序列优化（精选5篇）
序列优化 篇1
0 引言
在实际工程中, 位移约束是十分重要的, 混凝土规范规定了梁的最大限度挠度。位移约束作为一种整体约束, 具有约束条件少、计算效率较高等特点, 因此目前对位移约束下结构拓扑优化的研究工作取得了较大进展。总体来说, 求解位移约束下连续体拓扑优化有三个困难:一是需要建立合理的结构模型, 来显式地表达结构节点的位移与设计变量之间的函数关系;二是在建立了结构节点的位移与设计变量之间的表达式后, 如果表达式较复杂, 难以利用常用的数学规划方法来求解, 需要寻找一种数学规划方法或者准则法来对数学模型进行简化计算, 以提高计算效率;三是如何克服迭代过程中产生的数值不稳定现象, 如棋盘格现象、网格依赖性等。
文献[1]提出了解决这些问题的一种可行方法。根据位移约束下拓扑优化问题的特点, 通过引入应变能指标, 将优化目标和约束化为统一的显式函数, 并采用重分析方法对修改后的结构进行快速求解。根据弹性力学原理功能互等定律, 作用在结构节点上的荷载与其位移乘积的一半等于结构的能量, 从而将位移约束显式地表达成设计变量的函数。采用加权求和的方法将多位移约束应变能灵敏度和约束函数写成一个等效函数来解决多位移约束问题, 简化计算、提高计算效率。文献[2]将ICM方法推广到连续体拓扑优化, 将拓扑变量抽象成独立的层次, 而不是传统的依附于截面层等低层次变量。将拓扑变量从t=0, 1的离散值替代成0、1之间的连续值, 于是离散的拓扑优化模型映射成连续可微的优化模型, 并用过渡函数f (ti) 识别许用应力、刚度和单元重量。建立优化模型之后, 交替使用对偶非线性规划方法和准则法, 大大的减小了求解的规模。同时为了结构拓扑优化后产生的“荷载病态”问题, 提出了分层与加权系数策略, 其实质是把结构分成刚体和弹性体两层处理, 刚度量级过大的近似看成刚性体, 不对总刚度矩阵提供贡献。文献[3]、[4]采用不同的数学规划方法优化结构, 文献[3]提出基于遗传算法的结构拓扑优化, 遗传算法的实施过程: (1) 为防止遗传算法在计算过程中产生海明悬崖, 对遗传算法编码; (2) 采用随机法产生初始种群; (3) 模拟生物界优胜劣汰、弱肉强食的生存准则, 引入适应值, 赋予每个个体不同的适应能力, 适应值的引入定量的描述了字符串进行复制的过程。 (4) 模拟生物界繁殖、进化、淘汰等过程进化个体, 个体能力不断加强, 产生的新的个体构成新的总体适应度不断提高的种群。文献[4]采用对偶规划方法求解结构拓扑优化模型。
1 类桁架拓扑优化
1.1 类桁架材料模型
在类桁架结构中, 杆件在设计域内非均匀连续分布。为了优化这种类桁架材料的分布场, 假设设计域内任意点分布2组正交杆件。将这两组杆件方向定义为材料主轴方向。因为目标结构是由同一材料构成, 所以假设所有杆件具有相同的弹性模量E。将两个材料主轴方向的杆件密度分别记作t1。t2。如果2组杆件的应力和应变分别记作σ1, σ2和ε1, ε2, 其应力应变仍假设为线性关系:
在Michell桁架内, 由于平行杆件之间没有相互作用, 而且轴力和变形都沿材料主轴方向, 材料的切变模量不起作用。但如果假设切变模量零, 在计算过程中会出现结构不稳定、刚度矩阵奇异现象。另外, 为了能够描述各向同性材料, 剪切刚度假设为E (t1+t2) /4。材料沿主轴方向的弹性矩阵可以写作:
式中diag[]表示对角阵。显然, 当t1=t2时上式表示各向同性材料。设杆件与结构坐标轴夹角为α, 在坐标轴方向的弹性矩阵:
式中T (α) 为应变坐标转置矩阵:
将 (4) 带入 (3) 并整理得:
式中sbi和gi是下述常数矩阵和函数矩阵的分量,
Ai是常数矩阵,
1.2 刚度矩阵
以结点j位置的杆件密度t1j, t2j和方向αj作为优化设计变量, 结点j处的弹性矩阵成为:
单元内部任一点的弹性矩阵由结点位置的弹性矩阵利用形函数插值得到:
式中e是单元号, Nj (ξ, η) 是形函数, ξ, η是单元局部坐标, Se是属于单元e的结点集合。将 (5) 式带入 (9) 式得:
将 (10) 式带入单元刚度矩阵的定义:
式中
Heji是与材料分布无关的常数矩阵。如果能够采用规则单元网格, Heji为与单元无关的常数矩阵, 可以事先计算出来。
对单元刚度矩阵 (12) 累加得到整体刚度矩阵:
上式中最后1个等式是将关于单元和结点的累加顺序交换得到, 以便求导运算。刚度矩阵对设计变量的求导为,
式中g'i (αj) 是式 (6) 的导数,
1.3 位移约束条件
假设待求的节点位移为Ui。根据弹性力学虚功原理, 在待求位移的节点位置在待求位移方向上施加一单位力Fv=1, 推出节点的位移表达式:
