评价序列

评价序列（共9篇）

评价序列 篇1

0引言

目前传统的电力仿真培训评价方法 (神经网络 法、数理统计法、专家评价法等) 主观性较强, 只是从定性角度评价, 难以从复杂、不确定的数据输入中得到确定的推断, 而且评价不 够全面。很多仿真培训系统中没有实时指导功能, 在很大程度上由教员人工指导完成, 也无法判别学员操作顺序上的错误, 具有一定的局限性。

基于上述问题, 本文提出一种基于序列比对的变电站仿真操作智能评价方法, 能全面完成变电站仿真巡视、倒闸操作 的自动智能评价工作;并采用一合理的加权函数打分, 实现对学员操作 结果的综 合评价, 对于提高 仿真培训 效果具有 重要意义。

1变电站仿真操作评价模型

本文提出的基于序列比对的变电站仿真操作评 价模型如图1所示。 (1) 教员根据操作任务类库, 下达操作任务, 如巡视类操作、倒闸类操作, 学员按不 同的操作 任务进行 操作演练; (2) 采用碰撞检测技术, 设置触发器, 学员每一步操作触发一次事件, 根据时间先后顺序, 记录学员每一步操作, 建立学员操作点事件表, 形成实际操作序列; (3) 结合变电站操作规程, 采用产生式和框架式知识表示方法, 进行设备规则和任务规则知识表示, 建立操作规则库, 形成标准操作序列库; (4) 将学员实际操作序列信息传送到序列比对模块, 调用操作规则库中的标准操作序列, 采用Smith-Waterman序列比对算法, 结合推理机, 对学员操作结果进行比对评价; (5) 根据不同的操作在操作序列中所占比重不同, 采用一科学的加权方式打分, 并通过可 视化窗口对评价结果及分值进行显示。

2序列比对算法 (Smith-Waterman算法)

序列比对算 法, 基本是一 种基于动 态规划思 想的SmithWaterman算法。依据递归的思想, 可以动态 规划得出 两序列A[i]和B[j]在比对过程中的最大相似性得分值及最佳相似性配对, 也可以用其他分值表示得分函数值[1]。

通过相似性最佳得分矩阵进行动态回归的递归算法如下:

在以上算法流程中, 定义序列长度值为|A|=m, |B|=n。其中, 函数insert (‘-’, A, i) 表示将字符‘-’插入一个序列A的第i个位置, 算法中所有此函数均同[2]。

3基于序列比对的评价方法

变电站智能仿真操作系统中每个设备元件被改 为独立的一个类, 每个类的本身又包含了其运行的相关属性。在变电站仿真智能评价系统中, 要适当扩充各个电气设备元件的属 性:如电流互感器、电压互感器、隔离开关、断路器等电气设备元件不仅需要包含其相应的开断动作, 还要包含相应的耐受电压等级等属性信息。具体过程 (图2) 如下: (1) 采用碰撞检测技术, 并设置触发器, 学员每一步操作触发一次事件, 根据先后顺 序记录学员每一步操作, 包括动作时间、设备名称、设备 编号、电压等级、设备类型、动作结果等, 建立学员操作点事 件表, 形成实际操作序列; (2) 将学员操作序列信息传送到序列比对模块, 调用操作规则库中的 标准操作 序列, 采用Smith-Waterman序列比对算法, 结合推理机, 对学员操作结果进行比对判断及 相关评分。

根据学员操作记录表 (表1) , 在进行数据提取、形成实际操作序列时, 本文方法 只提取2项关键数 据:设备编号、动 作结果。

根据表1的操作记录, 形成的实际操作序列为:…DL60201ONDL60202TKG602301ONKG602302TKG602101ONKG602102T… (分闸:ON;合闸:OFF;检查在分位:T)

依据操作规则库中的标准操作序列, 通过Smith-Waterman序列比对算法进行比对评价。

4加权评分

在最终得到的标准操作序列表分值栏中记明 了学员进 行的仿真操作各个操作项目的得分值, 其中遗漏操作序列项按照零分记, 对于多次重复操作的序列项和多余的操作序列项按相应的权值比例扣分。考核过程还将记录考生完成时间, 因为所有操作需在规定时间内完成, 时间因素将影响考核结果。通过综合考虑学员仿真操作中各种因素, 包括完成时间、遗漏操 作项、重复操作和多余操作项次数等, 最后给出学员的仿真 操作结果和评价公式。规定加权评价函数总公式如下[3]:

式中, N为学员实际得分总成绩;Si为各个操作项的实际得分;ω1, ω2, ω3为不同的加权系数, 随各操作项的重要程度不同而改变, 在不同的操作中值不同;T为规定的各个操 作项目完 成的标准时间限制;t为学员各个操作项目的实际完成时间;Mi为各个操作项的满分值;m为学员重复或漏做的项数, 单位是次;d为学员操作中多余的操作项, 单位为分数;B为标准分值, 是由教员设置的定值, 全系统只有1个评分标准值, 一般取各 个单项满分值的平均值。

通过该函数公式, 可以较快得出学员 仿真操作 的分数, 并能转化为直观的一、二、三等级制成绩, 进而对学员操作结果进行综合评价分析。

5结语

本文提出的基于序列比对的变电站仿真操作 智能评价 方法, 将变电站仿真操作中巡视、倒闸操作标准化为一系列 操作序列, 继而转化为标准操作序列与实际操作序列的比对 分析。采用Smith-Waterman序列比对算法, 并提出一合理的加权函数打分, 实现对学员变电站仿真巡视类、倒闸操作类的全 面客观评价。

摘要：针对现有变电站仿真培训系统缺乏完整且客观的评价体系, 提出一种基于序列比对的变电站仿真操作智能评价方法。该方法将变电站仿真操作标准化为一系列操作序列, 采用Smith-Waterman序列比对算法, 通过比对标准操作序列与实际操作序列, 结合推理机, 对学员操作结果进行比对评价;并采用一合理的加权函数打分, 实现对学员操作结果的综合全面评价。

关键词：序列比对,Smith-Waterman算法,加权评分

参考文献

[1]范习辉, 张焰.序列模式挖掘在电力系统警报信息处理中的应用[J].电力系统自动化, 2005 (13)

[2]魏大木, 陶宏才.序列比对算法简单研究[J].微计算机信息, 2011 (4)

[3]赵星涛.仿真机培训成绩自动评定系统的改进[J].电力系统自动化, 2002 (22)

评价序列 篇2

说起语文教学，让老师最头疼的就是写作文了。那么怎样让写话习作教学不再困扰我们呢？从事语文教学十几年了，带了两轮学生，在培养低年级写话教学中，我紧紧围绕课标进行教学。第一学段定位于“写话”，第二学段开始“习作”，这是为了降低学生写作起始阶段的难度，重在培养学生的写作兴趣和自信心，最重要的是让学生对写话有兴趣，觉得有话可说，有话可写，而不是一种负担。小学第一学段（1-2年级）写话目标是：

