摘要： 摘要 目的 旨在开发并验证一种机器学习(ML)模型，用于基于非增强心血管MR(CMR)成像鉴别缺血性心肌病(ICM)与非缺血性心肌病(NICM)。方法 回顾性分析107例连续就

关键词： 锂离子电池   电子-离子混合导体   快离子导体材料   机器学习方法   正极微观结构演化  

摘要： 锂离子电池具有高能量密度、长循环寿命和环境友好性等优点,是当今热门的储能研究对象。要发展满足高安全性、高能量密度、高功率密度、长循环寿命、高放电电压、高库伦效率、低自放电率、低成本、宽温域等各项技术指标的锂离子电池,需要不断寻找性能优异的电池新材料。第一性原理计算在电池材料研究中已取得了许多成功,但在处理多任务量和大尺寸体系时仍面临计算量大、耗时漫长的问题,使得复杂结构及长时演化过程的研究实际上难以进行,因此发展加速的材料性质模拟流程是当务之急。本论文从对电池材料的掺杂改性、筛选新型电池材料和探索电池材料的微观性质三个方面,开发了加速的电池材料性质模拟方法,并设计了几种有望用于锂二次电池的新材料。 为了开发提高电极/电解质界面稳定性的包覆材料,设计了电子-离子混合导体的改性方案和筛选流程。以LiTi2（PO4）3为研究对象,寻找提升其电子导电能力的掺杂方案。根据性质计算的复杂度从低到高对筛选步骤进行排序,包括掺杂元素初步筛选、掺杂稳定性筛选、离子迁移势垒筛选和电子导电性质筛选。随着筛选流程的进行,计算复杂度增加,但计算任务量大大降低,提高了整体计算效率。从初始17种掺杂方案中逐步筛选出符合性质标准的方案,最后得到了能提升体系电子导电性且不降低离子导电性的掺杂方案:用Mn、Fe、Mg、Bi掺杂Ti位置。计算掺杂体系的电子电导率和热力学稳定性,证实材料的电子导电能力有明显提高,且与正极侧的匹配性良好,可以用作电极包覆材料,提高电极/电解质界面的电子和离子输运能力。 这种筛选流程的设计思路可以用于新型固态电解质材料的研发。在快离子导体材料筛选流程中涉及许多计算任务,包括结构弛豫、能量计算、电荷分析和离子迁移性质计算等。一方面,结构弛豫时涉及大量不同化学计量比和不同位点分布的构型,计算量巨大导致耗时过长。另一方面,用于估计离子迁移性质的过渡态理论和分子动力学方法本身的计算复杂度高导致耗时长。为了加速快离子导体筛选流程中的两个速控步骤,将机器学习方法引入到流程设计中。构建了两个机器学习模型,其中Ea模型用于预测离子迁移势垒,加速离子迁移性质的估计;E-f模型用于预测晶体能量和原子受力,加速掺杂构型的结构弛豫。使用Ea模型从候选双阴离子化合物中筛选出LiBi OS材料作为快离子导体的结构框架。为了进一步降低载流子形成能,对LiBi OS做掺杂改性,使用E-f模型对不同掺杂量和掺杂位点排布的晶格模型做结构弛豫计算,用Ea模型预测优化后结构中的Li离子迁移势垒,选出势垒最低的掺杂方案Li1-2xMgxBi OS（x=0.1875）。进一步计算掺杂材料的离子电导率,证实其离子传导能力得到了极大的提升。这种加速的筛选流程和寻找优化掺杂策略的方法,提速了新型固态电解质材料的发现进程。 在使用机器学习方法寻找优化掺杂策略时,发现机器学习原子间势函数模型具有良好的鲁棒性,可以帮助研究正极充放电过程中的微观结构演化和性质变化。高镍三元（NCM）正极材料性质衰退的原因是微观原子结构的变化。受限于成像方法的探测深度和原位动态观测的困难性,实验上较难得到NCM中的离子排布情况。第一性原理方法在处理大尺寸体系和化学环境动态变化时有计算复杂度超限的问题。为了模拟正极材料脱嵌锂过程中微观结构的动态演化,构建了高镍NCM机器学习力场模型,用于正极结构弛豫和Ni离子层间迁移势垒的计算,在保持较高计算精度的同时显著提高了计算效率。使用该模型,研究了Li48Ni44Co2Mn2O96中的过渡金属层（TM层）阳离子排布规律、充放电过程中结构演化和电荷转移过程、局域化学环境对Li/Ni混排的影响,并获得以下结果:（1）TM层中的Co和Mn离子趋向于分散有序排布,而Li离子趋向于聚集排布;（2）Li/Ni混排主要发生在材料合成阶段,充电过程中有少量Li/Ni混排发生,且主要发生在充电后期。放电时会进一步发生Li/Ni混排,材料的嵌锂量随Li/Ni混排量增加而稍有降低;（3）充电过程中Co和Mn离子的价态保持不变,仅靠Ni离子变价实现电荷补偿。体系中的Ni离子有+2、+3、+4价,离子价态随脱锂量增加而逐渐升高,Ni2+的占比随Li/Ni混排量增加而增加。（4）Li层中存在较多空位和Ni,TM层中存在Co、Mn和空位的局域化学环境更有利于Li/Ni混排。这里得到的充放电过程中的微观结构演化细节,对于层状氧化物正极材料机理研究有着重要的参考价值。

