朱明芳运用滋阴除湿汤治疗阴伤型慢性湿疹经验

总结朱明芳教授运用滋阴除湿汤治疗阴伤型慢性湿疹的经验。朱教授认为,内有久病阴伤、外有湿热侵袭是慢性湿疹发病的病因,阴亏血虚生风生燥是病机关键。其以滋阴养血、除湿止痒为治疗原则,采用滋阴除湿汤治疗阴伤型慢性湿疹,临床收效颇佳。并附验案1则,以资佐证。     

宋金涛运用清热法治疗慢性肾衰竭经验

介绍宋金涛教授运用清热法治疗慢性肾衰竭的经验。慢性肾衰竭发病为本虚标实,因虚致实,可产生湿、瘀、浊、毒等病理产物,湿、瘀、浊、毒皆从热化,变生他证。热邪是影响慢性肾衰竭发病的重要因素之一,宋教授在临证中善用清热四法：开宣透热法、泻热排浊法、清热活络法、清热化毒法,取得了较好的临床疗效。     

向丽萍治疗慢性荨麻疹经验

介绍向丽萍教授以玄府理论为指导思想,用开通玄府法治疗慢性荨麻疹的经验。向教授紧扣本病玄府开阖失司或闭塞不通病机,自拟消荨汤治之,在临床上取得满意疗效。     

卢永屹运用花类药治疗黄褐斑经验

介绍卢永屹主任医师运用花类药治疗黄褐斑的经验。卢师认为黄褐斑的主要病机为肝郁、脾虚、肾亏,瘀血是其重要致病因素,临床上喜用花类药治疗,调畅气机、活血化瘀、安神助眠。     

基于名老中医医案的知识图谱构建

目的：尝试用知识图谱的技术将名老中医医案的知识结构及其相互关系予以形象的表现,用可视化的方式剖析中医医案中蕴含的名老中医诊疗经验。方法：基于中医药行业术语规范标准将文本形式的医案转换为符合图谱要求的结构化数据;遵循中医辨证论治理论定义图谱实体之间的相互关系;依据XML的三层模型实现系统架构;采用ECharts作为可视化工具,将中医医案知识结构化、层次化的关联予以呈现。结论：通过知识图谱将“平面化”的中医医案进行“多维度”呈现,可以清晰地梳理出临床病案中所包含的疾病、证型、治法、处方、药物之间的关系,并基于知识图谱进行渐进式的学术思想发现,可为更好地研究名老中医经验传承和临床知识总结提供新的技术手段。     

基于EMD方法的地心运动时间序列分析

针对时间序列混有的高频信息会影响地心运动规律分析的问题,采用网平移法对IGS提供的GNSS周解进行解算,得到2007-2017年地心运动时间序列,对其进行分解重构,剔除高频项,并利用重构时序对地心运动规律作进一步分析探讨。结果表明：本文解算的地心运动在T_x、T_y和T_z方向的精度均为毫米级。EMD方法重构的时序保留了原序列的基本信息,且抑制了高频项的影响,提高了周期贡献率,3个方向的贡献率分别提高了12.3%、16.7%及6.3%。通过分析重构后的时序发现,周年项振幅为各周期对应振幅的最大值,分别为2.32、1.89和2.07 mm;T_y和T_z方向长期变化趋势较T_x更为明显,分别为0.13和-0.27 mm/a;半年项较小,且在T_x和T_y方向上具有时变性。此外,还发现了一些其他较小的年际变化。     

浅谈综掘工作面掘进施工技术

综合机械化掘进机(简称"综掘机")已在大型现代化煤矿矿山中得到广泛应用,并能大大提高掘进速度和功效。本文以中煤平朔井工三矿34203工作面主运顺槽施工为例,浅谈综掘工作面掘进施工技术,以期对有色金属矿山、软岩隧道中的应用有所借鉴。     

时间尺度重构EEMD-GRNN改进模型预测PM2.5的研究

合理构建PM_2.5浓度预测模型是科学、准确地预测PM_2.5浓度变化的关键。传统PM_2.5预测EEMD-GRNN模型具有较好的预测精度,但是存在过于关注研究数据本身而忽略其物理意义的不足。本研究基于南京市2014-2017年PM_2.5浓度时间序列数据,分析PM_2.5浓度多尺度变化特征及其对气象因子和大气污染因子的尺度响应,基于时间尺度重构进行EEMD-GRNN模型的改进与实证研究。南京市样本数据PM_2.5浓度变化表现为明显的天际尺度和月际尺度,从重构尺度（天际、月际）构建GRNN模型更具有现实意义;同时,PM_2.5对PM₁₀、NO₂、O₃、RH、MinT等因子存在多尺度响应效应,以其作为GRNN模型中的输入变量更具有时间序列上的解释意义。改进后的EEMD-GRNN模型具有更高的PM_2.5浓度预测精度,MAE、MAPE、RMSE和R²分别为6.17、18.41%、8.32和0.95,而传统EEMD-GRNN模型的模型有效性检验结果分别为8.37、27.56%、11.56、0.91。对于高浓度天（PM_2.5浓度大于100 μg/m³）的预测,改进模型更是全面优于传统EEMD-GRNN模型,MAPE为12.02%,相较于传统模型提高了9.03%。     

基于EEMD和ARIMA的海温预测模型研究

类型丰富、时空分辨率高的海洋探测数据,为信号分解和机器学习算法的应用提供了可能。本文针对如何建立有效的海温预测模型这一问题,使用高时空分辨率的海表温度(SST)融合产品,引入信号处理领域的集合经验模态分解(EEMD)和机器学习领域的自回归积分滑动平均模型(ARIMA)。首先利用最适于分解自然信号的EEMD方法,将海温数据分解成多个确定频率的序列;再利用ARIMA分别对各个频率的序列进行预测,最后将各个序列的预测结果进行组合。该方法在丰富数据的支撑下,比以往直接使用海温数据所建立的预测模型精度更高,为更好地进行海温预测提供了新方法。