1、对写话有兴趣，留心周围事物，写自己想说的话，写想象中的事物。

2、在写作中乐于运用阅读和生活中学到的词语；

3、根据表达需要,学习使用逗号、句号、问号、感叹号。”因此在一年级学生刚入学时，我让学生用拼音写一句话，不限内容。学习写生字时就用学习的生字（不会写的用拼音代替）写你看到的或听到的事情，甚至是一条短信也可以。结果学生的兴趣很高，内容更是丰富多彩。每天不用我布置作业学生早早的就完成这项作业了。其实在写话中学生不仅有了乐趣也养成了一种好习惯，那就是乐于写话并且留心周围的事物。慢慢的大家总结出要写一句完整的话要交代清（时间）谁在哪里干什么？我感到很欣慰。到了中段，习作教学把写话教学提升了一个坡度。三年级就是一个转折期。好多孩子犯了难。针对此情况我遵循“起点低、坡度小、写生活”的原则，重表扬，不批评；遵循“让所有学生‘吃饱’，让一部分学生‘吃好’”的原则，因人而异、要求不一，因材施教、个别指导。从一句

话加成了三句话慢慢变成一段话。而且我会在每天早读时间留五分钟时间讲讲我们周围发生的人或事或我对某一广播的看法。让学生觉得写作文就是将你看到的人或事写下来，这样降低了习作的难度也让学

生有话可写。通过我的鼓励，讨论孩子在交流中丰富知识，获得方法。到了中期阶段，重点进行句式训练，培养学生写好一句话。首先让学生认识句式——“什么时候，谁，在什么地方，怎样的干什么？”在理解这种句式上，激励学生把这些句子写下来，让学生反复练习，可为他们以后的作文训练打下良好、坚实的基础。要注意的是训练中要求一定要从简单到复杂，一句一句地练习到位。到了一年级下学期，二年级开始进行“连句成段”的训练。

总之，写话、习作目标序列的安排在日常教学与评价是语文的综

评价序列 篇3

软件缺陷的产生不可避免, 但软件缺陷的存在会给人类带来灾难[1]。信息社会的到来, 使得软件需求量不断增大, 软件开发者在软件测试上花费的代价越来越大。无监督的软件缺陷预测建模过程简单, 成为近几年的研究热点。

目前已有大量的无监督软件缺陷预测研究, 这些模型大都用于分类, 简单地将待预测样本分为有缺陷类和无缺陷类, 不能提供软件模块的缺陷倾向性序列, 不利于软件缺陷的审查和验证。同时, 这些模型大多采用基于混淆矩阵的评价指标, 没有考虑使用这些模型指导代码检测和审查时的工作量与预测结果的关系, 无法保证应用这些模型时的成本效益。这些问题的存在, 使得这些预测模型的应用受到很大的限制, 因此有必要针对这些不足寻找一种更合理的预测模型。

与已有研究不同的是, 本文提出一种基于聚类的软件缺陷序列预测模型, 并采用工作量敏感的评价指标对该模型进行评价。我们的做法是, 首先选用K-Means和X-Means算法对待预测样本进行聚类, 然后对聚类后的类簇进行第一次排序确定类簇的缺陷倾向递减序列, 对类簇内样本进行第二次排序确定缺陷密度递减序列, 将经过两步排序后的样本序列作为软件缺陷倾向预测序列。最后结合软件工业实际, 考虑了代码审查或检测时的成本效益, 采用了CE (Cost Effectiveness) 指标对模型性能进行评价。

1 相关工作

软件缺陷序列预测一般包含3个步骤, 首先是建立软件缺陷预测模型, 然后利用建立的模型选择合适的度量对待预测对象包含缺陷的几率进行预测, 最后根据预测结果按照包含缺陷的几率从大到小的顺序将各对象进行排序, 最终得到的序列即为软件缺陷序列预测的结果。在这3个步骤中, 缺陷序列预测模型的建立和缺陷序列预测模型性能的评价是软件缺陷序列预测中最重要的步骤。

无监督缺陷预测模型普遍采用无监督学习方法进行建模。Catal等提出了一种基于X-Means算法的缺陷预测模型[2]。他们的实验结果表明, 该算法对不包含噪音的数据具有很好的性能。然而, 在存在噪音的数据上, 该算法会导致不合理的聚类。Bishnu等[3]利用基于四叉树的K-Means聚类算法对缺陷预测进行了研究, 他们首先利用四叉树算法来确定K-Means聚类时的类簇中心点, 然后利用K-Means算法对数据进行聚类, 最后将这种结合后的算法应用到软件缺陷预测领域。他们的实验结果表明, 该算法在大多数情况下能够降低缺陷预测的错误率。文献[4]提出了一种基于模糊聚类非负矩阵分解的缺陷预测方法, 该方法解决了最近邻算法处理多属性缺陷数据时性能偏低的问题, 克服了非负矩阵分解时易陷入局部最优的不足, 提高了不平衡软件缺陷数据的预测精度。文献[5]提出了一种谱聚类与混沌免疫相结合的软件缺陷预测方法, 用混沌免疫聚类算法替换谱聚类中的K-Means算法。他们的研究表明, 这种结合的算法可以促进软件缺陷数据预测精度的提高。

这些预测模型采用了基于混淆矩阵的评价指标, 只考虑模块是否包含缺陷, 忽略了模块规模的不同, 这与代码审查或测试阶段不同规模模块对工作量的要求不同的事实不符。因此, Arisholm等提出应该使用一种“基于代码行的Alberg图”的评价方法来评价潜在预测模型的性能[6], 同时, 他们指出应该用CE指标作为模型性能的评价指标。

2 无监督缺陷模块序列预测模型

2.1 基于聚类的缺陷模块序列预测

基于聚类的缺陷序列预测算法可以采用如下步骤: (1) 数据预处理, 备份模型评价相关度量; (2) 设置聚类算法为K-Means或X-Means, 进行聚类运算, 得到聚类结果; (3) 进行类簇间排序; (4) 进行类簇内部排序; (5) 将经过两步排序后的序列作为缺陷预测序列, 评价该序列的预测性能。

2.2 基于簇类排序和簇间排序的缺陷模块序列生成

在基于聚类的软件缺陷模块序列预测中, 在第 (2) 步得到聚类结果后, 为了得到缺陷模块预测序列, 需要设置一定合理的排序方法, 将各类簇和类簇内部的各个模块按照缺陷倾向的可能性进行排序。排序的目的是为了提高预测序列的性能。结合该预测序列的性能评价指标CE的求解过程, 经过排序后的模块序列应该具有如下特点: (1) 软件系统中有缺陷的模块应该尽量在序列的前部, 无缺陷的模块应该尽量在序列的后部; (2) 预测序列中模块的缺陷密度大体上应符合从大到小的顺序。所以, 排序策略的设计应该从这两点出发。