式中ε为实际荷载作用下的的应变, σv为在单位力作用下的应力。采用四结点矩形单元时, 应变和应力在单元内是双线性分布。应力和应变可以去近似用单元中心的常数值代替, 从而省去积分。位移可以写作
式中Ve是单元体积。采用规则单元划分时, 单元体积Ve是常数。本文以结点位置的杆件密度和方向为设计变量。也可以由结点位置的应力和应变求出位移。
式中ej是围绕结点j的单元数。应变和应力可以分别记作矩阵形式:
应变可以由位移列阵计算。记单元的位移列阵Ue和结构的几何矩阵B, 应变可以写作:
结点位置的应变可以由各单元在该结点位置的应变平均值计算:
ej是结点j周围的单元数。Sj是结点j周围的单元集合。由于材料为各向同性, 节点位置的应力可以根据胡克定律推出。为了利用序列规划方法求解数学模型, 将位移表达式 (17) 在迭代点展开成一阶泰勒公式:
式中, Ui0为在迭代点处节点的位移;xj为结构拓扑设计变量, 即杆件密度t1j, t2j和方向αj。所以节点位移约束可以表示成:
式中为节点允许位移值。
式 (21) 中应变的导数可以根据式 (20) 由位移导数计算:
x表示设计变量。利用刚度方程F=KU两端对设计变量x求导:
得位移对设计变量导数,
代入式 (23) 得应变对设计变量导数。
1.4 目标函数
由于结点位置的杆件密度是设计变量, 单元内部的杆件密度需要由结点位置的杆件密度插值得到。结构体积需要将密度积分得到:
式中
对于规则矩形单元:
式中Ve是单元面积, nj是围绕结点j的单元数。
2 数学优化方法
根据上述推导, 可以写出应力约束体积最小化子问题的线性规划问题:
式中是为了限制一次迭代的步长设置的界限, t是为了避免刚度矩阵奇异取的下限值。本文取,
采取线性序列规划方法求解优化过程可归纳如下: (
a) 先选定一个初始迭代值, 使初始材料为各向同性
(b) 进行有限元分析, 计算各结点的应力和应变及对各设计变量的导数。
(c) 利用导数建立线性规划方程式 (29) , 通过线性规划得到新的设计变量增量Δtibj, Δαji。
(d) 更新设计变量:
(e) 计算相邻两次迭代的体积相对改变量足够小时迭代结束, 本文的该准则取10-3。否则回到 (b) 。
序列线性规划方法是利用一系列的子优化来解决约束优化问题, 采用序列线性规划方法的关键是约束条件和目标函数都是设计变量的线性表达式, 而采用类桁架结构, 位移约束函数是设计变量的非线性表达式, 非常复杂, 为了克服这个困难, 本文利用泰勒公式通过求其对各设计变量的导数将其展开成设计变量的一阶线性表达式。
3 算例及讨论
3.1 算例
下面通过计算2个经典算例, 来验证该方法的可靠性和有效性。如图1所示, 基本结构为0.2m×0.1m的平面体, 厚度为9mm, 材料的弹性模量为210GPa, 划分为12×6个四节点正方形单元。例1左边界固定支撑, 一个向下的集中荷载F=20k N作用于右边界中点P, 节点P的位移约束为0.02mm。分析得到节点的初始位移为-0.1038mm, 收敛精度0.0001mm, 其优化结果、体积迭代曲线及位移迭代历史曲线如图3~5所示。例2左边界固定支撑, 下边界各节点受到集中力F=20KN, 右边界中点P的位移约束为0.02mm。分析得到节点的初始位移为-0.0722mm, 收敛精度0.0001mm。其优化结果、体积迭代曲线及位移迭代历史曲线如图6~8所示。图中线段长度表示杆件的优化密度, 为了使图形清楚起见, 过长的线段被切断了。
3.2 讨论
本文设定的设计变量迭代初始值、迭代终止条件、控制设计变量的迭代步长的数值由作者根据自身的经验通过多次试验选取的。在文中所列举的算例中, 所得的拓扑优化结果较理想, 设计者可以根据所得的结果清楚地认识结构的最优模型, 设计出合理的、经济的结构。能够有效地避免数值不稳定现象。这是采用类桁架结构算法的优越性。同时, 由算例结果可知, 本算法的优化结果模型比较理想, 结构体积收敛较快, 计算效率高。但是随着节点数目增加、工程受力条件、约束边界条件复杂化, 采用序列线性规划方法处理优化数学模型, 计算效率会有一定程度的降低, 体积收敛曲线可能呈现一定的波动, 甚至可能找不到结构合理的有效解。可以采用一些新兴的更为简便的数学规划方法如移动渐近线法、遗传算法等处理优化数学模型。在保证计算精度的条件下, 提高计算效率, 使之更容易推广到工程实际应用当中。
参考文献
[1]荣见华, 赵志军等.基于位移和应力灵敏度的结构拓扑优化设计[J].力学学报, 2009, 518~529.
