4.5周总结

  本周核心工作围绕油水两相流电容信号测速展开，重点研究并实现了两种测速算法——相关法（互相关法）与互功率谱相位法，完成了算法原理梳理、代码调试优化，两种算法均能稳定运行并输出真实有效的测速结果，利用了两种不同的方法。其次，阅读了一篇师兄发给我的论文，并且弄清楚了原理和方法。

一、相关法测速相关工作

本周进一步深化了互相关法的应用与理解，结合油水两相流电容信号平滑波动的特性，完善了算法的实现流程，确保其适配课题需求。

互相关法的核心逻辑的是通过计算上游电容信号C1与下游电容信号C2的互相关系数，找到系数最大值对应的延迟点数，将延迟点数转换为渡越时间τ，再结合传感器固定距离L，通过公式v = L/τ计算出流体流速。该方法的核心优势是抗噪声能力强、适配油水两相流连续波动的信号特征，能通过波形整体相似度判断延迟，测速精度较高。

基于前期搭建的油水两相流电容信号仿真代码，保留原有变量名（fs、C1、C2、tau_est、v_est等）和整体框架，优化了互相关系数的计算过程，确保代码运行稳定，无报错。同时，完善了命令行输出功能，可实时打印电容数据、渡越时间及测量速度，同步绘制电容信号波形与互相关图像，直观呈现测速过程与结果。

问题解决：针对前期可能出现的延迟计算异常、速度波动过大等问题，添加了安全限制条件，防止渡越时间出现负值或异常偏小值，确保流速计算的合理性与稳定性。

二、互功率谱相位法相关工作

本周重点学习并实现了互功率谱相位法，作为频域测速算法，与时域的互相关法形成对比，提升测速精度与课题专业性，完成了算法从原理理解到代码落地的全流程。

互功率谱相位法的核心原理与互相关法的核心区别的是，该方法将时域信号通过FFT变换转换到频域，利用两个信号在频域的相位差计算渡越时间。核心逻辑为：将C1、C2信号去直流分量后进行FFT变换，得到频域信号Y1、Y2；计算互功率谱Pxy = Y2 .* conj(Y1)（其中conj(Y1)为Y1的共轭），提取各频率对应的相位差；结合生成的频率轴f，通过公式τ = 相位差/(2π×f)计算每个频率对应的延迟，取中值作为最终渡越时间，进而计算流速。该方法精度更高、抗干扰能力更强。

代码实现与调试：完全基于原有代码框架，不改变任何变量名，将互功率谱相位法替换原有测速算法，完成代码编写与调试。重点解决了前期出现的“矩阵维度不一致”“流速固定不变”等问题，将除法改为点除适配矩阵运算，采用中值滤波优化延迟计算，确保渡越时间随信号变化而动态调整，流速实时波动，符合真实工况。

关键步骤解析：重点掌握了互功率谱计算（Pxy = Y2 .* conj(Y1)）与频率轴生成（f = (0:nfft-1) * fs / nfft）两个核心步骤的公式与意义，明确共轭运算的作用是提取信号相关性与相位差，频率轴的作用是为相位差匹配真实频率，确保延迟计算的准确性。

三.基于深度位置软嵌入与区域评分的乳腺 X 光片分类网络

本文提出了一个全新的 AI 模型：DLSENRS，专门用来看乳腺 X 光片，判断良恶性。核心目标：不用医生圈肿瘤 ，能自己找到小肿瘤 ，判得更准。

设计了两个关键新模块：

PE 位置嵌入模块：让 AI 学会给片子每个位置打分，判断这里是不是肿瘤；给每种特征打分，这个形状 / 边缘像不像恶性；自动给肿瘤区域加权重、打高光，忽略正常区域。简单说：让 AI 自动锁定可疑区域。

AP 聚合池化模块把 PE 找到的 “高分可疑区域”，用两种方式汇总、提炼，最后合成最关键的肿瘤特征，用来判断良恶性。简单说就是把有用信息挑出来，扔掉垃圾信息。

本研究做了大量实验证明自己更强：在两个国际标准乳腺数据集上测试；和过去 10 多种最好的模型挨个比；测准确率、定位能力、速度、通用性；还做了拆模块实验（拆掉一个就变差，证明都有用）最终结果证明了比几乎所有老模型都更准，还能自动找肿瘤，还快。把这两个模块插到 ResNet/VGG/DenseNet 任何模型里全都能提升准确率，计算量几乎不增加而且不用标注、不用复杂流程，医院能直接用。

下面详细说说我对这两个模块的理解。

第一个模块：PE（位置嵌入模块）

PE 内部有 两条并行路线用于一起找肿瘤，第一个路线是空间位置打分（看哪里像肿瘤）。AI 给片子每一个像素点打分：分数高表明这里可能是肿瘤，分数低表明这里是正常组织，然后生成一张“可疑热度图”，越亮的地方表明越危险。

第二个路线是通道特征打分，每张片子会被 AI 提取很多种 “特征”，比如边缘特征，形状特征，纹理特征，密度特征。AI 给每一种特征打分，哪种特征更像恶性肿瘤，就给高分，低分特征直接弱化。两条路线合并得出最终效果。只加强 “位置可疑 + 特征可疑” 的区域其他正常区域全部弱化。

第二个模块：AP（聚合池化模块）

把 PE 找到的所有 “可疑区域”，挑最有用的，汇总成一句话判断：良性还是恶性。PE 找到了一堆可疑碎片AP 负责把碎片拼成最终结论。

AP 内部也有 两条路线（对应 PE 的两条路线）

第一个路线是RGP（按区域挑最可疑的块）把图片切成很多小块只保留分数最高的前 K 块（最像肿瘤的）其他扔掉。第二个路线是GGP（按通道挑最关键的特征）把每种特征的最高分拿出来只保留最能区分良恶性的特征。

两条路线加在一起，得到最终的、浓缩的、只和肿瘤有关的特征再送给全连接层判断：良性 / 恶性。

  四.下周的目标

1.验证两种测速算法（互相关、互功率谱）的一致性，确保数据可靠

2.整理实验数据，完成基础的结果分析，为后续论文撰写做准备

3.学习LabVIEW相关使用，为上位机和虚拟仪表的搭建制作好准备

4.继续阅读相关医疗+AI的论文

5.继续学习Python编程，为后续打好基础