【摘 要】
：
慢性盆腔炎（chronic pelvic inflammatory disease,CPID）是临床上常见的妇科疾病,发病年龄多在23-40岁之间,其发病率呈逐年上升趋势[1]。慢性盆腔炎患者主要表现为慢性盆腔疼痛
【机 构】
：
黑龙江中医药大学,黑龙江省中医药科学院
论文部分内容阅读
慢性盆腔炎（chronic pelvic inflammatory disease,CPID）是临床上常见的妇科疾病,发病年龄多在23-40岁之间,其发病率呈逐年上升趋势[1]。慢性盆腔炎患者主要表现为慢性盆腔疼痛、带下异常,同时伴有一系列情感和心理问题,并常导致不孕、月经失调、异位妊娠、盆腔静脉瘀血症等多种并发症,严重影响妇女的身心健康。目前西医治疗CPID多选用抗生素治疗、物理疗法及手术治疗等。由于CPID病程较长,采用抗生素治疗易产生耐药性,
其他文献
为了快速地构造一个有效的模糊神经网络,提出一种基于扩展卡尔曼滤波(EKF)的模糊神经网络自组织学习算法。在本算法中,按照提出的无须经过修剪过程的生长准则增加规则,加速了网络在线学习过程;使用EKF算法更新网络的自由参数,增强了网络的鲁棒性。仿真结果表明,该算法具有快速的学习速度、良好的逼近精度和泛化能力。
针对基于泛洪的更新传播方法存在开销高、可靠性和可伸缩性差等问题,提出了一种基于闲话的更新传播方法,其思想是每个副本节点将更新消息随机转发给一组邻居副本节点,副本节点向其邻居副本节点请求更新副本。模拟实验结果表明,与基于泛洪的更新传播方法相比,基于闲话的更新传播方法在网络通信开销上减少了38%,在节点覆盖率和查询失效率上快速收敛,具有良好的抗搅动能力。
在聚类过程中利用先验信息能显著提高聚类算法的性能,但已存在的聚类融合算法很少考虑到数据集的先验信息。基于先验信息和谱分析,提出一种聚类融合算法,将成对限制信息引入到谱聚类算法中,用受限的谱聚类算法产生聚类成员,再采用基于互联合矩阵的集成方法生成最后的聚类结果。实验结果表明,利用先验信息能有效提高聚类的效果。
通过分析在光照变化条件下现有的一些眼睛定位算法的不足,提出一种基于各向异性滤波的人眼定位方法。利用各向异性低通滤波器对输入图像进行滤波消除光照的影响,利用多结构形态学开闭运算突出眼睛区域特征,并采用相关系数法获得眼睛粗定位,最后使用眼睛精确算法校正眼睛的位置。实验结果表明,该算法对光照变化不敏感,定位准确率更高。
Internet上专题资源网页汇聚和检索是垂直搜索引擎中的核心问题,HITS算法是早期解决这个问题的经典算法,很多文献对它进行了改进,但无论索引的主题相关率还是引擎的查准率都有提高的余地。提出一种基于锚文本和标题信息过滤并结合网页内容相关度判断的HITS专题检索策略,利用专题训练集判断主题相关度,很好地解决了只依靠查询字符串判断的弊端。实验表明,此策略能很好地提高专题信息汇聚精确度和检索的准确率,
基于热路径的动态优化技术是动态二进制翻译器中提高软件运行效率的一种有效方法。如何利用基本块中已有的有限历史运行信息来识别热路径并提高它的预测命中率,同时保持计算开销没有增加是研究的重点。已有的热路径识别算法中基于模型进行预测的方法非常少,算法实现比较复杂。基于隐马尔可夫模型提出一种改进的热路径预测算法。由于状态转移序列惟一,该算法实现简单,可以提高热路径的命中率,在一定程度上改善动态二进制翻译器的
从优化算法应该具有的共性出发,提出一种全新的算法——学习算法(LA)。该算法记录历史最优解和当前最优解这两组关键历史信息,然后让当前解向这两种最优解聚集(即学习的过程);同时为了不放弃其他区域的搜索,让当前解的一部分完全随机地被重置。该算法原理简单,可调参数少且各参数对算法效能的影响易于掌控。在多最优函数以及复杂函数的最小化测试中,通过与GA、PSO的比较,发现LA确实是一种有效的优化算法,其优化
针对代理移动IPv6(PMIPv6)中域间切换时延较大的问题,提出了一种基于PMIPv6的域间切换管理方案。新方案通过在PMIPv6域间发送PBU绑定更新消息,使得切换目标PMIPv6域提前知道移动节点(MN)的家乡网络前缀,避免了移动节点参与移动性管理及重新配置转交地址,从而有效减小了切换时延。分析和仿真结果表明,与现有的全局移动性管理方案移动IPv6和快速移动IPv6相比较,新方案更加适应移动
在综述国内外学者有关新产品开发知识团队研究成果的基础上,试图梳理出现阶段该领域的研究热点与难点问题,为后续研究奠定一定的理论基础。分别从团队的定义和类型,团队学习与团队管理,新产品开发知识团队的概念、类型、运作与管理等方面对已有的研究文献进行了系统的综述,在此基础上提出了已有研究的局限性及对未来研究的展望。
针对视频目标跟踪问题,提出了一种基于co-training框架下的在线学习跟踪方法。该方法首先根据两种不同的局部特征,利用在线Boosting算法分别建立模型,然后采用co-training框架来协同训练,有效避免了模型误差累积和跟踪丢帧等问题。实验证明了该方法的有效性。