組特征數(shù)據(jù)，通過Fihser降維處理方法提取出了實(shí)現(xiàn)分類可視化，且最易于分類的心音信號(hào)的2維特征向量，作為心音信號(hào)分類的特征向量。 d）心音信號(hào)分類方法。根據(jù)心音信號(hào)特征向量組成的散點(diǎn)圖，研究了支持向量機(jī)核函數(shù)、多分類支持向量機(jī)的選取方法，同時(shí)，基于分類的目的 性和可信性，本文提出以分類精度最大為判斷準(zhǔn)則的核函數(shù)參數(shù)與松弛變量的優(yōu)化方法，建立了心音信號(hào)分類的支持向量機(jī)模型，選取標(biāo)準(zhǔn)數(shù)據(jù)庫中NM、AF、AR、AS、MR每類心音信號(hào)的80組2維特征向量中每類60組數(shù)據(jù)作為支持向量機(jī)的學(xué)習(xí)樣本，對(duì)余下的每類20組數(shù)據(jù)進(jìn)行測(cè)試，得到每類的分類精度（Ar）均為100％，同時(shí)對(duì)臨床上采集的與上述4種同類心臟雜音信號(hào)和正常心音信號(hào)中每類24個(gè)心動(dòng)周期進(jìn)行分類實(shí)測(cè)，分類精度分別為：NM、AF、MR的分類精度均為100％，而AR、AS均為95．83％，驗(yàn)證了該方法的分類有效性。 e）心音信號(hào)分析與識(shí)別的軟件系統(tǒng)。本文以MATLAB語言的可視化功能實(shí)現(xiàn)了心音信號(hào)分析與識(shí)別的軟件運(yùn)行平臺(tái)構(gòu)建，可完成對(duì)心音信號(hào)的讀取、預(yù)處理，繪制時(shí)-頻、能量特性的三維圖及兩維等高線圖；同時(shí)，利用MATLAB與EXCEL的動(dòng)態(tài)鏈接，實(shí)現(xiàn)對(duì)心音信號(hào)分析數(shù)據(jù)的存儲(chǔ)以及統(tǒng)計(jì)功能；最后，通過對(duì)心音信號(hào)2維特征向量的分析，實(shí)現(xiàn)心音信號(hào)的自動(dòng)識(shí)別功能。 本文的研究特色主要體現(xiàn)在心音信號(hào)特征向量提取的方法以及多分類支持向量機(jī)模型的建立兩方面。 綜上所述，本文從理論與實(shí)踐兩方面對(duì)心音信號(hào)進(jìn)行了深入的研究，主要是采用自適應(yīng)錐形核時(shí)頻分析方法提取心音信號(hào)特征向量，根據(jù)心音信號(hào)特征向量組成的散點(diǎn)圖，建立心音信號(hào)分類的支持向量機(jī)模型，并對(duì)正常心音信號(hào)和4種心臟雜音信號(hào)進(jìn)行了分類研究，取得了較為滿意的分類結(jié)果，但由于用于分類的心臟雜音信號(hào)種類及數(shù)據(jù)量尚不足，因此，今后的工作重點(diǎn)是采集更多種類的心臟雜音信號(hào)，進(jìn)一步提高心音信號(hào)分類精度，使本文研究成果能最終應(yīng)用于臨床心臟量化聽診。 關(guān)鍵詞：心音信號(hào)，小波降噪，非平穩(wěn)信號(hào)，心臟雜音，信號(hào)處理，時(shí)頻分析，自適應(yīng)，支持向量機(jī)
上傳時(shí)間： 2013-04-24
上傳用戶：weixiao99
資料->【E】光盤論文->【E5】英文書籍->Computer[1].Architecture.a.Quantitative.Approach.3rd.Edition.pdf
標(biāo)簽： Architecture Quantitative Computer Approach
上傳時(shí)間： 2013-07-22
上傳用戶：
資料->【E】光盤論文->【E5】英文書籍->A SystemC-Primer.pdf
標(biāo)簽： SystemC-Primer
上傳時(shí)間： 2013-04-24
上傳用戶：1583060504
資料->【E】光盤論文->【E1】斯坦福博士論文->02 calgary PhD A Java-Based Wireless Framework for Location-Based Services Applications.pdf
標(biāo)簽： Location-Based Applications Java-Based Framework
上傳時(shí)間： 2013-07-02
上傳用戶：亞亞娟娟123
二: 普通計(jì)算器的設(shè)計(jì)說明: 1 普通計(jì)算器的主要功能(普通計(jì)算與逆波蘭計(jì)算): 1.1主要功能: 包括 a普通加減乘除運(yùn)算及帶括號(hào)的運(yùn)算 b各類三角與反三角運(yùn)算（可實(shí)現(xiàn)角度與弧度的切換） c邏輯運(yùn)算， d階乘與分解質(zhì)因數(shù)等 e各種復(fù)雜物理常數(shù)的記憶功能 f對(duì)運(yùn)算過程的中間變量及上一次運(yùn)算結(jié)果的儲(chǔ)存. G 定積分計(jì)算器（只要輸入表達(dá)式以及上下限就能將積分結(jié)果輸出） H 可編程計(jì)算器（只要輸入帶變量的表達(dá)式后，再輸入相應(yīng)的變量的值就能得到相應(yīng)的結(jié)果） I 二進(jìn)制及八進(jìn)制的計(jì)算器 j十六進(jìn)制轉(zhuǎn)化為十進(jìn)制的功能。 *k (附帶各種進(jìn)制間的轉(zhuǎn)化器)。 L幫助與階乘等附屬功能
