非全局Lipschitz条件下随机延迟微分方程解的存在唯一性定理

在局部Lipschitz条件和线性增长条件下,随机延迟微分方程有唯一解.然而,很多具有实际背景的随机延迟微分方程不满足线性增长条件.本文改进了解存在唯一的条件,用单调性条件取代了线性增长条件.

某类多重积分变分问题的全局Lipschitz连续性

本文证明了:泛函在空间中最小点u的全局Lipschitz连续性,从而把文[1]的局部结果推广到整体。这里F:M^(n×N)→R,F(p)≡F_1(p)+F_2(p),F_2是一个具有有界支集的有界函数,F_1是一可微函数,且在无穷远邻域内近于凸。作为推论,我们得到了文[2]中的松驰最优设计问题解的全局Lipschitz连续性。

具有全局Lipschitz非线性条件的抛物系统的精确能控性

考察了带有满足全局Lipschitz条件的非线性项的抛物系统在有界状态域上的精确能控制性问题。当目标状态限制于H2(Ω)时,证明了该抛物非线性系统是精确能控的。证明过程主要运用了Schauder不动点方法。

基于全局和声搜索算法的椭圆拟合

建立了椭圆拟合问题的约束优化模型,利用绝对值函数给出了一种约束处理方法,将原问题转化为无约束优化,采用全局和声搜索算法求解.数值实验分别对长轴和短轴在坐标轴上、长轴和短轴不在坐标轴上的椭圆拟合问题进行了研究,结果表明在数据没有异常值的条件下,即使有噪声,拟合结果也较好.

融合全局选择与局部区分的车辆重识别网络

针对跨镜头多视角差异导致车辆重识别面临的不同视角、复杂背景和光照强度等干扰问题,提出了一种融合全局选择与局部区分的车辆重识别网络。基于Resnet50骨干网络,设计了融合全局特征与局部特征的三分支互补网络,利用全局分支学习车辆的整体外观信息,局部分支捕获车辆的差异性细节信息。基于注意力机制提出了上下文特征选择模块(context feature selection module,CFSM),有效分离了车辆信息与复杂背景信息,并提出了一种细节特征增强模块(detail feature enhancement module,DFEM),利用部件之间的相对位置信息强化多粒度特征细节信息的学习。提出了一种权值自适应平衡策略,联合多损失函数进行训练。实验结果表明,所提网络在VeRi-776数据集上的mAP、CMC@1和CMC@5分别达到73.2%、93.4%和97.3%;在VehicleID数据集的大规模测试子集上,CMC@1和CMC@5分别达到75.0%和92.7%。与对比网络相比,所提网络具有较高的识别率和鲁棒性。

基于广义换热网络的质量交换网络质能比拟及全局优化

质量交换网络是过程系统高效经济回收污染物或杂质的重要途径,其中组分浓度的小尺度特征对于其求解域和全局优化性能存在一定限制。基于质量传递和能量传递比拟理论,本文假设了单位高度塔板提供有效传质的塔板质量,建立了非连续传质的板式塔和广义换热器的比拟关系;在此基础上,将小尺度质量交换网络比拟为广义换热网络,进而采用节点非结构模型和强制进化随机游走算法对广义换热网络进行全局优化;最后,将优化所得的广义换热网络回归为质量交换网络,使其满足传质可行性约束。算例分析表明,该方法可有效拓展质量交换网络搜索空间,提升流股匹配的多样性和全局优化性能。同时,灵活调整比拟尺度和协调系数能够进一步丰富优化路径,提升最优解的质量,获得了R2S3算例和R2S2算例优于文献最优的结构。

GKPA-联合全局与关键区域的光学-SAR中分辨率遥感影像场景分类

遥感影像场景分类是自然灾害检测和城市功能规划等实际应用的基础,因此研究遥感影像场景分类具有重要意义。基于深度学习的方法由于其强大的特征提取能力已经成为遥感影像场景分类领域最常用的方法,此类方法强烈依赖数据集的质量。现阶段场景分类领域的数据集大多为高分辨率的光学影像,易于提取有效的语义特征。在面对中分辨率场景时,影像中细节信息更匮乏,有效特征不够显著,场景分类具有更大难度,相较于高分辨率场景分类精度不够理想。在此情况下,利用其他模态的数据如合成孔径雷达(SAR)提供互补特征可以有效改善场景分类精度。考虑到以上现状,本文构建光学-SAR遥感影像场景分类数据集(OS-RSISC),基于此数据集进一步提出了一个联合全局与关键区域的感知注意力双模态场景分类框架(GKPA-RSSC)。实验结果显示GKPA-RSSC相较于对比方法具有最高的分类精度,总体精度达81.97%。光学-SAR数据与单模态数据的对比试验结果突显双模态数据的优势,进而验证了本文提出的光学-SAR场景分类数据集的重要意义。