关键词： 非侵入式负荷分解   因子隐马尔可夫模型   长短期记忆神经网络   注意力机制   粒子群优化算法  

摘要： 智能电力系统是典型的复杂系统,具有非线性和高维的特征,在深化能源结构调整和增强需求侧管理中发挥着举足轻重的作用.非侵入式负荷分解是智能电网高级量测体系中的重要组成部分,通过收集电力总线处总负荷信息,分析出单个负荷的细粒度电能消耗情况.该技术可深入分析用户的用电信息,向用户提供用电行为指导意见以及优化电能供配网络结构,对智能电网系统的调度规划、部署运维及运行安全具有重要意义.目前的非侵入式负荷分解算法精度还不够高,研究不够充分,难以满足实际场景下的应用需求.本文针对上述问题,在研究了非侵入式负荷分解的基本原理和方法的基础上,结合隐马尔可夫模型、深度神经网络等模型提出了新的负荷分解方法,具体研究内容如下: 第一部分,针对基于传统隐马尔可夫模型(Hidden Markov Model,HMM)的负荷分解算法难以精确捕捉设备的多种运行状态以及之间的转换关系,造成多状态设备分解精度较低的问题,提出了一种基于因子隐马尔可夫模型(Factorial Hidden Markov Model,FHMM)的负荷分解算法.该方法利用高斯混合模型(Gaussian Mixture Model,GMM)聚类获得不同用电设备的工作状态序列及其对应的功率序列.随后,与FHMM模型相结合,将传统HMM模型中一条复杂的组合链分解成多个低维简单链,提高模型的计算效率.最后,针对Baum-Welch算法容易收敛于局部极值的问题,将线性递减权重的粒子群优化算法引入到FHMM的参数训练中,提高了分解的精度. 第二部分,针对传统负荷分解算法难以考虑功率序列的时序相关性问题,提出一种序列到序列(Sequence to Sequence,Seq2Seq)模型用于实现负荷分解.该模型综合了卷积神经网络(Convolutional Neural Networks,CNN)在特征挖掘方面的优势,以及双向长短期记忆神经网络(Bi-directional Long-Short Term Memory,Bi LSTM)在捕捉时序依赖关系以及长序列记忆方面的优势.在此基础上,将注意力机制引入到网络结构中,增强模型对于数据间时序依赖关系的敏感程度,同时增强对重要特征信息的关注程度.最后,采用粒子群优化算法对网络的超参数进行优选,获得最为合适的超参数组合,增强模型在负荷分解问题中的表现. 建立上述负荷分解模型后,以家电负荷数据集AMPds2和UK-DALE中的不同用电器为研究对象设计了实验,以验证本文所提出模型的可行性、泛化能力,并与其他模型进行对比,展示其在负荷分解任务上的优势.

ISBN: (纸本)9787522623207

摘要： Magnetic resonance-guided focused ultrasound surgery(MRgFUS) thalamotomy is an emerging technique for medication-refractory essential tremor(ET), but with variable outcomes. This study used pattern regression analysis to identify brain signatures predictive of tremor improvements. Fifty-four ET patients(mean age = 63.06 years, standard deviation(SD) = 10.55 years, 38 males) underwent unilateral MRg FUS thalamotomy and were scanned for resting-state functional magnetic resonance imaging(rsf MRI). Seventy-four healthy controls(mean age = 58.09 years, SD = 10.30 years, 38 males) were recruited for comparison. Tremor responses at 12 months posttreatment were evaluated by the Clinical Rating Scale for Tremor. The fractional amplitude of low-frequency fluctuations(f ALFF) was calculated from rs-f MRI data. Two-sample t-test was used to generate a disease-specific mask, within which Multivariate Kernel Ridge Regression analyses were conducted. Predicted and actual clinical scores were compared using Pearson's correlation coefficient(r) and normalized mean squared error(Norm. MSE).Permutation test and leave-one-out strategy were applied for results validation. KRR identified f ALFF patterns that significantly predicted the hand tremor improvement(r = 0.23, P = 0.025; Norm. MSE = 0.05,P=0.026) and the postural tremor improvement(r = 0.28, P = 0.025; Norm. MSE = 0.06, P = 0.023), but not action tremor improvement. Lobule VI of right cerebellum(Cerebelum＿6＿R), right superior occipital gyrus(Occipital＿Sup＿R) and lobule X of vermis(Vermis＿10) contributed most for hand tremor prediction(normalized weights(NW): 2.77%, 2.40%, 2.34%) while Vermis＿10, left supplementary motor area(Supp＿Motor＿Area＿L) and right hippocampus(Hippocampus＿R) for postural tremor prediction(NW:2.69%, 2.12%, 2.05%). The low contributing NW of the individual brain regions suggested that the f ALFF pattern as a whole is an overall predicting feature. Preoperative f ALFF pattern predicts tremor benefits induced