本发明公开了一种虚拟机镜像的高效更新以及验证机制。与现 有的虚拟机镜像离线更新机制不同，本技术方案通过对重写后的无法 实施离线更新脚本进行分割，得到离线更新脚本以及在线更新脚本， 分阶段执行不同的脚本使得更新的执行粒度更加细化，可以更加高效 的完成之前技术方案中无法实施离线更新的状况。除此之外，提出一 种基于镜像划分进行更新可靠性验证机制，通过将已更新的镜像通过 分类聚合，验证更新后的镜像可靠性，以最高效的方式完成更

近日，我实验室邱让建副教授在《Agricultural and Forest Meteorology》（农林科学I区top期刊，2020年影响因子4.651）上发表题为“An improved method to estimate actual vapor pressure without relative humidity data”的研究论文，该论文第一作者是我校邱让建副教授，硕士研究生李隆安为第二作者，合作作者为中国农业大学康绍忠院士等。这是邱让建副教授近期在该期刊发表的第二篇文章。 实际水汽压是评估大气中水汽含量的一个间接指标，是气象、水文、农业等相关学科中经常使用的重要参数，可反映地表与大气间的水分传递，以及局部到区域尺度的水平衡。虽然大多数国家对最高和最低气温的有较高的观测精度，但相对湿度或和露点温度数据通常不易获得，或无法获取长期高质量的观测数据，造成较难计算实际水汽压。因此无相对湿度数据条件下估算实际水汽压成为气象、水文、农业等相关学科的研究热点。 当缺乏相对湿度数据时，前人主要采用最低温度替代露点温度或基于最低气温静态修正最低温度以估算实际水汽压。该文通过评估886个气象站点的数据发现上述两种方法在干旱区大大高估了实际水汽压。而基于最低气温修正露点温度的修正因子与干旱指数间存在极显著的对数函数关系。基于该关系可动态修正露点温度，进而准确估算不同气候区的实际水汽压。提出的动态校正露点温度的方法较文献中的不修正或静态修正露点温度的方法在所有气候区均大幅提高了估算精度。该方法适用于日尺度以上的实际水汽压的估算。

利用硅基单分子器件研究了分子马达水解的动力学过程，发现了无标记的电学检测方法观察到的分子马达的转动速度要比荧光标记的方法快一个数量级（ACS Nano 2018, 11, 12789）以苯环为骨架、芴基为核心的共轭分子，并在末端修饰上氨基，通过稳定的酰胺键将带有羰基官能团的功能分子连接在石墨烯电极之间，通过使用自主搭建的高速电学测试平台对化学反应进行了实时监测。大的共轭结构以及酰胺共价键的强耦合保证了分子具有良好的导电性；在化学反应进行的过程中，分子结构的变化将导致分子轨道发生改变，从而影响导电通道，影响器件的电导特性。

研制了国际首例稳定可逆的单分子光开关器件（ Science ,  2016 ,  352 , 1443;  J. Phys. Chem. Lett. ,  2017 ,  8 , 2849）；观察到了低温下联苯基团由于σ单键的旋转产生的精细立体电子效应（ Nano Lett. ,  2017 ,  17 , 856）；研究了分子间主客体相互作用的动力学过程（ Sci. Adv .,  2016 ,  2 , e1601113），揭示了羰基和羟胺反应形成酮肟的分子机制（ Sci. Adv. ,  2018 ,  4 , eaar2177），证实了利用单分子电学检测方法研究单分子反应动力学的可行性，为实现单分子化学反应的可视化研究迈出了重要的一步。他们利用硅基单分子器件实现了具有单碱基对分辨率的DNA杂交/脱杂交动力学过程的研究（ Angew. Chem. Int. Ed. ,  2016 ,  55 , 9036）；在单分子水平上揭示了分子马达水解的动力学过程（ ACS Nano , 2018 ,  11 , 12789），展现了单分子器件在单分子生物物理研究方面的可靠性。

本发明涉及一种输电线路雷击点故障定位方法，尤其是涉及一种基于 OPGW 光偏振态的输电线路 雷击点定位新方法。本发明通过进行雷击 OPGW 试验，采用迭代奇异值分解（SVD）算法结合广义数 学形态学、小波分析等方法提取雷击点处 OPGW 内部传输光的偏振态突变信息传到偏振解调设备中的 时刻来进行故障点精确定位。本发明将法拉第效应用于输电线路故障测距中，避免了传统故障测距方法 中定位精度受过渡电阻、线路参数、系统运行方式、行波传输色散及行波波速等因素干扰的影响，具有 极高的定位精度。定位时只需在线路两端进行监测，降低了投入成本。