有研究表明, 单位代码包含缺陷的概率随着模块规模的增加而降低[7], 那么, 在经过聚类后, 类簇总代码行越小, 该类簇包含缺陷的概率应该越大。利用这一结论, 将聚类后各类簇按照总的代码行从小到大的顺序进行排序, 类簇内部各模块按照代码行从小到大排序, 经过两次排序后得到的模块序列, 其缺陷可能性应该是从大到小, 记这种排序方法为MSSB (Minimum-Size-Cluster Started Size Based) 。

3 工作量感知的缺陷模块排序性能评价

CE (Cost effectiveness) 评价指标是一种考察模型对模块缺陷倾向的排序能力的指标。CE指标在一种被称为“基于代码行的Alberg图”上求得, 基于代码行的Alberg图是如图1所示的二维图。

在基于代码行的Alberg图中, 3条曲线分别对应3个模型。其中Model对应需要进行评价的预测模型, 以该预测模型给出的缺陷模块序列的规模 (代码行数) 占系统总规模的百分比为横坐标, 以预测模型给出的缺陷模块序列中的实际缺陷数目占系统总缺陷数目的百分比为纵坐标, 每给定一个百分比值, 得到该坐标轴上的一点, 所有的点之间的连线可以得到该模型对应的曲线。Optimal对应“理想最优模型”, 该模型是将软件模块按缺陷密度 (缺陷数目/代码行数) 进行降序排序的模型。Random对应“随机模型”, 该模型是将模块按随机顺序进行排序, 因此其表现是一条45°的直线。

“基于代码行的Alberg图”上的CE指标由如下公式获得:

4 实验设置和结果

4.1 数据集

我们的实验在equinox 3.4、JDT Core 3.4、lucene2.4、mylyn 3.1和PDE UI 3.1五个系统上进行。我们收集了WMC、DIT、NOC、LCOM2、CBO、RFC和SLOC这七个度量, 并将这些度量当作模块的特征用来聚类。对于每一个系统, 网站http://bug.inf.usi.ch/上提供了每个模块中包含的缺陷数目。在我们的实验中, 缺陷数据不参与聚类过程, 只用来评价各种聚类方法的性能。表1给出了这5个系统上收集的数据集信息。

4.2 实验结果

我们用MSSB排序方法进行实验。试验中, 样本间的距离求解时采用的是欧氏距离。在实验中, 当以K-Means聚类算法建立聚类模型时, 分别设置聚类个数k为样本总数的1%、2%、5%和10%。我们分别计算了π=0.2和π=1.0这两种情况下的值。

首先是采用K-Means算法进行聚类。表2~表6分别为当π=0.2和π=1.0时5个数据集上的实验结果。其中, p|k列对应的数值是实验中聚类参数的设置, 其中, p值表示K-Means聚类时设置的类簇个数占样本总数的百分比, k值表示采用当前百分比时的具体聚类个数。表7表示采用X-Means算法进行聚类时取不同π值时的结果。此时, 对于各个数据集, 每种排序方法只对应一个缺陷预测序列, 所以也只得到一个性能评价指标, 其值如表2~表7所示。

4.3 结果分析

从实验结果可以看出, 当采用MSSB方法时, 从表2~表6可以看出, 当采用K-Means进行聚类时, 在多数数据集上, 该排序算法都能获得大于0的CE值, 这表明, 在这些情况下, 该算法明显优于随机选择模型。同样地, 从表7可以看出, 当采用X-Means算法进行聚类时, 多数情况下, 该方法同样优于随机方法。

5 结语

本文首先简要介绍了软件缺陷预测领域的相关研究工作, 对基于机器学习的软件缺陷序列预测中的关键问题进行了阐述, 分析了已有研究中建模方法和评价标准的不足。针对这些不足, 提出了基于聚类的软件缺陷序列预测模型, 着眼于建模过程中的排序问题, 文中设计了一种排序算法, 并采用了一种工作量敏感的评价指标对该模型的性能进行了实验比较。从5个数据集上的实验结果可以看出, 不论是采用K-Means聚类还是X-Means聚类, 大部分情况下当采用该排序方法时, 所得的缺陷预测序列都能比随机方法在一定程度上帮助减少代码审查的工作量。

参考文献

[1]LITTLEWOOD B, LORENZO S.Software reliability and dependability:a roadmap[C]//Proceedings of The Conference on The Future of Software Engineering, 2000:175-188.

[2]CATAL C, SEVIM U, DIRI B.Clustering and metrics thresholds based software fault prediction of unlabeled program modules[C]//Proceedings of the 2009Sixth International Conference on Information Technology:New Generations, 2009:199-204.

[3]BISHNU P, BHATTACHERJEE V.Software fault prediction using quad tree based k-means clustering algorithm[J].IEEE Transactions on Knowledge and Data Engineering, 2012, 24 (6) :1146-1150.

[4]常瑞花, 慕晓冬, 李琳琳, 等.基于模糊聚类非负矩阵分解的软件缺陷预测[J].宇航学报, 2011, 32 (9) :2059-2064.

[5]慕晓冬, 常瑞花, 宋国军, 等.基于混沌免疫谱聚类的软件缺陷预测[J].高技术通讯, 2012, 22 (12) :1219-1224.

[6]ARISHOLM E, BRIAND L, JOHANNESSEN E.A systematic and comprehensive investigation of methods to build and evaluate fault prediction models[J].Journal of Systems and Software, 2010, 83 (1) :2-17.

