简介:句式“NPI+在NP2+V+NP3”是典型的歧义旬,但歧义并非源自结构本身,而是基于对现实世界关系的多种解读。其歧义主要表现在:(1)NP2与NP1、NP2与NP3空间关系的两可性;(2)当NP2与NP3有空间关系时,NP2语义功能的多样性;(3)当NP2与NP3没有空间关系时,NP2语义功能的歧义。文章认为,该句式可以从语义上分解出10种单义句式,不同性质的歧义可采用不同的消歧策略。
简介:摘要目的本研究旨在通过探究乳腺癌磁共振成像(magnetic resonance imaging,MRI)特征与Casitas B细胞淋巴瘤谱系B(B cell tymphoma B,CBL-B)、受体酪氨酸激酶(recombinant AXL receptor tyrosine kinase,AXL)、整合素β2(integrin beta 2,ITGB2)表达间的相关性,以期为乳腺癌的早期诊断、治疗方案的制订及术前无创评估乳腺癌预后提供影像学新思路。方法选择2017年9月至2020年9月于临沂市中心医院就诊并行手术治疗的204例乳腺癌女性患者作为研究对象,采用飞利浦全数字Ingenia3.0 T MRI进行扫描。记录肿瘤直径、形状、边缘、强化方式、时间-信号强度曲线(time-signal intensity curve,TIC)曲线类型、早期强化率和ADC值。采用免疫组织化学SP法检测乳腺癌组织和癌旁组织中的CBL-B、AXL、ITGB2表达水平。结果乳腺癌组织中CBL-B低表达、AXL高表达和ITGB2高表达者所占比例显著高于癌旁组织(χ2=19.663、12.711、10.180,P均<0.05)。单因素分析结果显示,MRI特征中的肿瘤直径、形状、早期强化率、ADC值与乳腺癌CBL-B蛋白表达有关(χ2=8.904、7.184、9.330,8.706,P均<0.05);MRI特征中的肿瘤直径、形状和TIC分型与乳腺癌AXL蛋白表达有关(χ2=11.397、21.951、12.718,P均<0.05);MRI特征中的肿瘤直径、TIC分型、早期强化率和ADC值与ITGB2蛋白表达有关(χ2=8.703、10.271、4.193、4.490,P均<0.05)。二元Logistic回归分析结果显示,肿瘤直径≥3 cm和早期强化率≥100%是乳腺癌CBL-B低表达的独立危险因素(P均<0.05);肿瘤直径≥3 cm、形状不规则或毛刺是AXL高表达的独立危险因素(P均<0.05);肿瘤直径≥3 cm、早期强化率≥100%、ADC值≥1.12×10-3 mm2/s是乳腺癌ITGB2高表达的独立危险因素(P均<0.05)。结论乳腺癌MRI特征有助于预测CBL-B、AXL、ITGB2的表达,从而为疾病的临床诊治和预后评估提供参考依据。
简介:Duetolowactivationcharacteristics,desirablehigh-temperaturestrength,goodresistancetoradiationdamageandusablefabricationproperties,vanadium(V)alloysareattractivecandidatestructuralmaterialsforfusionreactors[1].Irradiationinducedhardening/embrittlementatlowtemperatureisamajorproblemforthematerialsapplicationinfusionreactor[2].Inthisstudy,H/Heionswithvariousenergieswereusedtoirradiateapurevanadium(V)andaValloy(V-4Ti)toobtainadamageplateaufromsamplesurfacetothedepthof1.5m,asshowninFig.1[3].Thedetailsofirradiationparameters(energies,fluences)forHandHeionsareshowninTable1.NanoindentationwasperformedtoinvestigatethehardeningbehaviorofV-4TialloyandpureVunderirradiation.
简介:摘要:针对目前常用的目标检测算法检测PCB板表面缺陷具有定位不准确、细小缺陷难以检测等问题,本文提出了多尺度特征融合的YOLO V3(Multiscale Feature Fusion,MFF-YOLO V3)PCB缺陷检测方法。受YOLO V3模型启发,通过设计卷积神经网络提取多尺度图像特征,将生成的多尺度特征进行融合以生成单尺度图像特征,然后运用聚类方法以实现对PCB板缺陷的准确定位。与YOLO V3不同在于,通过提高多尺度图像特征的分辨率并进行融合,提高了模型对PCB板微小缺陷的检测能力;为实现PCB板缺陷的精准定位,采用以AvgIOU为金标准的K-means算法实现候选目标区域的重定义。同时,由于MFF-YOLO V3实现了单输出以实现特征的提取,减小卷积层的层数,从而减小网络训练的计算量。通过在DeepPCB数据集上进行测试,其mAP较YOLO V3提升了9.2%,准确率达到了87.9%。实验表明,多尺度特征融合YOLO V3的PCB板表面缺陷检测方法能够更有效的检测PCB板缺陷,基本满足工业检测要求。
简介:<正>Abhayakaragupta(ca.11-12thcentury)wasanoutstandingIndianpanditawhosethoughtstronglyimpactedTibetanBuddhism.Heiswidelyknownfromanumberofhiscompositions.Amongthetwenty-oneworksattributedtohimbytheDergeTanjur,nineteenareallocatedtotheTantrasection,onetothePrajfiaparamitasection,andtwototheMadhyamakasection.Ofthese,theMunimatalarfikara,intheMadhyamakasection,isoneofhismostimportant.TheMunimatalarfikaraissometimesregardedbyTibetanBuddhists,e.g.,Tsong