微卫星不稳定性（Microsatellite Instability, 简称MSI）是目前肿瘤临床检测中一种非常重要的分子表型，多发生于结直肠癌、胃癌、和子宫内膜癌。微卫星不稳定性与肿瘤的发生、发展，治疗方案制定及治疗效果预测相关，更是肿瘤免疫治疗疗效预测的重要分子标记物。当前，临床上使用的两种微卫星不稳定性检测的金标准方法：MSI-PCR和MSI-IHC，都需要专业技术人员通过实验操作来完成，均费时费力且成本较高。近年来，随着高通量测序（Next Generation Sequencing）的发展，基于高通量测序的微卫星不稳定性检测方法开始显露头角，在检测结果与两种临床金标准保持高度一致的情况下，极大的缩减了检测时间并减少了检测成本，大幅提高了推广微卫星不稳定性检测的可行性。2014年，西安交大叶凯教授团队率先开发了基于高通量测序的微卫星不稳定性检测方案——MSIsensor。2017年该检测方案作为全世界首个泛肿瘤检测方案MSK-IMPACT中的微卫星不稳定性计算方法，通过了美国食品药品监督管理局的严格测试并获得批准。美国纪念斯隆凯特琳癌症中心测试表明，基于高通量测序的微卫星不稳定性检测与金标准的一致性可达99.4%。然而，微卫星不稳定性检测方案大都要求提供病人的癌症组织样本及一份取自血液或者癌症组织附近的正常样本。一方面，这一份正常对照样本限制了微卫星不稳定性的应用场景，尤其难以应用于血癌样本、福尔马林包埋样本、PDX/PDO等不易获得正常对照样本的情况；另一方面，额外的对照样本增加了微卫星不稳定性的检测成本。基于上述原因，在叶凯指导下，叶凯青年科学家工作室科研人员经过两年的探索，从微卫星不稳定性发生机理出发，通过数学模型抽象，从单个肿瘤样本中提取特征，开发了MSIsensor-pro。MSIsensor-pro实现不依赖正常对照样本的微卫星不稳定性检测，只需50个微卫星位点的测序数据即可实现微卫星不稳定性的精准检测。MSIsensor-pro的开发扩大了微卫星不稳定性的应用范围，减低了微卫星不稳定性检测的成本。同时MSIsensor-pro在低肿瘤纯度和低测序深度这类低信噪比数据中也显示出来很大的潜力。 该研究成果近期发表在国际组学和生物信息学领域权威期刊《基因组蛋白质组与生物信息学报》（影响因子6.597）上。叶凯的博士生贾鹏为该论文的第一作者，叶凯为通讯作者，西安交通大学为本文唯一通讯作者单位。这是叶凯教授课题组在基因组暗物质解析方面的又一重要突破。论文链接为：https://www.sciencedirect.com/science/article/pii/S1672022920300218