序列的造句 篇4

【意思】：按次序排好的行列。

序列造句：

1、这个函数调用序列显示了造成崩溃的代码路径。

2、然后再将此函数应用到之前的结果以及序列中的下一个元素。

3、在序列的每个位置上，我们都可以测量染色质的这些不同属性。

4、由于生命线类型到在一个合作的序列图表上，因此这些UML类从每个UML类跟踪到每个相应的合作中。

5、这里有20项技术序列，然而您将发现可以很快地通过这个阶段，但始终还是要以您自己的步伐进行。

6、您可以在编辑操作中指定任何数量的行，并且这些操作可以在一个序列中进行组合和指定。

7、通过从所有涉及的人那里收集系统使用信息，我们可以在业务层重新构造处理序列。

8、就算我把他或者她排在序列中的其他位置，又有谁会在意呢？

9、别名是一个简短的序列，您可以使用它来代替一个较长的命令。

10、这些序列组成了用于与这样的某个类或一组类交互的协议。

11、在本文中描述的功能改善，提高了序列图的可用性，因此使得您可以更加容易的编辑和变更您的图表。

12、它还意味着我们需要一些工具，用于在对象序列上强加一个次序，有可能是在多个层次上进行的。

13、它包括了一个小节的序列，每个小节描述了一个将要被执行的操作。

14、如果把命令连接在一起，那么只有序列中最后一个命令生成的输出能够反映管道的进度。

15、在大多数语言中，这个列表被实现为数组、向量、列表或序列。

16、标记阶段最后也没有标记的对象是应用程序不可获得的对象（死对象），因为不存在从根集经过任何引用序列找到这些对象的路径。

17、在IFS中，文件的存在形式是一个字节序列，没有任何由文件属性指定的数据格式。

18、然而，有另一个方法在序列图之间传递消息。

19、在微观设计中，将为组件模型中的每个组件设计和建模类关系图以及序列关系图。

20、这是个好消息，因为它意味着样式表作者们将很快就能利用象序列、量化和更强有力的类型控制这样的特性。

21、您可以看到什么将会被记录，序列图编辑器现在也处于重新排序模式下了。

22、有非常一致的字符重复序列。

23、但是我们所看到的扩展，都需要用户通过发布一个正常模式命令，或者在插入模式中输入一个特殊的序列，明确地请求行为。

24、此实例将始终添加到序列的末尾。

25、在一些特殊的情况下，这种方法可以同时满足事件交付序列和性能的需求。

26、这个序列是引用主题所允许结构的一个子集，后者没有规定语法、属性和章节的顺序。

27、在更新这些系统架构图以及适当的序列图之后，她将这些文件检入。

评价序列 篇5

1 资料与方法

1.1 研究对象

2013-05~2014-01在天津市第五中心医院就诊的20例单侧ACL损伤患者, 均经关节镜手术证实, 排除明显膝关节软骨缺损、既往接受膝软骨手术、骨关节炎及对侧膝关节有过外伤、手术或伴发其他疾病者。其中男10例, 女10例;年龄21~39岁;体重55~79 kg;右膝关节损伤11例, 左膝关节损伤9例;损伤时间1~6个月。男、女患者年龄、体重指数及损伤时间差异均无统计学意义 (t=5.0123、3.2580、3.6521, P>0.05) , 见表1。所有受试者均知情同意并签署知情同意书。

1.2 仪器与方法

采用Philips 3.0T双源MRI扫描仪, 图像采集采用膝关节自然伸直位, 将膝关节置于线圈中央, 利用矢状位三维快速梯度回波水激发序列, TE 5 ms, TR 20 ms, 翻转角15°, 视野16 cm×16 cm, 层厚2 mm, 层间距1 mm, 重建层厚4 mm。

1.3 图像分析

将图像导入Rhinoceros 4.0后处理工作站, 膝关节骨和软骨轮廓手动描绘 (图1) , 三维几何模型下膝关节的骨骼和相应的软骨构建的准确性和精确性可被验证, 这个软骨厚度测量的精确度基于MRI的膝关节三维表面模型[2]。

股骨远端的软骨分为股骨外侧髁 (lateral femoral condyle, LF) 、股骨内侧髁 (medial femoral condyle, MF) 和滑车 (trochlea, Tr) , 胫骨近端的软骨分为胫骨外侧平台 (lateral tibial plateau, LT) 和胫骨内侧平台 (medial tibial plateau, MT) 。分区的标准是根据ACL和后交叉韧带 (posterior cruciate ligament, PCL) 的附着点 (图2) , 软骨体积用Rhinoceros软件直接测量。

图2膝关节软骨分区及结构。A为膝关节软骨分区, 绿线:前交叉韧带位于股骨外侧髁内缘的附着处为股骨外侧髁与滑车软骨的分界;黄线:后交叉韧带位于股骨内侧髁外缘的附着处为股骨内侧髁与滑车软骨的分界;粉线及蓝线:前、后交叉韧带位于胫骨髁间起始处为胫骨内、外侧平台软骨的分界;B为膝关节软骨的三维大体图像;C、D为矢状位图像中显示的前交叉韧带及后交叉韧带层面。Patellar:髌骨;Tr:滑车;MF:股骨内侧髁;LF:股骨外侧髁;MT:胫骨内侧平台;LT:胫骨外侧平台

1.4 统计学方法

采用Statistica 16.0软件, 以患者健侧软骨体积作为对照, 患侧和健侧软骨体积比较采用配对t检验, 同时按性别进行分层分析, 男性和女性患者组内比较采用配对t检验, P<0.05表示差异有统计学意义。

2 结果

2.1 健侧与患侧膝关节软骨体积比较

20例ACL损伤患者患侧与健侧膝关节软骨总体积比较差异有统计学意义 (t=2.0263, P<0.05) , 其中股骨、胫骨总体积以及LF、LT处患侧与健侧膝关节软骨体积差异有统计学意义 (t=2.0105、2.0100、1.9451、1.9701, P<0.05) , 而髌骨、MF、Tr和MT处患侧与健侧膝关节软骨体积差异无统计学意义 (t=0.4850、0.2747、0.8414、0.6201, P>0.05) , 见表2。

2.2 不同性别ACL损伤患者健侧与患侧膝关节软骨体积比较

男性患者患侧与健侧膝关节软骨总体积及各部位软骨体积差异均无统计学意义 (P>0.05) 。女性患者患侧膝关节软骨总体积、股骨及胫骨软骨总体积及LF、LT处软骨体积较健侧减小, 差异有统计学意义 (t=2.6508、2.0314、1.9439、2.0795、2.5339, P<0.01、P<0.05) , 而髌骨、MF、Tr、MT处软骨体积差异无统计学意义 (t=0.4207、1.5732、0.8944、0, P>0.05) 。见表2。

注:LF:股骨外侧髁;MF:股骨内侧髁;Tr:滑车;LT:胫骨外侧平台;MT:胫骨内侧平台;*与整体健侧比较, P<0.05;△与女性健侧比较, P<0.05

3 讨论

本研究利用三维立体软骨模型对股骨、胫骨及髌骨平均软骨体积进行测量和计算, 发现女性ACL损伤后部分承重软骨体积发生改变, 而男性改变不明显。

膝关节软骨是关节内非常重要的结构, 在运动中起到减压和轴承作用, 其形态受年龄、性别、体重指数、运动活动水平[7]、骨关节炎、疼痛[5]及ACL损伤等[8,9]多种因素的影响, 其中ACL损伤是引起软骨形态改变的急性因素, 动物模型证实ACL切除导致软骨细线化改变[10]。利用钆对比剂增强后的MRI来探测软骨成像, Fleming等[11]发现当人体发生ACL损伤后软骨成分发生改变, 提示关节软骨发生形态改变, 且改变多发生在承重部位软骨, 与本研究结果一致。