[2]隋允康, 杨庆等.多工况应力和位移约束下连续体结构拓扑优化[J].力学学报, 2000, 171~179.
[3]王福成, 陈春雨.遗传算法在平面桁架优化中的作用[J].油气田地面工程, 2008, 15~16.
[39]隋允康, 张立新等.对偶法求解应力与位移约束不同显式的优化模型[J].计算力学学报, 2007, 560~564.
[4]Zhang W H, Duysinx P.Dual approach using a variant perimeter constraint and efficient sub-iteration scheme for topology optimization[J].Computers&Structures, 2003, 81 (22-23) :2173~2181.
[5]Michell AGM.The limits of economy of material in frame structure.Philosophical Magazine, 1904, 8:589~597.
[6]Hemp WS.Optimum Structure[M].Oxford:Clarendon Press, 1973.
[7]Querin OM, Young V, et a1.Computation efficiency and validation of bi-directional evolutionary structural optimization.Computer Methods in Applied Mechanics and Engineering, 2000, 189:559~573.
[8]Imam M H, Shihri M Al.Optimum topology of structural supports[J].Computers&Structures, 1996, 56:147~154.
[9]Zhou M.Difficulties in truss topology optimization with stress and local buckling constraints[J].Structural Optimization, 1996, 3:134.
序列优化 篇2
目前, 在网络计算领域提出的云计算在一些公司已经开始应用越来越广泛, 随着网格计算、分布式计算和并行计算等发展, 这在计算机领域中已经成为研究热点问题。许多大型公司, 包括IBM、SUN等均参与到云计算研究和开发中, 主要涉及到云计算理论及其关键技术、云数据库研究等等。
对于在云数据库中操作代价较高的连接操作来说, 查询效率的高低直接受到其的影响, 为了能够更好使得通信费用得以降低, 保证云数据库的处理连接操作顺利完成, 这里提出减少云数据库的连接操作可以采用半连接方式进行。其基本思想如下, 在进行连接两个基本关系之后, 然后投影结果到其中一个关系的属性上去。
1 云数据库查询优化的准则和代价估算
对于云计算中的数据库来说, 可以看做是云计算接入环境可以为大量基于Internet后台数据资源共享方式的面向云计算的数据库资源管理平台。还能够为相关的云计算提供相关的数据库数据库资源访问、发现、整合等一系列问题的通用解决方案。
1.1 云数据查询优化准则
最小总代价则是云数据库查询优化的准则, 具体来说, 就是使得具有最短的响应时间和最低的通信费用, 能够满足相关数据的获取在最短的响应时间内, 同时总代价为最小。接收查询到完成查询的这个阶段的时间则为响应时间, 其不仅仅与通信时间有关系, 也和局部处理时间相互联系。一般来说, 所传输的数据最和通信次数是与通信费用成正比的, 这样来看, 优化的重要目标则就是应该通过减少传输的次数和数据量来进行。
1.2 查询代价的估算方法
定义QC为查询执行的预期代价, 计算如下:
QC=I/O代价+CPU代价+通信代价
粗略估算通信代价的计算方法如下:
在上式中, C0近似为常数, 单位是秒, 基本上由通信系统确定, 表示两站点间通信初始化一次所花费的时间;C1单位是bit/s, 单位数据传输的时间, 表示传输率;X的单位为bit, 表示数据的传输量。
2 查询优化中的半连接算法