標(biāo)簽： 運(yùn)算 1.1 計(jì)算器 計(jì)算
上傳時(shí)間： 2013-11-26
上傳用戶：yzy6007
利用桶排序給數(shù)組a排序，建立的桶為b和e，其中b為含有十萬個(gè)桶，e為只有一個(gè)鏈表的桶，然后對(duì)b和e使用插入算法排序，比較兩種算法的時(shí)間，b需要40毫秒左右，e需要9到10分鐘。
上傳時(shí)間： 2014-01-02
上傳用戶：13681659100
A. 產(chǎn)生一個(gè)長(zhǎng)為1000的二進(jìn)制隨機(jī)序列，“0”的概率為0.8，”1”的概率為0.2；B. 對(duì)上述數(shù)據(jù)進(jìn)行歸零AMI編碼，脈沖寬度為符號(hào)寬度的50%，波形采樣率為符號(hào)率的8倍，畫出前20個(gè)符號(hào)對(duì)應(yīng)的波形（同時(shí)給出前20位信源序列）；C. 改用HDB3碼，畫出前20個(gè)符號(hào)對(duì)應(yīng)的波形；D. 改用密勒碼，畫出前20個(gè)符號(hào)對(duì)應(yīng)的波形；E. 分別對(duì)上述1000個(gè)符號(hào)的波形進(jìn)行功率譜估計(jì)，畫出功率譜；F. 改變信源“0”的概率，觀察AMI碼的功率譜變化情況；
標(biāo)簽： A. 1000 二進(jìn)制 隨機(jī)序列
上傳時(shí)間： 2015-03-16
上傳用戶：Altman
In each step the LZSS algorithm sends either a character or a <position, length> pair. Among these, perhaps character "e" appears more frequently than "x", and a <position, length> pair of length 3 might be commoner than one of length 18, say. Thus, if we encode the more frequent in fewer bits and the less frequent in more bits, the total length of the encoded text will be diminished. This consideration suggests that we use Huffman or arithmetic coding, preferably of adaptive kind, along with LZSS.
標(biāo)簽： algorithm character position either
上傳時(shí)間： 2014-01-27
上傳用戶：wang0123456789
This a Bayesian ICA algorithm for the linear instantaneous mixing model with additive Gaussian noise [1]. The inference problem is solved by ML-II, i.e. the sources are found by integration over the source posterior and the noise covariance and mixing matrix are found by maximization of the marginal likelihood [1]. The sufficient statistics are estimated by either variational mean field theory with the linear response correction or by adaptive TAP mean field theory [2,3]. The mean field equations are solved by a belief propagation method [4] or sequential iteration. The computational complexity is N M^3, where N is the number of time samples and M the number of sources.
標(biāo)簽： instantaneous algorithm Bayesian Gaussian
上傳時(shí)間： 2013-12-19
上傳用戶：jjj0202
蟲蟲下載站版權(quán)所有 京ICP備2021023401號(hào)-1
<bdo id="wekac"></bdo>