Frobell等[12]研究发现, 膝关节软骨形态学改变发生在ACL损伤后1年内, 而且软骨体积减少发生在大多数ACL损伤的软骨中。本研究发现, 女性ACL损伤的软骨中平均软骨体积减少, 包括LF及LT, 可能与ACL损伤造成不稳定的膝关节中发生异常的生物力学运动有关。ACL损伤造成软骨细胞的缺乏是由于改变了接触面软骨区的生物力学方式, 使得接触区域变小, 从而导致软骨变薄, 当受力逐步增大, 超过软骨承受范围后, 软骨形态渐渐发生改变[13]。本研究基于上述假设来探讨ACL损伤后造成的一系列软骨形态学的改变, 而Van De Velde等[2]发现正常膝关节与ACL损伤后的关节软骨厚度并无显著差异。因此, 本研究利用MRI三维快速梯度回波水激发序列成像提高软骨成像质量, 在此基础上对膝关节软骨进行形态学定量分析, 其临床价值明显优于常规序列扫描[14]。

本研究中, 女性患侧膝关节软骨改变显著, 而男性不显著, 可能与人体激素水平差异有关[15]。另外, 女性较男性软骨体积小[16,17]、厚度薄, 而薄的软骨更易造成损伤, 这也是女性较男性更容易发生骨性关节炎的原因之一[18,19]。

本研究的局限性在于: (1) 样本量小, 仅有20例患者, 需要进一步增加样本量以验证研究结果; (2) 研究对象仅仅是膝关节损伤的一个亚群, 并且是针对损伤时间较短 (半年内) 的患者, 因此不能代表所有ACL损伤患者的情况。尽管人体自身左、右膝关节本身存在差异[15], 但对于单侧受伤的膝关节患者利用对侧正常膝关节作为对照仍是有效而准确的方法, 因此可以认为本研究结果在ACL损伤人群中具有普遍意义。

评价序列 篇6

1 文献回顾

创新竞争力的分析一般主要体现在行业、产业、区域等方面,从国家的角度分析创新竞争力的文献相对较少。美国学者波特于1991利用钻石模型研究了国家创新竞争力的情况的影响。该理论认为,国家竞争力的发展通常有4个阶段,即要素驱动阶段、投资驱动阶段、创新驱动阶段和财富驱动阶段。一个国家处于哪个阶段取决于经济发展水平以及拥有的资源数量、结构和配置效率。但他的研究主要侧重于国家创新系统中产业层面,对其它要素分析的较少。在国际权威的竞争力评价体系中,瑞士洛桑管理发展学院发布的年度《世界竞争力年鉴》和世界经济论坛发布的年度《全球竞争力报告》,也都把创新作为国家竞争力的重要组成部分。我国学者对国家创新竞争力的研究起步较晚。程惠芳等从创新投入、创新政策、创新制度、创新公共基础条件、创新主体联系合作程度5个方面选择15个变量建立了国家创新体系的指标体系,通过因子分析和多元回归分析得出国家创新体系与企业国际竞争力存在显著正相关关系。黄小玉根据波特的钻石模型得出因此,评价国家创新竞争力需要考虑各方面因素。通过多指标综合评价方法,更为准确地描述一国的竟争力。魏捷先从理论与实践相结合的高度,把国际创新竞争作为博弈过程来看待,并用博弈论的方法对它进行了全面的、综合性的研究。李建平等[1]著于2011年的《二十国集团(G20)国家创新竞争力发展报告(2001—2011)》选取了35个三级指标、5个二级指标来评价国家创新竞争力。其选用的指标通过了相关性、显著性检验,所有数据均经过标准化处理,然后采用平均权重法用当期标准化数据计算当期一个国家或地区的创新竞争力。其计算结果在一定程度上反映了一个国家(地区)的创新竞争力水平。

以上文献均是围绕国家创新竞争力的内涵及评价指标体系的选取和建立上,对于各指标在时间序列上如何影响国家创新竞争力并没有明确说明。即便是李建平等于2011年利用各指标计算国家创新竞争力时,也仅仅利用当年的各指标数据得出每个国家的创新竞争力。但一般来说,创新竞争力各指标对于一个国家创新竞争力的影响有一定的滞后性,仅用当期指标数值来计算一个国家或地区的创新竞争力会产生一定程度的失真。本文利用判断矩阵,通过相应的量化分析,在时间序列赋予各指标相应的权重,进而真实的反应国家创新竞争力。

2 构造创新竞争力评价指标时间序列判断矩阵

2.1构造判断矩阵

创新竞争力评价指标时间序列分析需要以一定的信息为基础,也就是人们对各因素的相对重要性给出的判断。这些判断通常用数值表示出来,写成矩阵形式就是判断矩阵。判断矩阵的构建是权重分配工作的关键环节[2]。本文选取G20创新竞争力中35个指标中的历年R&D经费支出总额为例构建判断矩阵。平均随意性指标一般最大到9阶[3]。根据经验,创新竞争力指标一般有10年左右的滞后影响,因此,本文选取9阶判断矩阵来分配9年滞后指标的权重,并根据各期R&D投入对创新竞争力的相对重要性得出判断矩阵,如表1所示。

其中,R&D0表示当期研发经费投入对当期创新竞争力重要性程度,R&D-1～R&D-8表示上期研发经费投入当期创新竞争力重要性程度表示滞后第8年研发经费投入当期创新竞争力重要性程度,判断矩阵B是各期研发经费投入对当期创新竞争力重要性程度的比值[4]。

2.2将判断矩阵按列正规化

对判断矩阵按列正规化的方法如下:首先将各列数据加总,然后用该列中每个数据分别除以数据加总数值,最后就可得到按列正规化的判断矩阵[5]。这种方法简单易行,具有很强的操作性,如表2所示。

(1)将正规化矩阵按行相加。

得到向量undefined0.87 0.77 0.67 0.44]T。

(2)将向量undefined正规化。

同理可得:undefined;undefined;undefined;undefined;undefined;undefined;undefined;undefined;则所求特征向量:

