本文涉及阈值数目个迭代之后利用可调整参数的迭代性错误校正。一种存储器系统中的处理装置从存储器装置读取感测字，且对所述感测字的对应子集执行多个奇偶校验方程式以确定多个奇偶校验方程式结果。所述处理装置使用所述多个奇偶校验方程式结果确定所述感测字的校正子，确定所述感测字的所述校正子是否满足码字准则，且响应于所述感测字的所述校正子不满足所述码字准则，执行迭代性低密度奇偶校验LDPC校正过程，其中在执行阈值数目个迭代之后调整所述迭代性LDPC校正过程的至少一个准则。

描述了用于减轻迭代解码器中的失速的方法、系统和设备。从存储器装置接收码字。基于第一位翻转准则反复地错误校正所述码字。检测多个错误校正迭代中的失速条件。响应于所述检测，基于不同于所述第一位翻转准则的第二位翻转准则错误校正所述码字。

 本文公开了一种二氧化碳压驱驱油与埋存数值模拟技术系统，涉及CCUS数值模拟领域，该技术系统包括:地质资料获取模块获取目标油田现场的地质资料；油藏地质模型构建模块根据地质资料构建深层页岩油藏CO2压驱过程油藏地质模型；压驱驱油与埋存数学模型建立模块，基于多相多组分渗流模型和力学变形模型，并结合储层损伤力学本构模型，建立深层页岩油藏CO2压驱驱油与埋存数学模型；压驱驱油与埋存数值模拟模块，对渗流方程和力学方程进行求解，基于定应力分解算法对流固两场迭代耦合求解，进行深层页岩油藏CO2压驱驱油与埋存数值模拟，能够较好地模拟CO2压驱驱油与埋存过程中孔隙度、渗透率变化和损伤区域的演化。

 本文涉及道路工程检测与维护领域，公开了路用装配式预制板底灌浆承载力的快速评价方法及系统，该方法包括以下步骤:对装配式预制板底灌浆层进行扫描，获取脱空区域的雷达图像数据；测试路面弯沉盆数据，结合脱空区域的几何信息获取弯沉值与位置的对应关系；基于深度学习的脱空识别模型分析雷达图像数据，识别不充盈区域并提取其空间几何特征；结合模量反演计算模型，反演计算灌浆层模量、基层模量和路基模量；基于力学模型，评价脱空区域的承载力折减率及单板承载力不足情况；根据评价结果对灌浆效果进行判断，生成优化的施工建议。能够快速、精准地评价灌浆层质量，提供科学的施工指导，显著提高装配式路面板的灌浆施工质量和养护效率。

 本文涉及影像分析技术领域，特别涉及一种多模态数据融合的IDH野生型胶质母细胞瘤分型方法及系统，该方法包括:获取GBM患者的数据集；基于数据集，得到影像组学特征、病理组学特征、全外显子测序数据、转录组测序数据和蛋白质组学特征；对影像组学特征、病理组学特征、全外显子测序数据、转录组测序数据和蛋白质组学特征进行多模态数据融合，并构建多模式融合分型框架以识别MOFS亚型；基于影像组学特征，构建预测MOFS亚型的深层神经网络分类器，对识别的MOFS亚型进行验证。本申请通过整合来自MRI衍生影像组学、WSI衍生病理组学、WES、RNA测序和基于MS的蛋白质组学的多模式数据，利用人工智能方法，确定并验证了IDH野生型成人胶质瘤中的三种不同亚型。

 本技术提供一种基于物理融合深度学习的非线性模态数据驱动识别方法，该方法利用深度学习技术，仅依赖于非线性系统的响应数据即可识别出非线性模态。这一过程严格遵循非线性正则模态的定义，确保了识别过程的物理可解释性，并适用于各类非线性系统。相较于传统的非线性模态识别方法，本发明有效解决非线性模态识别计算复杂性高、非线性行为的先验知识依赖以及识别方法缺乏物理解释等问题。

 本技术公开了一种基于海底冲刷机制分析的海底管道稳定性判别方法，涉及海底设施防护技术领域，获取目标海域的基础数据，包括海底管道所在区域的地质信息、管道附近海域的水文信息以及管道信息；对目标海域基础数据进行特征分析，提取水流冲刷、波浪冲刷以及土壤颗粒运动相关的特征数据。本发明通过海底冲刷机制分析，精确识别出管道周围易受冲刷影响的风险区域，进而对风险区域进行重点监测和预警，从而有针对性地加强防护措施，并且通过持续监测和分析，动态地评估冲刷对管道稳定性的影响，可及时发现冲刷引起的管道变形、应力集中问题，并据此调整维护策略，不仅提高了安全防护的针对性，还能有效节约资源，降低维护成本。

 本技术涉及生态系统服务技术领域，提供一种水‑土‑碳三项生态系统服务综合指数核算方法，将生态系统服务评估‑景观特征尺度分析进行耦合，从栅格‑格网双尺度对区域水‑土‑碳三项生态系统服务进行定量评估，在此基础上，采用多属性决策CoCoSo模型，得到水‑土‑碳三项生态系统服务综合评估指数，并对其进行分级分区，为区域生态环境保护与修复提供理论依据与技术支持。本发明能较佳地核算水‑土‑碳三项生态系统服务综合指数。

 本技术公开一种基于数据增强和多模态特征融合的运动想象脑电信号分类识别方法及系统。本发明对原始脑电数据进行基于时间序列分解和预测的数据增强；对数据增强后数据和原始数据进行时间序列分割，再将同一时间窗口内所有通道时序块进行堆叠后再提取时序特征；对数据增强后数据和原始数据进行时频分析后提取时频图像特征；将时序特征和时频图像特征拼接后输入到分类器，得到运动想象分类结果。本发明提出基于时间序列分解和预测的时序数据增强技术，为下游基于深度学习的脑电分类模型提供更充足的训练样本，提升模型的泛化能力和分类效果。还利用时序和时频进行多模态特征提取，进一步提升脑电信号分类识别的效果。

 本技术公开了一种基于深度学习算法的风力发电场风机故障预测方法，包括如下步骤:获取并输入风机运行状态数据，得到能够表征运行状态数据特征的矩阵；用箱线下采样方法降低风机传感器产生的高频信号序列的数据量规模；针对正样本的故障序列数据使用贝叶斯多元自回归模型结合先验知识与观测数据；针对负样本数据，使用变分自编码器模型结合注意力机制，将正常行为序列数据映射到编码器输出的潜在变量的近似后验概率分布中，解码器从该分布中通过重参数化技巧进行采样，并生成与输入数据分布相似的重构数据；使用一种自适应阈值调整策略，通过对正负重构误差自动调整阈值，能够动态地优化分类决策。本发明能够有效地提高风机故障预测的精度。