基于全局背景光强度估计和对比度调整的无监督水下图像增强

提出了一种优化全局背景光强度估计和对比度的无监督水下图像增强方法。针对用高斯模糊估计全局背景光不准确的问题,提出一种全局背景光估计方法,利用包含上、下采样以及卷积的网络来精确估计全局背景光,并通过平滑约束来监督网络的学习;针对复杂成像环境、局部与全局处理不均衡等导致的色偏及对比度低的问题,提出一种对比度调整的综合方法,对网络施加对比度约束,并结合自动色阶和CLAHE方法,改善全局亮度和对比度并保持局部细节。基于自建的水下图像数据集和真实水下图像数据集进行水下图像增强实验。结果表明,该方法在视觉效果和定量指标上均表现突出。自建数据集图像增强后对比度高、细节清晰,在UCIQE、UIQM和综合指标上均表现最佳,分别达到0.54、0.55和44.76。

基于复合高斯混合模型的主动配电网全局概率电压灵敏度分析

高比例分布式电源(distributed generation,DG)的随机性加剧了主动配电网(active distribution network,ADN)电压波动,并使ADN电压安全分析愈加复杂,故提出了一种基于复合高斯混合模型(Gaussian mixture model,GMM)的全局概率电压灵敏度分析方法。首先推导基于节点道路交集阻抗的ADN全局电压灵敏度解析模型,量化所有节点功率波动对节点电压的影响。考虑到多个节点注入功率不确定性的叠加影响下,电压波动呈现非高斯分布特征,采用高斯混合模型刻画DG和负荷预测误差的概率特征。然后,基于全局灵敏度矩阵对DG和负荷预测误差GMM的仿射变换,构建源荷功率波动与电压波动的概率解析式。最后,推导DG和负荷不确定性对电压波动综合影响的复合GMM特征函数,建立基于复合GMM的全局概率电压灵敏度分析模型。算例结果表明,所提方法能够反映所有节点注入功率波动对节点电压波动影响的概率特征,可快速准确计算出ADN电压运行的越限概率。

基于改进热分析和变换器协同设计的大功率高频变压器高速全局优化方法

大功率高频变压器是电力电子变压器中的核心部件,其优化设计的全局最优性和计算速度都是关键问题。文中提出基于改进热分析和变换器协同设计的大功率高频变压器高速全局优化方法。针对优化中耗时占比很高的热分析,提出基于换热-热传导两步仿真的改进热分析方法,保证热分析精度的同时,提升热分析计算速度。仿真结果表明,提出的热分析方法与传统方法准确度相似,而计算速度大幅提升。此外,优化过程中,将变换器电路参数与变压器参数共同考虑,引入更多优化变量,从而形成全局优化模型,提升设计方案的优异性;并采用改进热分析方法和遗传算法以提升计算速度,保证了全局优化模型的可计算性。综合以上措施,最终形成系统的大功率高频变压器高速全局优化设计方法。通过一个具体的案例设计和实验结果验证提出的优化方法的有效性。

局部-全局特征相互补偿的伪装目标检测方法

在伪装目标检测(COD)领域中,最新提出的方法主要利用伪装目标的局部特征完成COD任务,输出的预测图存在目标轮廓粗糙和对象不完整的问题。针对上述问题,提出了基于局部-全局特征相互补偿的伪装目标检测方法,利用局部特征与全局特征相互补偿进行伪装目标的检测。设计一个非局部特征增强模块(N-LFEM),使用非局部机制来交互相邻局部区域,增强局部特征表达。构建一个局部-全局特征交互模块(L-GFIM),平均局部特征得到全局特征,执行局部特征与全局特征的相互补偿。设计一个局部-全局特征交叉协方差模块(L-GFCCM),通过语义对齐和交叉协方差获取空间指标定位伪装目标所在区域,选取相似性最高的特征图输出。在3个公开数据集上的实验表明,该算法优于其他8个最新模型。在COD10K数据集上,平均绝对误差(MAE)达到了0.028。

基于提示学习和全局指针网络的中文古籍实体关系联合抽取方法

基于“预训练+微调”范式的实体关系联合抽取方法依赖大规模标注数据,在数据标注难度大、成本高的中文古籍小样本场景下微调效率低,抽取性能不佳;中文古籍中普遍存在实体嵌套和关系重叠的问题,限制了实体关系联合抽取的效果;管道式抽取方法存在错误传播问题,影响抽取效果。针对以上问题,提出一种基于提示学习和全局指针网络的中文古籍实体关系联合抽取方法。首先,利用区间抽取式阅读理解的提示学习方法对预训练语言模型(PLM)注入领域知识以统一预训练和微调的优化目标,并对输入句子进行编码表示;其次,使用全局指针网络分别对主、客实体边界和不同关系下的主、客实体边界进行预测和联合解码,对齐成实体关系三元组,并构建了PTBG(Prompt Tuned BERT with Global pointer)模型,解决实体嵌套和关系重叠问题,同时避免了管道式解码的错误传播问题;最后,在上述工作基础上分析了不同提示模板对抽取性能的影响。在《史记》数据集上进行实验的结果表明,相较于注入领域知识前后的OneRel模型,PTBG模型所取得的F1值分别提升了1.64和1.97个百分点。可见,PTBG模型能更好地对中文古籍实体关系进行联合抽取,为低资源的小样本深度学习场景提供了新的研究思路与方法。