W=[0.13 0.16 0.17 0.12 0.11 0.100.09 0.07 0.05]。

特征向量W就是各期R&D投入对创新竞争力的权重值。

(3)计算判断矩阵的最大特征根λmax。

同理可得:AW1=1.43;AW2=1.48;AW3=2.53;AW4=1.04;AW5=0.88;AW6=0.78;AW7=0.67;AW8=0.44;

undefined

(4)一致性检验。

通过一致性检验说明判断矩阵具有满意的一致性。

(5)各滞后期指标对创新竞争力重要性分析。

一般来说,根据经验判断,当年R&D经费支出总额对创新竞争力的影响不是最大的,真正具有竞争力的研发成果一般不是1～2年就能一蹴而就的,而9年前的R&D经费支出总额对于当前一个国家(地区)的创新竞争力的影响也不是很大。通过判断矩阵得到的各指标权重值基本上与经验估计相一致,如图1所示,其中R&D0表示当年科研经费投入总额对创新竞争力的重要性、R&D-1是上一年科研经费投入总额对创新竞争力的重要性,以此类推直到R&D-8。

3 实证分析

在20国家竞争力分析中,以韩国研发投入为例,韩国从2000—2010年研发投入总金额,如表3所示。

在计算2008年创新竞争力时,如果按静态指标输入,不考虑以前各年度投入研发经费对2008年韩国创新竞争力的影响,采用的数值只是2008年当年的研发投入总额-34.498万亿韩元。而如果考虑滞后年份研发投入对2008年韩国创先竞争力的影响,采用的数据为

R&D经费投入总额=13.854×0.05+16.110×0.07+17.325×0.09+19.068×0.10+22.185×0.11+24.155×0.12+27.347×0.17+31.301×0.16+34.498×0.13=20.8442万亿韩元。

单位:万亿韩元

资料来源:韩国统计局。

由于当期投入的研发经费不能全部在当年见效(大约只能发挥13%的作用),由此可见,而韩国当期的创新竞争力在选取指标数据的时候如果只采用当期的研发经费总额34.498万亿韩元有增大其创新竞争力的可能,而事实也确实是这样。创新竞争力是个长期过程,只有持之以恒的坚持和投入才能使一个国家或地区的创新竞争力具有可持续性。

4 结束语

一个国家或地区的创新竞争力由很多指标来体现,包括竞争力基础、竞争力环境、竞争力投入、竞争力产出及竞争力持续发展的动力等二级指标,这些指标中又包括诸多具体的三级指标,这些指标中绝大多数具有滞后影响效应。因此,采用当期的数据计算当期创新竞争力不可避免的带有一定的失真性。而选用一定的方法在时间序列上合理分配权重能够在很大程度上克服这种失真性弱点。本文采用的利用判断矩阵对创新竞争力三级指标(R&D投入总额)时间序列进行权重分配就具有这样的功能,同时这种方法还可用于其他的指标权重分配计算,具有简单、实用的特点。由于判断矩阵对指标各个时间序列相对重要性判断有一定的主观性,因此该方法在精确性上还有待提高。

参考文献

[1]李建平,李闽榕,赵新力.二十国集团(G20)国家创新竞争力发展报告:2001—2011[M].北京:社会科学文献出版社,2012:122-167.

[2]杨启帆.数学建模[M].北京:高等教育出版社,2006:57-69.

[3]谭跃进.定量分析方法[M].北京:中国人民大学出版社,2007:36-44.

[4]章杰宽.区域创新竞争力评价指标体系的优化与应用[J].长沙理工大学学报:社会科学版,2010(25):12-16.

评价序列 篇7

DS-UWB是一种不需载波,利用脉冲传输数据的无线通信技术。由于是时域瞬态信号,功率谱密度低;并且通过伪随机序列调制了脉冲极性[1]。因此具有强隐蔽性,被广泛应用于军事通信领域。在非合作军事对抗中,为截获信息,需要估计超宽带的码序列参数。文献[2]给出了基于分段相关模值累加提取直扩信号伪码周期的方法。文献[3]提出了基于延时相关累加的盲PN码估计方法。然而,由于脉冲超宽带时域极窄特性,数字前端需要极高的采样率(几GHz甚至更高),实现难度较大。随着近年来基于压缩传感(CS)的非线性采样理论的提出,可以用远低于奈奎斯特速率对某些特殊信号进行处理分析[4]。超宽带作为一种时域稀疏信号,满足RIP准则[5],因此本文研究了一种较低采样率下的DS-UWB码序列估计算法。

1 DS-UWB信号模型

DS-UWB的原理与DS-CDMA相似。采用直接序列扩频;其应用最为广泛的调制方式是BPSK调制。采用BPSK调制的用户k发射的DS-UWB信号为:

$s{}^{(k)}(t)={\displaystyle \sum _{j=-\infty }^{\infty }{\displaystyle \sum _{n=0}^{{\rm N}{}_c-1}d}}{}_j^{k}p{}_n^{k}p(t-j{\rm T}{}_f-n{\rm T}{}_c)(1)$

式(1)中,p(t)表示发射的脉冲波形,Tf和Tc与PPM-TH-UWB中一样,分别表示帧重复周期和码片持续时间。DS-UWB与TH-UWB主要的区别在于扩频序列调制方式的不同。DS-UWB的扩频序列pkn∈{-1,+1}是周期为Nc的伪随机序列,帧周期Tf=NcTc,n表示码片的序数。d${}_j^k$表示用户k在第j帧时发射的数据符号[6]。

DS-UWB的一个实现如图1所示,图1中采用长度为7的PN码序列c(m)=[1 1 1 0 1 0 0],一个脉冲帧周期Tf=10 ns,则一个字符周期为Ts=7Tf=70 ns。

2 扩频码序列估计算法

假定r(t)由K个字符的数据构成,字符长度为Ts,采样率为fs,则每个字符周期包含样点数为:

${\rm N}{}_w={\rm T}{}_{s}f{}_s(2)$

即一个完整符号周期波形为h=[h1,…,hNw]T。把接收信号r(t)截断成K个互相不重叠的时间窗,窗长度与字符长度相同,对于第l个窗的接收信号,可以记为rl,l=1,2,…,K。当分段时窗的起始点和帧的起始点没有对齐时,记偏差值为N0个样点,因此每个时间窗中所含信号由当前符号的后段数据与下一个符号的前段数据拼接而成。

$r{}_l=a{}_{l}h{}_1+a{}_{l+1}h{}_2+n{}_l(3)$

式(3)中$h{}_1=[h{}_{{\rm N}{}_0+1},\cdots ,h{}_{{\rm N}{}_w},\underset{{\rm N}{}_0}{{\displaystyle 0,\cdots ,0}}]{}^{\text{Τ}}$表示时窗中包含当前符号的后段数据,$h{}_2=[\underset{{\rm N}{}_w-{\rm N}{}_0}{{\displaystyle 0,\cdots ,0}},h{}_1,\cdots ,h{}_{{\rm N}{}_0}]{}^{\text{Τ}}$表示时窗中包含的下一个符号的前段数据,nl表示第l段的噪声向量,服从均值为0,方差为σ${}_n^2$的正态分布。