选择、投影和连接是云数据库查询中经常见的三种操作, 其中, 执行选择和投影操作则是较为简单。这里通过关系R上的选择操作进行说明, 对于一个全局关系R来说, 选择操作在包含R的站点上执行, 然后用户站点可以接收结果。对于分布在几个站点且R被分片的情况来说, 选择操作则应该在每个包含R片段的站点进行执行, 而后通过合并这些选择操作的结果而成为最终结果, 然后发送给用户站点。同样的处理方法可以对于投影操作而进行, 相比于选择操作处理的不同在于, 可能包含重复元组会在投影操作所得到的结果中, 所以, 这样就需要进行删除操作。
对于代价比较高的连接操作来说, 查询优化在云数据库半连接算法中的应用, 能够使得云数据库有效处理相关的连接操作, 从相关的类似研究中笔者进行整理研究发现, 考虑到传输速率与磁盘与内存的交换速率相比, 前者是低一个数量级的, 这样对于大型的广域网来说, 本地处理的代价可以在优化查询执行策略的过程中而不予以考虑, 仅仅需要包括传输的代价, 所以这样情况下而使用的半连接则是合适的。
投影和连接操作导出的关系代数的一种操作形式就是连接操作。
对于属性S.A=S.B中的两个关系R和S分析半连接操作, 其形式可以表示为:
这两个关系R和S要通过使用半连接的方法进行标识, 相关的连接操作在属性R.A=S.B上, 的可以得到下列式子:
上式中, 半连接则是指由等式右边的括号内表示。
对于采用半连接算法优化连接操作进行分析, 其基本步骤和原理都分析如下。分析直接把R送到站点2上执行的连接操作, 而不是采用半连接操作, 同时关系R的数据量假定应该小于关系S的数据量, 分析这种代价计算如下式:
尽管对称性并不是半连接操作的特点, 但是多个半连接应该会在复杂连接查询过程中出现, 这样考虑到各个不同代价的半连接方案, 其中, 必然存在最优的一个方案, 半连接的代价故被采用, 可以记作:T半<
现分析半连接操作中的得益与损失的计算方法如下:
得益:减少站点间的数据传输量是在当card (R) >>card (R') 的情况下。πB (S) =C0+C1 (size (R) ×val (B[S]) ) 损失:传输
对于半连接操作的云数据库查询处理进行分析, 在一个站点传送关系到另一个站点进行半连接操作之前, 为了尽可能的使得传输的代价减少, 应该使得与连接无关的数据尽可能剔除, 使得连接操作的关系中的数据量有所减少。
这里分析半连接算法优化连接查询过程, 一般可以表示为如下的三个步骤:第一, 半连接方案的代价在各个情况下应该详细计算, 选取T半为其中的最佳一个方案;第二, 利用全连接的方案的代价作为计算方法, 选择出传输代价最小的站点;第三, 上述两个步骤的方案进行相互比较, 从而确定最优方案。
3 云数据库优化算法后的性能比较
多个网络上的服务器在云数据库查询过程中可能涉及到, 对于目标考虑查询优化, 一般有以下两种方法:一是每个查询的响应时间最短为最终目标;二是总传输代价最小为目标。对于一般远程网络查询过程来说, 可以忽略不计查询的局部处理时间, 因为起到主要作用则为通信所需要时间, 云数据库查询优化的主要目标则就是减少通信费用。举例, 比如云数据库中关系Rl有1000个元组, 而关系R2有10000个元组, 其中, 选择满足条件x关系有50个元组在R2中有50个元祖, 这样情况下, 可以对于R1∞R2中满足条件x的直接连接 (广义笛卡积) 和半连接操作进行分别计算, 所得到的查询时间表入表1所示。
从表1中可以看出, 相比于直接连接算法执行时间, 半连接算法的时间远远比较短。这样能够对于提高整个云数据库处理的速度和效率具有很大优势, 在充分考虑在云数据库数据分散和冗余的特性的特点上, 还能够使得网络传输数据量有所减少, 充分体现出云数据库查询中优化的半连接算法的优势所在。
4 结论
为了更好的提高云数据库查询处理效率, 使得传输代价有所降低, 应该在进行半连接优化算法处理云数据库查询之前, 而先进行连接无关的数据的去除工作, 这样能够有效减少做连接操作的关系中的数据量。在处理云数据库中, 本文提供的方法能够对海量信息查询和复杂查询领域具有一定的使用价值。
参考文献
[1]张伟, 刘万军.分布式数据库中半连接查询优化算法的改进[J].计算机系统应用, 2009, (9) :57—60.
[2]徐勋明, 薛永生, 王劲波等.一种基于事先测试的分布数据库优化联接查询技术[J].厦门大学学报, 200443 (2) :175-178.
