为了准确诊断滑膜炎患者病情，医生主要依靠手工标注和勾画的方法来提取磁共振图像（MRI）中的滑膜增生区域，该方法耗时长、效率低，具有一定的主观性且图像信息利用率低。针对这一问题，提出了一种新的关节滑膜分割算法，即2D ResU-net分割算法。首先，将残差网络（ResNet）中的两层结构的残差块融入到U-Net中，构建2D ResU-net；然后，将样本数据集分为训练集和测试集，而后对训练集进行数据增广；最后，将增广后的所有训练样本用于网络模型的训练。为了检测模型的分割效果，选取测试集中含滑膜炎的断层图像进行分割测试，最终平均分割精度指标可达到：Dice相似系数（DSC）69.98%，交并比（IOU）指标79.90%，体积重叠误差（VOE）系数12.11%。与U-Net算法相比，2D ResU-net算法的DSC系数提升了10.72%，IOU指标升高了4.24%，VOE系数降低了11.57%。实验结果表明，该算法对于MRI图像中的滑膜增生区域可以实现较好的分割效果，能够辅助医生对病情做出及时诊断。

针对不同领域人工智能（AI）应用研究所面临的采用常规手段获取大量样本时耗时耗力耗财的问题，许多AI研究领域提出了各种各样的样本增广方法。首先，对样本增广的研究背景与意义进行介绍；其次，归纳了几种公知领域（包括自然图像识别、字符识别、语义分析）的样本增广方法，并在此基础上详细论述了医学影像辅助诊断方面的样本获取或增广方法，包括X光片、计算机断层成像（CT）图像、磁共振成像（MRI）图像的样本增广方法；最后，对AI应用领域数据增广方法存在的关键问题进行总结，并对未来的发展趋势进行展望。经归纳总结可知，获取足够数量且具有广泛代表性的训练样本是所有领域AI研发的关键环节。无论是公知领域还是专业领域都进行样本增广，且不同领域甚至同一领域的不同研究方向，其样本获取或增广方法均不相同。此外，样本增广并不是简单地增加样本数量，而是尽可能再现小样本量无法完全覆盖的真实样本存在，进而提高样本多样性，增强AI系统性能。

在长期演进(LTE)系统中,球形译码算法拥有接近于最大似然(ML)的误码率(BER)性能。针对在16QAM和64QAM等高阶调制情况下球形译码算法计算复杂度和所需硬件资源的急剧增加,提出了一种调整符号搜索策略的改进型球形译码算法。该算法在不同的检测层采用特定的符号搜索方案,并结合一种基于信噪比的动态调整半径方法。在无线瑞利信道环境下,对各种球形译码算法进行了仿真。仿真结果表明,提出的改进型算法基本保持传统球形译码算法较低的BER性能,同时还有效地降低了计算复杂度和硬件实现复杂度。

简要地介绍了基于机器视觉导向的AGV两轮差速转向的原理和组成，并对计算机控制系统设计，图像信息识别等AGV控制问题进行了阐述，提出了一种采用模糊控制方法对AGV两轮差速转向进行控制。仿真和实验结果均表明，采用模糊控制方法对两轮差速转向进行控制，样车运行过程稳定，路径跟踪可靠，控制性能良好。

以开放的中间件模型CORBA为基础，设计和实现了一个面向舰载指控领域的应用框架用以提高软件开发效率。该框架抽象出舰载指控系统的共性，形成了面向领域的对象管理器和事件管理器两个主要部件以实施对框架中应用对象和事件的统一管理。