针对目前基于信道脉冲响应(Channel Impulse Response,CIR)的非视距(None Line of Sight,NLoS)/视距(Line of Sight,LoS)识别方法精度低、泛化能力差的问题,提出了一种多层卷积神经网络(Convolutional Neural Network,CNN)与通道注意力...针对目前基于信道脉冲响应(Channel Impulse Response,CIR)的非视距(None Line of Sight,NLoS)/视距(Line of Sight,LoS)识别方法精度低、泛化能力差的问题,提出了一种多层卷积神经网络(Convolutional Neural Network,CNN)与通道注意力模块(Channel Attention Module,CAM)相结合的NLoS/LoS识别方法。在多层CNN中嵌入CAM提取原始CIR的时域数据特征,利用全局平均池化层代替全连接层进行特征整合并分类输出。使用欧洲地平线2020计划项目eWINE公开的数据集进行不同结构模型和不同识别方法的对比实验,结果表明,所提出的CNN-CAM模型LoS和NLoS召回率分别达到了92.29%与87.71%,准确率达到了90.00%,F1分数达到了90.22%。与现有多种传统识别方法相比,均具有更好的识别效果。展开更多
目的:探讨建立人肝细胞系LO2单纯肝脂肪变性细胞模型的方法。方法:试验分为正常对照组与试验组,用含10%胎牛血清的1640培养基培养LO2细胞,当细胞处于对数生长期时,正常对照组更换新鲜的1640培养基,试验组用含不同浓度游离脂肪酸(油酸∶...目的:探讨建立人肝细胞系LO2单纯肝脂肪变性细胞模型的方法。方法:试验分为正常对照组与试验组,用含10%胎牛血清的1640培养基培养LO2细胞,当细胞处于对数生长期时,正常对照组更换新鲜的1640培养基,试验组用含不同浓度游离脂肪酸(油酸∶棕榈酸为2∶1)的1640培养基培养,24 h后油红O染色,观察细胞内脂滴大小,并检测细胞中TG、TC含量的变化及细胞增殖情况。结果:试验组中LO2细胞内有大量的脂滴生成,且甘油三酯水平显著升高,其中,以1.2 mM FFA组脂质沉积最为明显。同时,细胞抑制率小于4%,胆固醇水平无明显升高,均符合单纯脂肪变性模型的特征。结论:采用游离脂肪酸(油酸∶棕榈酸为2∶1)可以成功诱导LO2细胞单纯脂肪变性,其中游离脂肪酸浓度以1.2 m M最为理想。展开更多
文摘针对目前基于信道脉冲响应(Channel Impulse Response,CIR)的非视距(None Line of Sight,NLoS)/视距(Line of Sight,LoS)识别方法精度低、泛化能力差的问题,提出了一种多层卷积神经网络(Convolutional Neural Network,CNN)与通道注意力模块(Channel Attention Module,CAM)相结合的NLoS/LoS识别方法。在多层CNN中嵌入CAM提取原始CIR的时域数据特征,利用全局平均池化层代替全连接层进行特征整合并分类输出。使用欧洲地平线2020计划项目eWINE公开的数据集进行不同结构模型和不同识别方法的对比实验,结果表明,所提出的CNN-CAM模型LoS和NLoS召回率分别达到了92.29%与87.71%,准确率达到了90.00%,F1分数达到了90.22%。与现有多种传统识别方法相比,均具有更好的识别效果。
文摘目的:探讨建立人肝细胞系LO2单纯肝脂肪变性细胞模型的方法。方法:试验分为正常对照组与试验组,用含10%胎牛血清的1640培养基培养LO2细胞,当细胞处于对数生长期时,正常对照组更换新鲜的1640培养基,试验组用含不同浓度游离脂肪酸(油酸∶棕榈酸为2∶1)的1640培养基培养,24 h后油红O染色,观察细胞内脂滴大小,并检测细胞中TG、TC含量的变化及细胞增殖情况。结果:试验组中LO2细胞内有大量的脂滴生成,且甘油三酯水平显著升高,其中,以1.2 mM FFA组脂质沉积最为明显。同时,细胞抑制率小于4%,胆固醇水平无明显升高,均符合单纯脂肪变性模型的特征。结论:采用游离脂肪酸(油酸∶棕榈酸为2∶1)可以成功诱导LO2细胞单纯脂肪变性,其中游离脂肪酸浓度以1.2 m M最为理想。