生态环境部(国家核安全局)2024年核事故综合应急演习顺利举行

生态环境部(国家核安全局)组织开展2024年核事故综合应急演习,生态环境部副部长、国家核安全局局长董保同担任应急演习总指挥,生态环境部(国家核安全局)核与辐射事故应急组织共计100余人参加本次演习。本次演习顺利开展,一是做到了全面参演,作为新版预案发布后的首次演习,各单位积极参与形成合力;二是做到了全面检验,结合核安全监管的职责定位,检验了技术水平和应急能力;三是做到了全面提升,参演人员身临其境、态度认真,演习氛围浓厚、节奏紧凑。下一步,一是要进一步提高对核应急工作极端重要性的认识,以总体国家安全观和中国核安全观为遵循,切实增强对核安全风险的认识,提高责任心和紧迫感,守好核安全底线;二是要问题导向,持续提升核应急演习的实战性、针对性和有效性,促进核安全监管体系更及时、更准确、更有效地应对核事故;三是要结合“十五五”规划,不断加强核应急能力的提升,构建现代化核安全监管体系,与核大国、核电强国的地位相适应。

酵母细胞工厂的全局调控策略

酵母细胞工厂生产化合物具有高效、绿色可持续的优势。然而酵母自身的代谢流不平衡导致化合物的产量难以达到工业化需求,需要对酵母细胞工厂进行调控和改造。但是,少量靶点的改造往往难以进一步提升产量,因此需要运用全局调控手段对细胞代谢网络进行整体调节。本文综述了利用遗传工具和环境变量来调节细胞全局代谢的研究策略。CRISPR、全局转录因子及辅因子等全局调控手段与多组学技术的结合为酵母细胞工厂中产物合成的调控提供了最主要的解决策略。此外,利用高温、低温或酸等环境变量对酵母细胞工厂进行全局调控是一种更加便捷的全局调控方式,为细胞工厂生产的优化提供了新的思路。综上所述,各种全局调控策略可提升酵母细胞工厂的生产效率,为细胞工厂的开发和绿色生物制造提供了重要途径。

最大功率点追踪的太阳能发电全局控制方法

太阳能发电容易受到电网监测设备和反馈信号不稳定的影响,导致太阳能发电过程控制性能较差,并网时功率损耗较大。为此,提出最大功率点追踪的太阳能发电全局控制方法。构建电流-电压等效数学模型,分析光伏阵列输出特性,确定太阳能发电系统最大功率输出的唯一点。使用Boost电路作为最大功率输出点的前级电路,求解最大功率输出点。利用步长调整点快速跟踪新的最大功率点,实现太阳能发电全局控制。仿真结果表明,所提方法在不同温度下的最大功率点追踪准确性较好,仅需1.8 s即可达到稳态发电输出功率,其范围为71~73 kW。

非全局Lipschitz条件下跳适应向后Euler方法的强收敛性分析

本文研究跳适应向后Euler方法求解跳扩散随机微分方程在非全局Lipschitz条件下的强收敛性.通过克服方程非全局Lipschitz系数给收敛性分析带来的主要困难,我们成功地建立了跳适应后向Euler方法的强收敛性结果并得到相应的收敛率.最后,我们通过数值试验对前文所得理论结果做进一步的验证.

非全局Lipschitz条件下随机延迟微分方程Euler方法的收敛性

大多数随机延迟微分方程数值解的结果是在全局Lipschitz条件下获得的.许多延迟方程不满足全局Lipschitz条件,研究非全局Lipschitz条件下的数值解的性质,具有重要的意义.本文证明了漂移系数满足单边Lipschitz条件和多项式增长条件,扩散系数满足全局Lipschitz条件的一类随机延迟微分方程的Euler方法是1/2阶收敛的.

单变量Lipschitz全局优化的区间算法

本文提出了计算广义梯度和寻求单变量全局优化最小值的区间算法，定理与数值结果表明算法是可靠的和有效的。

非线性Lipschitz离散系统的全局可镇定性

文章讨论了一类多输入多输出非线性离散系统的全局可镇定性 ,其中假设该系统满足Lipschitz条件且自治系统Lyapunov稳定.利用LaSalle不变原理和分离原理 ,本文分别得到离散系统全局镇定性的充分条件 。

基于优化快速搜索随机树算法的全局路径规划

为了改善传统快速搜索随机树(RRT)算法在全局路径规划中存在的平滑度差、具有潜在碰撞性等问题,提出了一种双重优化的RRT算法。在传统RRT算法基础上,引入自适应目标偏向策略以缩短采样时间,引入角度约束采样策略以适应车辆极限转角。得到初始路径后,建立二项优化函数(即降低路径曲率和远离障碍物),并将其作为基点进行梯度下降二次优化,生成可供车辆行驶、平滑性良好且碰撞概率低的路径,并进行仿真验证。结果表明:优化RRT算法相比于传统RRT算法、RRT-Connect算法和RRT算法,平均曲率分别降低了38.1%、36.4%和24.7%,曲率均方差分别降低了38.4%、38.4%和27.2%。