采用贝努力矩阵对分段信号向量进行测量[7],得到原始信号的随机投影:

$y{}_l=\Phi r{}_l(4)$

求分段压缩测量信号的自相关矩阵的期望为:

R=E{yl(${}_l^y$)H}=E{Φrl(Φrl)H}=

ΦE{rl(${}_l^r$)H}ΦH=

Φ{E(${}_{l+1}^a$)2h2h2H+E(${}_l^a$)2h1h1H+

σ${}_n^2$In×n}ΦH (5)

式(5)中E(al)2是字符的方差,由于al为取值±1且等概率的随机分布,因此,

$\text{E}(a{}_l){}^2=\text{E}(a{}_{l+1}){}^2=1(6)$

令$v{}_1=\frac{h{}_1}{\parallel h{}_1\parallel }$,$v{}_2=\frac{h{}_2}{\parallel h{}_2\parallel }$,则

$R=\Phi \parallel h\parallel {}^2\left[\left(1-\frac{{\rm N}{}_0}{{\rm N}{}_w}\right)v{}_{2}v{}_2{}^{{\rm H}}+\frac{{\rm N}{}_0}{{\rm N}{}_w}v{}_{1}v{}_1{}^{{\rm H}}+\sigma {}_n^2{\rm I}{}_{n\times n}\right]\Phi {}^{{\rm H}}(7)$

式(7)中‖h‖2为整个符号的能量。信噪比可以表示为:$S{\rm N}R=\frac{\parallel h\parallel {}^2}{{\rm N}{}_w\sigma {}_n^2}(8)$

则

R=Φσ${}_n^2${SNR·(Nw-N0)v2v2H+

SNR·N0v1v1H+In×n}ΦH (9)

令p1=Φv1; p2=Φv2 (10)

则

$\begin{array}{l}R=\sigma {}_n^2[S{\rm N}R({\rm N}{}_w-{\rm N}{}_0)p{}_{2}p{}_2{}^{{\rm H}}+\begin{array}{l}\\ \end{array}\\ S{\rm N}R{\rm N}{}_{0}p{}_{1}p{}_1{}^{{\rm H}}+\frac{{\rm N}}{{\rm M}}{\rm I}{}_{m\times m}](11)\end{array}$

可以证明,p1和p2的l2范数约为1,由式(11)可以看出,自相关矩阵有两个较大特征值,对应的特征向量为p1和p2,但特征向量的极性不能够确定,因此不能通过两个特征向量的拼接恢复整个PN码序列波形。

由式(11)可以得到特征值:

$\begin{array}{l}\lambda {}_1=\sigma {}_n^2\left[\frac{{\rm N}}{{\rm M}}+S{\rm N}R({\rm N}{}_w-{\rm N}{}_0)\right](12)\\ \lambda {}_2=\sigma {}_n^2\left(\frac{{\rm N}}{{\rm M}}+S{\rm N}R{\rm N}{}_0\right)(13)\\ \lambda {}_i=\frac{{\rm N}}{{\rm M}}\sigma {}_n^2；(i=3,...,{\rm M})(14)\end{array}$

由式(14)知,可通过λi(i=3,...,K)估计噪声的方差,将估计出的噪声方差代入式(12)和式(13),则可以通过两个较大特征值得到时间偏差估计值及信噪比的估计值:

$\begin{array}{l}\widehat{\sigma }{}_n^2=\frac{{\rm M}}{({\rm K}-2){\rm N}}{\displaystyle \sum _{i=3}^{{\rm K}}\lambda }{}_i(15)\\ S\widehat{{\rm N}}R=\frac{1}{{\rm N}{}_w}[\frac{\lambda {}_1+\lambda {}_2}{\sigma {}_n^2}-\frac{2{\rm N}}{{\rm M}}](16)\\ \widehat{{\rm N}}{}_0={\rm N}{}_w\frac{{\rm M}\lambda {}_2-{\rm N}\sigma {}_n^2}{{\rm M}(\lambda {}_1+\lambda {}_2)-2{\rm N}\sigma {}_n^2}(17)\end{array}$

N0/fs即为信号非同步时延。根据非同步时延对接收信号重新截取,从而保证所截取时间窗与字符周期起点同步;即截取窗内的信号刚好为一个字符周期信号。此时,协方差矩阵R仅有一个较大特征值,式(9)可以改写为:

$R=\Phi \sigma {}_n^2\{S{\rm N}R\cdot {\rm N}{}_{w}vv{}^{{\rm H}}+{\rm I}{}_{n\times n}\}\Phi {}^{{\rm H}}(18)$

式(18)中$v=\frac{h}{\parallel h\parallel }(19)$

即为能量归一化的完整PN码序列波形,令

$p=\Phi v(20)$

则$R=\sigma {}_n^2\left\{S{\rm N}Rpp{}^{{\rm H}}+\frac{{\rm N}}{{\rm M}}{\rm I}{}_{m\times m}\right\}(21)$

由于脉冲宽度极窄,因此码序列波形v在时域具有稀疏表达。也就是说,可以先通过特征值分解得到特征向量p,再根据压缩传感原理,利用正交匹配追踪算法(OMP)算法[8],得到码序列估计值为:

$\widehat{v}=\text{a}\text{r}\text{g}\text{m}\text{i}\text{n}\parallel v\parallel {}_2；\text{s}.\text{t}.p=\Phi v(22)$

3 仿真实验与分析

仿真中所采用的超宽带脉冲为高斯二阶波形,脉冲宽度为700 ps,采样率为fs=20 GHz;为简化表达并不失一般性,采用长度为7的PN码序列c(m)=[1];一个脉冲帧周期Tf=10 ns,一个字符周期为Ts=7Tf=70 ns,则每个字符周期包含样点数Nw=Tsfs=1 400。假定时间偏差值N0=500,即偏差N0fs=25 ns。信噪比设为-10 dB,发送及接收到一个字符周期的超宽带信号如图2所示。

由图2可见,所发送超宽带信号已经完全淹没在噪声下。假定发送200个比特, 则积累时间窗个数K为200。采用M=N/4的贝努力矩阵对分段信号向量进行压缩测量,再利用分段相关积累的均值作为压缩后信号向量协方差矩阵的估计值。通过对其进行特征值分解得到特征值分布并按降序排列如图3所示:

由图3可见,由于采用了压缩传感矩阵对信号进行测量,特征值个数仅有Nw/4;由于存在同步偏差,因此有两个较大的特征值,其特征向量分别对应于PN码序列的前后两部分。由式(17)可得时间偏移估计值$\widehat{{\rm N}}{}_0=587$,信噪比估计值$S\widehat{{\rm N}}R=-9.7\text{d}\text{B}‚$与初始假设基本相同。根据所估计时间偏移量对接收信号重新截取,从而保证所截取时间窗与字符周期起点同步,再对消除时间偏差的接收信号向量进行压缩测量,通过自相关的平均累加得到协方差矩阵,对其进行特征值分解得到降序排列的特征值如图4所示。