导读东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法，以对运动想象(MI)任务进行分类。ESI技术采用边界元法(BEM)和加权最小范数估计(WMNE)分别解决EEG的正向和逆向问题。然后在运动皮层中创建十个scout来选择感兴趣的区域(ROI)。研究者使用Morlet小波方法从scout的时间序列中提取特征。最后，使用CNN对MI任务进行分类。实验结果:在Physionet数据库上的整体平均准确率达到94.5%，分别对左拳头、右拳头、双拳和双脚的单个准确率达到95.3%、93.3%、93.6%、96%，采用十倍交叉验证进行验证。研究人员表示，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者为验证方法的有效性，加入了4个新的受试者进行验证，发现总体平均准确率为92.5%。此外，全局分类器适应单一对象，整体平均准确率提高到94.54%。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。系统框架图1 系统框架图系统框架如图1所示。原始数据来自国际10-10系统的64个电极(不包括Nz、F9、F10、FT9、FT10、A1、A2、TP9、TP10、P9和P10电极)，并以每秒160个样本的速度采集。根据国际10-10系统从64个通道采集原始脑电图，并使用BCI2000系统进行记录。记录的数据被分为四个独立MI任务包括左拳MI,右拳MI,双拳MI和双脚MI。首先，由于ERD在执行运动想象时在alpha和beta中不同，因此使用FIR滤波器对EEG进行了8 Hz至30 Hz的带通滤波。然后，通过计算包含正问题和逆问题的源，将传感器空间的活动转化为源空间的活动。接下来，创建scout并提取特征。研究者在运动皮层中创建了10个scout，因为我们只关心与运动相关的活动。十个scout中的每一个都代表了可用源空间中的一个感兴趣的区域(ROI)，并且是定义在皮层表面或头部体积上的偶极子的子集。左脑的scout称为L1、L2、L3、L4、L5，右脑的scout称为R1、R2、R3、R4、R5。利用JTFA从10个scout的源时间序列中提取特征。最后，利用CNN对时频图进行分离并进行分类。实验在实验中，研究人员仅使用了随机选择的十个受试者的MI trail (S5，S6，S7，S8，S9，S10，S11，S12，S13，S14)。这里用于分析的数据集包含每个受试者84次试验，每一类包含21次试验。在记录64通道脑电图时，受试者执行了不同的运动想象任务。每个受试者针对以下四个任务中的每一个执行了3轮21试验：当目标出现在屏幕左侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕的右侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕顶部时，受试者想象打开和合上双手的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕底部时，目标会想象双脚张开和合拢，直到目标消失。然后受试者放松。为了统一数据维数，研究者选择了4s的数据，因为每次想象任务的执行时间都在4s左右。此外，脑电图任务是分开的，研究人员在实验中将左拳，右拳，双拳和双脚MI任务分别称为T1，T2，T3和T4。图2 scout命名左右运动想象的scout分别命名为L1、L2、L3、L4、L5、R1、R2、R3、R4、R5，如图2所示。10个scout每一个都被扩展到40个顶点，每个顶点只有一个源。L1区域对应40个信号，其他scout也一样。在计算了来源后，研究者在运动皮层中创建了十个scout，如图3所示。图3 创建10个scout使用ESI计算十个受试者(S5、S6、S7、S8、S9、S10、S11、S12、S13、S14)每次试验的四个任务(T1、T2、T3、T4)的源。对于这四项任务中的每一项，每个受试者每次都要进行7次测试(#1，#2，#3，#4，#5，#6，#7)。展示了第一个步的10个被试的10个scout的4项任务的来源。然后提取10个scout的时间序列进行进一步分析。特征提取在计算源之后，研究人员在运动皮层中创建了包含40个源的10个scout，并提取了scout的时间序列。如图4所示为提取R5 scout时间序列作为示例。图的右边显示了R5 scout的时间序列。本文利用小波变换从scout时间序列中提取特征。图4 提取R5 scout时间序列作为示例在这项研究中，研究者提出利用CNN来解决运动想象任务分类的问题。该模型基于Schirrmeister等提出的Deep ConvNet架构，该网络模型由一个六层卷积网络组成，其中两个最大池层和三个全连接层，如图5所示。图5对于Physionet数据库，研究者首先采用Deep ConvNet架构，包括四个卷积层、四个最大池层和一个全连接层。在实验中，研究者依据经验使用两个最大池化层。并尝试了不同数量的卷积层和完全连接层。时频图利用Morlet小波方法得到了scout的特征。对于每个任务，R5 scout的时频图如图6所示。包含时间和频率互补的时频分析方法提供了时域和频域的联合分布信息，清晰地描述了信号频率与时间的关系。图6 R5 scout的时频图显然，只有部分时频映射是红色的，表明每个任务只对特定的频率和时间敏感。由于图的数量比较大，研究者使用CNN来选择和学习这些图中最基本的特征。研究人员随机选择了几个样本，并将一些特征图可视化，作为MI任务的学习表示，如图7所示。图7为了获得有效的结果，将数据集分为90％作为训练集，其余10％作为测试集。首先，将十个受试者的数据集（总共19320个样本）分为17388个样本以训练所提出的CNN模型，以及1932个样本以验证模型的有效性。在实验中，研究者还选择了另外四个受试者的数据集以增加数据集的规模(27048个样本)，其中24343个样本是训练集，其他样本是测试集。在选定的scout上对所提出的CNN架构进行了十次训练和测试，以验证所提出模型的鲁棒性。图8(a)显示了10个scout中每个的全局平均精度。图8 统计结果R5的全局平均精度最高，达到94.5%，而L2的全局平均精度最低，为91.3%。对应L1、L3、L4、L5、R1、R2、R3、R4的整体准确率分别为92.4%、92.5%、93.6%、91.9%、93.0%、91.8%、92.1%、92.6%。所有scout的总体精度均在91%以上，标准差均在0.20%以下。图8(b)显示了十个scout中每个scout四个MI任务的组级统计结果及其标准差。一般来说，R5表现的要比其他的好，而L2在迭代2000中表现最差。标准差较小，说明这些精度更接近平均值且稳定。图9 统计结果图9(a)显示了带有标准差的混淆矩阵，说明了group level分类结果。T1、T2、T3和T4的全局平均精度峰值分别为95.3%、93.3%、93.6%和96.0%。R5 scout的四个MI任务中的每一个都如图9(b)所示。通过改变训练集和测试集顺序的10次试验，确定了scoutR5的性能，结果如图10(a)和(b)所示。在10次试验中，scout R5的T1、T2、T3、T4的平均准确率分别为93.3%、93.8%、94.2%、94.1%。换句话说，四个任务中每一个的平均准确率都超过了93%。全局平均准确率为93.7%。10次试验结果表明，该方法对scout R5的分类效果较好。从以上结果可以清楚地看出，R5 scout在四种MI任务的分类中扮演着最重要的角色。因此，选择R5对四个MI任务进行分类。图 10图11. (a)是不同模型的全局平均准确性的比较。可以发现，该研究提出的模型可以达到最大的精度。从图11. (b)不同模型的ROC曲线可以看出提出的模型比其他模型表现更好。©不同模型T1上的精度比较。(d)不同模型T2的精度比较。(e)不同模型T3的精度比较。(f)不同型号T4的精度比较。图11 不同模型的精度比较结论东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法。该方法可以对运动想象(MI)任务进行分类。实验结果表明，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者加入了4个新的受试者进行验证来验证方法的有效性。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。论文信息：A novel approach of decoding EEG four-class motor imagery tasks via scout ESI and CNN