序列优化 篇3
1 资料与方法
1.1 一般资料
选取2012年1月-2013年6月遵义医学院附属医院新生儿科收治住院并经临床确诊HIE新生儿54例, 治疗前均行3.0T磁共振DWI、T1WI、T2WI、FLAIR序列检查。54例患儿中, 男29例, 女25例, 年龄1~14 d, 平均6 d, 1~7 d患儿36例, 8~14 d患儿18例。纳入标准: (1) 14 d及14 d以下新生儿, MR检查至少一个序列图像有异常; (2) 临床诊断HIE (采用中华医学会儿科学分会, 新生儿组2004年在长沙修订新的HIE诊断标准) ; (3) SWI排除脑内出血灶; (4) 排除脑内弥漫性病灶患儿 (因弥漫性病变计数较困难) 。
1.2 扫描设备及扫描数据采集
1.2.1 检查设备和方法
磁共振设备为西门子3.0T Trio A Tim, 8通道头颅线圈, 患儿自然入睡或10%水合氯醛镇定入睡后检查。常规序列 (T1WI、T2WI、FLAIR) 扫描方法:层厚5 mm, 间隔1 mm, FOV220×220 mm, T1WI轴位:TR 200 ms, TE 2.46 ms, Averages 2次;T2WI轴位:TR 3500 ms, TE 93 ms, Averages 1次;FLAIR轴位:TR 7000 ms, TE 120 ms, Averages 1次。DWI采用单次激发平面回波三向同性弥散加权成像, TR 4200 ms, TE 93 ms, Averages4次, b=0, b=800, 层厚5 mm。SWI扫描方法:轴位FOV 220×160 mm, 层厚1.5 mm, 间隔0, TR27 ms, TE 20 ms, Averages 1次。
1.2.2 图像分析及数据处理
将磁共振扫描数据传输专用数据处理工作站 (ADW4.3) , 去除图像信息 (包括姓名、性别、年龄、编号) , 重新编号, 选取磁共振诊断副主任医师两名, 采用双盲法观察并记录DWI、T1WI、T2WI和FLAIR图像上病灶数目和位置。病灶判定标准:各序列图像信号异常, 对有异议的病灶经过讨论后取得一致结果。
1.3 统计学方法
所有数据采用SPSS 13.0统计软件分析, DWI、T1WI、T2WI和FLAIR检出病灶数之间差异性采用秩和检验, 组间比较采用配对字2检验, P<0.05有统计学意义。
2 结果
2.1 1~7 d患儿DWI与常规序列对缺氧缺血性损伤病灶检出结果
1~7 d组患儿36例, DWI共检出缺氧性脑损伤病灶为196个 (图1) , T1WI共检出病灶数为225个 (图2) , T2WI共检出病灶数为28个, FLAIR共检出病灶为365个。DWI、T1WI、T2WI和FLAIR病灶数, 平均秩次为FLAIR>DWI>T1病灶数>T2。各序列比较, 差异有统计学意义 (Z=60.76, P<0.05) 。磁共振各序列检出病灶情况, 见表1。
2.2 8~14 d患儿DWI与常规序列对缺氧缺血性损伤病灶检出结果
8~14 d患儿18例, DWI共检出缺氧性脑损伤病灶为70个, T1WI共检出病灶数为141个 (图3、4) , T2WI共检出病灶数为32个, FLAIR共检出病灶为214个 (图5) 。磁共振各序列比较, 各组平均秩次为FLAIR>T1病灶数>DWI>T2。各序列比较, 差异有统计学意义 (Z=36.34, P<0.05) 。病灶数磁共振各序列检出病灶情况, 见表2。
注:足月男患儿, 出生23 h, 缺氧性脑损伤早期, DWI对病灶检出较常规序列敏感;a、b分别为DWI (b值为800) 和ADC, 清楚显示缺氧性脑损伤病灶, e不能显示病灶
注:36周早产男患儿, 出生仅20 h, 少数HIE患儿出生时常规T1WI对缺氧性脑损伤检出可优于DWI, 原因为宫内窒息, 出生时缺氧性脑损伤灶已过急性期
注:足月男患儿, 9 d, 产时窒息, 缺氧性脑损伤灶一周后常规MR对病灶显示优于DWI。a未显示病灶, b、c清晰显示病灶, 且FLAIR病灶数多于T1WI, d对病灶不敏感
3 讨论
3.1 HIE发病机制及病理生理改变
新生儿大脑耗氧量占全身耗氧量的1/2, 且脑血管和血管自身调节系统发育不完善, 对缺氧缺血十分敏感。新生儿缺氧缺血后, 脑细胞依靠无氧酵解产生大量乳酸和
注:足月男患儿, 12 d, 产时窒息, 确诊HIE合并肺透明膜病。肺部病变可延缓缺氧性脑损伤灶修复和再次缺氧损伤。a为缺氧性脑损伤12 d DWI显示病灶仍多于常规序列, d示双肺透明膜病, 右侧气胸