由图4可见,由于此时同步偏差很小,所得特征值中仅有一个较大值,并得到相应特征向量。再根据压缩传感理论,利用OMP算法得到一个完整的PN码序列波形,如图5所示。

由图5可见,通过简单的门限判决可以得到PN码序列的估计为$\widehat{c}(m)=[1110100]$,与所发送PN码完全相同;由于特征向量存在极性模糊度,因此所得的PN码估计也有可能与所发送PN码完全相反,需要通过其他方法解决。

4 结 论

针对军事对抗中直接序列超宽带信号接收中的码序列估计问题,提出了一种低于奈奎斯特采样率的码序列盲估计算法。结合压缩传感理论和超宽带信号特点, 理论推导给出了适于工程实现的低采样率估计算法,通过压缩信号协方差矩阵的特征值分解得到码序列估计和同步偏差,仿真实验表明,该算法可以实现低信噪比低采样率下的码序列盲估计。

参考文献

[1] Win M Z,Scholtz R A.Impulse radio:how it works.Communica-tions Letters,IEEE,1998;2(2):36—38

[2]孙家旺,沈青峰,袁亮.分段相关模值累加提取直扩信号伪码周期.现代防御技术,2006;4(1):73—75

[3]谭满堂,朱德君.谱相关理论用于直接序列扩频信号的检测与估计.电子对抗,1995;4:53—59

[4] Donoho D L.Compressed Sensing.IEEE Transactions on informationtheory,2006;52(4):1289—1306

[5] Candes E J,Romberg J,Tao T.Robust uncertainty principles:exactsignal reconstruction from highly incomplete frequency information.Information Theory,IEEE Transactions on,2006;52(2):489—509

[6] Foerster J R.The performance of a direct-sequence spread ultrawide-band system in the presence of multipath,narrowband interference,and multiuser interference.Ultra Wideband Systems and Technolo-gies,IEEE conference on,2002:87—91

[7] Candes E J,Wakin M B.An introduction to compressive sampling.Signal Processing Magazine,IEEE,2008;25(2):21—30

评价序列 篇8

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.

序列教学, 从“根”写作 篇9

一、采撷生活, 叙“真”的事件

生活是写作的源泉, 是写作的沃土。学生只有立足于生活, 其写出内容才会更加生动。教师在进行序列教学过程中, 要注重引导学生走进生活, 感受生活的美好, 体味生活的细节, 从而让文章“有血有肉”, 让学生通过写作能够描绘出生活的细节。只有采撷于生活的作文, 才是学生们生命写作的表现。比如, 我在进行初中语文七年级上册《幼时记趣》教学的时候, 通过对生活理念的导入让学生们进行文章写作。每一个人的童年生活都是多姿多彩的, 每一个人的幼时记忆都是深刻的, 借助这个话题, 我让学生们“追忆”自己的童年时光, 让学生们通过“忆”进行写作。虽然初中学生还不到喜欢回忆的年纪, 但是他们一旦畅谈自己的童年却又会滔滔不绝, 对于自己的童年记忆犹新。有的同学说自己去农村的时候总是会到农田里捉青虫, 有的同学说自己在童年时总是喜欢搞恶作剧, 还有的同学说自己在童年时总是被各种补习班所填满, 不同的童年经历让他们产生了不同的生活认识和情感。于是, 我借机说道:“大家的童年生活这么丰富, 何不就自己的童年进行一篇文章的写作呢?”这样写作让学生们非常“有话可说”, 学生们在写作的时候思如泉涌, 童年的生活历历在目, 文章的创作自然非常成功。

二、抒写真情, 讲“善”的语言

文章的写作只有融入自己真实的感情, 其作品才会让人们感到真实, 才能让读者与作者产生情感共鸣。因此, 教师在进行序列作文教学时候, 要注重引导学生运用自己的真实情感进行写作, 这种情感既可以来自对教材中文章的感受, 也可来自学生的自身经历, 最重要的是要让文章表达学生所想、所感。比如, 我在进行初中语文八年级上册《多一些宽容》教学的时候, 正好赶上我们班中两名同学因为一点琐事闹矛盾, 彼此之间不说话。借助这个机会, 我既让吵架的同学从自身的角度写心得, 也让其他同学从旁观的角度写看法。因为这些事情都发生在同学们身边, 他们有着自己的看法, 结合本课的学习, 其内心的情感“奔涌而出”, 渴望表达自己的想法和看法。“当局者”反思了自己的行为, 认识到了自己行为的不妥之处, “旁观者”看到同学吵架, 内心也有自己的一番看法, 并做到引以为戒, 同时也表现了同学们之间互相关心、互相照顾的情感。同学们正是因为有了自己的真情实感, 文章才会真挚感人, 才会让读者感慨万千, 其内容才会更加深厚, 文章的字里行间才能够真正展现出作者的所思所想。

教师在训练学生以真挚情感写文章的过程中, 还要注重写景、记事、写人等内容的专项训练, 通过审题、立意、谋篇的讲解让学生能够将自己的情感淋漓尽致地进行表达, 一方面提升学生的写作能力, 另一方面优化作文教学的有效性。

三、优化结构, 铺“美”的布局

作文的写作需要做到合理布局, 需要通过合理的结构让学生能够将事情叙述清楚, 或者能够有理有据地讲述道理, 或者能够完整地进行情感表达。比如, 我在进行初中语文九年级下册《曹刿论战》教学的时候, 首先让学生们看本文章的题目, 一个“论”字表明了其文章的体裁。虽然其是文言文, 但是其所具有的“论”的格局依然存在。我以本文为例, 一方面让学生学习文言文中的措辞、用语, 另一方面让学生们体会议论文的结构和变化。议论文看似简单, 但是真正想要将其内容论述得有理有据并非易事, 其需要学生对素材进行相应的收集, 需要学生对文章结构进行有效的把控, 从而能够更好地将自己的观点和立意表达清楚。学生们通过老师的讲解了解了文章开篇点题的重要性, 了解了文章首尾呼应的重要性, 了解了中间分结构、分层次的重要性, 在进行文章创作的时候也能够依照相应的文章需要而进行结构的划分, 文章的创作水平比以前有了很大提高。

序列本身的含义便是依照次序排好的行列, 是体系与系统的总成。因此, 对于作文的序列化教学应当做到从易到难, 从简到繁。教师要遵循循序渐进的方式让学生尝试创作不同题材的文章, 从而让学生能够熟练地把握其中的结构, 优化自己作文的形式和条理。