注:足月儿, 5 d, 正常结构FLAIR易误诊为缺氧性脑损伤。a侧脑室前角旁白质小片高信号为正常灰质残留。b双侧皮髓质交界处正常皮质边缘显示为小片高信号
自由基产物, 导致脑细胞内水肿和细胞膜转运泵能量衰竭, 细胞毒性水肿压迫毛细血管使进一步加重脑组织缺血缺氧[4];再者, 缺氧缺血会损伤血管内皮细胞引起血管通透性增高, 导致血管源性脑水肿;轻度缺氧导致脑细胞凋亡, 重度缺氧导致脑细胞坏死, 即脑梗死, 随着病程进展, 出现胶质细胞增生。新生儿缺氧缺血还可以引起颅内和脑内出血, 病理机制为:缺氧导致脑血管通透性增高, 红细胞及血浆蛋白容易渗出, 新生的毛细血管管壁通透性高, 脆弱的毛细血管再次出现血液灌注, 将导致脑血管破裂出现颅内或脑室内出血。HIE的发生及损伤类型与新生儿脑成熟度以及围生期窒息造成低灌注的程度、持续时间相关[5,6,7,8]。
3.2 磁共振各成像技术对新生儿缺氧性脑损伤诊断价值
3.2.1 弥散加权成像 (diffusion-weighted imaging, DWI) 价值
DWI技术反映组织细胞内水分子的扩散受限程度, 对细胞内水肿非常敏感。DWI对1~7 d新生儿HIE, 检出病灶明显多于T1WI、T2WI, HIE脑损伤早期病理改变主要为细胞内水肿, 病灶在DWI为高信号, ADC值减低, DWI比常规MR更早、更容易检出HIE缺氧缺血性病灶, 且病灶显示更清楚, 易于诊断, 这与文献[9-12]报道一致。但是, 本组中2例出生24 h内患儿, DWI未发现病灶, 常规序列发现侧脑室旁多发缺氧性脑损伤病灶, 原因为几天前有宫内缺氧史, 胎儿在宫内缺氧造成脑损伤, 出生后脑内缺氧损伤病灶已演变胶质增生, 常规序列对胶质增生显示较好, 所以新生儿出生早期不能只重视DWI检查, 而忽视常规序列检查, 以免漏诊宫内缺氧脑损伤。Twomey等[13]研究显示, ADC图可在HIE发生后24 h内、甚至更早期显示受损的脑组织, 但是ADC值监测部位较多, 且临床应用较复杂, 多数新生儿MR检查在出生24 h以后, 所以ADC图临床应用难度较大。DWI对1周以后HIE病灶检出率不如常规序列, 8~14 d组HIE患儿缺氧性脑损伤病灶DWI多不显示或显示模糊, T1WI、FLAIR多表现为高信号, 原因为病灶细胞内水肿消失, 发生细胞坏死、胶质细胞增生、静脉扩张等, DWI敏感性降低, T1WI/FLAIR显示更清楚。研究表明缺氧性脑损伤一般DWI上的高信号持续3~5 d后消失, 表现为假阴性[14], 马得廷等[15]研究认为DWI检查最佳时间窗为4 d, DWI上的高信号持续3~5 d后消失, 1周以后表现为假阴性。但是, 这不能说明DWI对出生1周以后HIE患儿诊断意义不大, 本组中有5例8~14 d患儿缺氧性脑损伤DWI仍为清晰高信号, 且显示病灶比常规序列要多, 这部分患儿均合并严重肺部疾病, 肺部病变导致再次缺氧脑损伤脑部出现新病灶, 或者缺氧持续存在, 脑损伤细胞内水肿持续时间长, 针对8~14 d HIE患儿, DWI检查仍有较大价值, 主张对14 d以内HIE患儿DWI作为常规序列检查。
3.2.2 磁共振常规序列成像 (T1WI、T2WI、T2FLAIR) 对HIE诊断价值
常规序列T1WI、T2WI、FLAIR对细胞内水肿不敏感, 且新生儿脑细胞含水量多, 进一步降低常规序列对病灶显示, 对HIE早期诊断不如DWI。但是, 常规序列对脑组织坏死, 胶质细胞增生优于DWI, 病灶在T1WI、T2WI和FLAIR均为高信号。常规序列中FLAIR假阳性较高, 1~14 d患儿病灶检出数均高于其他三个序列, 对比分析后认为, 缺氧性脑损伤灶在侧脑室周围白质区容易识别, 但是有些正常结构在FLAIR图像表现为小片高信号, 如皮髓质交界处脑回边缘, 双侧脑室前角旁正常残留灰质[16,17,18], 易误认为病灶, 单纯观察FLAIR像图片, 易造成过度诊断, 所以需结合其他序列确定FLAIR病灶。T1WI对HIE脑损伤胶质增生时期病灶显示较准确, 且持续时间较长[19]。T2WI序列在各个时期敏感性差, 新生儿大脑大部分未髓鞘化, 白质表现为高信号, 缺氧性脑损伤病灶多为高信号或等、稍低信号, T2WI判定细胞毒性水肿与血管源性水肿有一定困难[20]。所以MR常规序列中T1WI序列对HIE诊断优于FLAIR和T2WI, 具有较大价值, FLAIR需结合T1WI序列。T2WI对HIE病灶显示最差。
综上所述, 对出生14 d以内患儿, DWI应为常规检查序列, 这样既有利于HIE缺氧性脑损伤早期诊断, 又不会漏掉因肺部疾病影响导致缺氧性脑损伤, T1WI、FLAIR也应为HIE常规检查序列, 两者对HIE胶质增生、细胞坏死显示较好, 弥补DWI不足, 再者对宫内缺氧性脑损伤患儿诊断具有优势, 但是要注意FLAIR假阳性高, 需结合其他序列诊断。T2WI序列在各个时期敏感性很差, 但对脑和脑室出血具有优势。
摘要：目的:评价磁共振扩散加权成像 (DWI) 和常规序列对新生儿缺氧性脑损伤 (非出血灶) 的诊断价值, 优化磁共振检查序列。方法:54例出生114 d临床确诊HIE患儿, 分17 d患儿和814 d患儿, 均行3.0T磁共振T1WI、T2WI、FLAIR、DWI扫描, 两位磁共振诊断医师采用双盲法观察并记录DWI、T1WI、T2WI和FLAIR图像病灶数目, 用秩和检验统计方法, 对比分析DWI与常规序列对病灶检出情况, P<0.05为差异有统计学意义。结果:出生17 d患儿, DWI、T1WI、T2WI、FLAIR检出缺氧性脑损伤病灶分别为196、225、28、365个, 平均秩次分别为2.85、2.40、1.29、3.46, Z=60.76, P=0.000。出生814 d患儿, DWI、T1WI、T2WI、FLAIR检出缺氧性脑损伤病灶分别为70、141、32、214个, 平均秩次分别为1.86、2.89、1.50、3.75, Z=36.34, P=0.000。结论:磁共振DWI联合常规序列对新生儿缺氧性脑损伤具有重要价值, 最优化的检查序列DWI、T1WI、FLAIR联合应用。
序列优化 篇4
社会消费品零售总额反映各行业通过多种商品流通渠道向居民和社会集团供应的生活消费品总量, 是研究国内零售市场变动情况、反映经济景气程度的重要指标, 对其历史数据进行分析, 能从发展中预见到未来的发展, 及时采取相应的对策, 对国家政策的制定以及投资等具有指导性作用。
通过上网查找资料选取了1997年1月~2014年9月共213组月度社会消费品零售总额的数据, 通过Matlab得到其时间序列图, 为了进行模型预测结果精确程度的分析, 将1997年~2013年的作为模型拟合数据, 2014年9个月的数据作为检验数据。对于月度社会消费品零售总额数据, 其具有增长趋势、周期性和季节性等性质, 在本文中利用混合模型的时间序列方法对其拟合分析, 先是通过乘积加法模型xt=St× (Tt+It) 对原始数据进行拟合, 该方法能够很好拟合曲线的趋势, 但缺点是未能将序列的相关性完全的提取出来, 这时则利用乘积季节模型ARIMA (p, d, q) 来对乘法加法模型得到的残差序列进行拟合, 提取出序列的相关性。
1 模型构建与计算
乘法加法模型是对序列的综合分析, 即对既有趋势起伏变动又有季节效应的复杂序列的分析方法, 对于社会消费品零售总额时间序列, 本文采用乘积加法模型xt=St× (Tt+It) 进行拟合和预测, Tt代表序列的长期趋势序列波动, St代表季节性 (周期性) 变化, It代表随机波动。
利用最小二乘估计方法拟合参数, 得到趋势函数为:
首先确定要进行ARIMA模型分析的序列为乘法加法模型xt=St× (Tt+It) 得到残差序列It, 通过log运算来消除方差非齐性。通过平稳非白噪声序列的ACF和PACF图来判断ARIMA模型的p, q值。
通过Matlab利用极大似然估计法得到下列估计结果:
通过检验, 得到残差序列为白噪声序列, 说明相关信息都已被提取出来。考察参数的显著性, 显著明显。所以该模型合理。利用拟合的ARIMA (1, 0, 1) × (0, 0, 1) 12模型, 预测得到2014年的残差序列值It, 根据预测得到的趋势项序列值Tt以及季节指数, 就可以得到所预测的2014年最终的序列值。
2 结论
从最终预测的表中结果来看, 使用该方法所得到的相对误差平均值为0.015477388, 单利用乘法加法模型得到预测结果的相对误差为0.023824132, 而单利用ARIMA乘积季节模型得到预测结果的相对误差为0.016141425, 从理论以及实验结果上都得出本文的混合模型相对于乘法加法模型和乘积季节模型的预测效果显著, 不仅能够较好地拟合序列的曲线趋势, 又提取时间序列的相关性。
摘要：社会消费品零售总额代表着宏观经济的发展现状, 对其历史数据分析对我国宏观经济未来的发展具有重要意义。本文选取了19972014年的我国月度社会消费品零售总额的时间序列数据, 通过乘法加法和乘积季节的混合模型来对该序列进行拟合分析, 不仅能提取数据之间的相关性, 还能够很精确的拟合序列趋势, 预测效果显著。
关键词：经济时间序列,ARIMA模型,混合模型
参考文献
[1]王燕.应用时间序列分析[M].第三版.北京:中国人民大学出版社, 2012.
[2]赵爽.经济时间序列的趋势分析和实证研究[D].北京:首都经济贸易大学.
[3]唐功爽.时间序列分析在经济预测中的应用[J].统计与信息论坛, 2005, 9 (20) :6.
序列优化 篇5
1 资料与方法
1.1 一般资料
选择2012年7月—2014年7月我院收治的因头部创伤行头颅CT检查阴性, 然后行头颅SWI联合FLAIR检查的患者30例。创伤均有明确的打击或撞击伤, 其中男22例, 女8例;年龄7岁~50岁, 平均年龄26岁。
1.2 纳入与排除标准
患者此次有明确的打击或撞击伤, 而没有受到剪切伤, 创伤后意识清楚或短暂不清楚, 没有明确的神经系统定位。患者头部CT检查阴性, 但患者头昏、头痛持续1周以上。患者年龄在50岁以下, 既往没有高血压、糖尿病、高血脂病史。
1.3 检查方法
CT采用西门子SOMATOMspirit双排螺旋CT机, 从颅底到颅顶连续扫描, 准直:5 mm;层厚:5 mm;窗宽:80;窗位:35。磁共振采用西门子ESS ENZA1.5T超导磁共振, SWI序列:TR:49 ms;TE:40 ms;层厚:6 mm;偏转角20°;FLAIR序列:TR:7 000 ms;TE:84 ms;反转时间:2 500 ms;层厚:5 mm。
1.4 脑微出血的诊断
由2名CT医生采用双盲法阅CT片, 确定CT表现为阴性。由2名磁共振医生采用双盲法阅磁共振片, 对磁共振图像上发现的脑微出血灶进行计数, 对病灶最大面积测量其直径, 得出SWI与FLAIR联合检查结果。对有明显不同意见的病灶, 经商讨后得出一致性结论。
2 结果
2.1 病灶分布特点
其中额叶3个、顶叶3个、颞叶1个。病灶都出现在受伤部位对应的脑皮质或皮质下白质内, 2例患者出现2个病灶, 其余均为单发病灶。7个病灶有4个在脑皮质、3个在脑白质。
2.2 病灶形态特点
所有病灶在SWI序列上均表现为圆形极低信号影, 边缘清楚。在FLAIR序列上局部有轻微的脑组织水肿。
3 讨论
SWI是近年来利用组织间磁场敏感差异和BOLD效应成像的磁共振新技术, SWI对血液代谢产物如顺磁性的含铁血黄素、脑内静脉结构、铁蛋白的沉积高度敏感, 在出血性神经变性疾病的诊断中有较高的临床应用价值[3]。FLAIR是通过较长的反转时间来有效抑制脑脊液的信号, 使较小或靠近脑脊液呈现高信号或略高信号的病灶清楚显示。创伤性脑微出血要与脑血管病变引起的脑微出血和小的海绵状血管瘤区别, 前者主要是结合病史, 后者主要是FLAIR序列上区别, 海绵状血管瘤除了没有创伤史外, 局部没有脑组织水肿。较轻的脑创伤患者往往仅表现为头昏、头痛, 而没有明确神经功能定位征象, 预后也较好, 临床上常被忽视。磁共振SWI序列联合FLAIR序列能够清楚显示CT所不能显示的脑微出血灶, 具有重要的法医学意义。特别是因公受伤、车祸、被他人伤害时, 如能检查出受害者存在脑微出血, 对维护其合法权益具有重要意义。
摘要：目的 探讨磁敏感序列 (SWI) 联合黑水序列 (FLAIR) 对创伤性脑微出血的诊断价值。方法 对30例因创伤致头痛、头昏患者, CT检查阴性, 然后行磁共振SWI联合FLAIR检查。结果 30例CT扫描阴性者中, SWI联合FLAIR检查共检出5例7个微出血灶。结论 SWI联合FLAIR能显示CT不能显示的创伤性脑微出血病灶, 对创伤性脑微出血的诊断具有重要意义。
关键词：创伤,脑微出血,SWI,FLAIR
参考文献
[1]Koennecke HC.Cerebral microbleeds on MRI:prevalence, associations, and potential clinical implications[J].Neurology, 2006, 66 (2) :165-171.
[2]扬江华, 李凤琪, 沈健, 等.MRI-SWI序列对高血压性脑微出血的诊断价值[J].心脑血管病防治杂志, 2011, 11 (5) :372-374.