关于n个无关变元的Gronwall-Bihari型离散不等式

建立了一类新的n个无关变元Gronwall-Bihari型离散不等式。所得结果改进和推广了已有文献中相应结果。

n个无关变元的非线性时滞不等式

讨论带有时滞的欧阳型非线性积分不等式.这些结果不仅在本质上改进和推广了已有的相关结果,而且在研究微分方程定性理论中起着重要作用,同时也给出了一种新的研究不等式的方法.

域F上无关未定元的一个性质的初等证明

利用域F上n阶可逆矩阵总可以分解成有限多个n阶初等矩阵乘积的结论,给出域F上n个无关未定元的一个性质的初等证明.

含有n个无关变元的欧阳型非线性离散不等式

讨论Nn上的Ou-Iang型离散不等式,得到了几个非线性离散不等式.并将所得结论用于研究一类非线性时滞偏差分方程解的有界性.

基于元学习和数据增强优化小样本模型泛化性能研究

针对小样本模型泛化性能不足的问题,引入元学习机制构建强泛化性的数据分析模型。使用BP神经网络建立数据分析模型,并使用模型无关元学习算法MAML对模型进行优化。结果显示,相比于传统模型(如支持向量机和高斯过程方法),文中所建立模型的泛化性能更好;针对MAML训练数据形式,引入数据增强方法增加训练数据数量,文中所建立模型的均方根误差、平均绝对百分比误差和决定系数分别为0.05、0.066和0.85,均优于其他预测模型。

含有n个无关变元的Mate-Nevai型非线性积分不等式

讨论了Mate-Nevai型积分不等式,得到几个含有n个无关变元的Mate-Nevai型非线性积分不等式。利用所得结论讨论某些非线性偏微分方程解的有界性。

一类含有n个无关变元的离散不等式

建立了一类新的含n个无关变元的Bellman＿Bihari型非线性离散不等式,所得结果可用于讨论某些差分方程解的性质.

n个无关变元的欧阳型离散不等式

文章建立了新的关于n个无关变元的Ou-Iang型离散不等式,所得结果不仅推广和改进了已有的相关结果,并在研究差分方程解的稳定性理论上起着重要作用.

含有n个无关变元的离散不等式

对一些基本的不等式进行了推广,给出了含有n个无关变元的非线性的离散不等式.所得结果推广了已有的一些结论.

基于元学习的甲骨文拓片识别研究

为提高甲骨文拓片的识别效率,针对甲骨文拓片识别过程中存在的数据集种类繁多但类内样本过少的问题,将元学习引入甲骨文拓片图像的识别,提出一种基于元学习的甲骨文拓片识别算法。首先,选择残差网络(ResNet)18作为基本网络结构,以更好地提取甲骨文数据集特征。然后,通过元学习方法对初始模型参数进行学习。试验结果表明,该算法学习到的初始模型参数对于学习新类别的识别有着很好的效果,优于与模型无关的元学习(MAML)等其他模型,并且对于少样本的甲骨文数据集的识别十分有效。该研究为其他少样本数据集的处理和识别提供了一种解决的思路。

基于元学习聚合分类器的流程工业故障诊断

针对基于多元统计分析和深度学习的故障诊断方法需要大量的训练样本,但当前流程工业具有故障样本不足等特点,文章提出了一种模型无关的聚合分类器元学习框架(MAACML)。首先,该框架将模型无关的元学习与卷积神经网络相结合并引入一种聚合分类器来提高模型的分类准确率和泛化能力;然后,对田纳西伊士曼仿真数据集进行仿真实验验证模型的性能;最终,为了验证模型在实际数据集上的效果,在实际压缩机组数据集进行验证。研究结果表明:MAACML框架具有较高的平均准确率优于其他方法,且具有良好的泛化能力;并且引入的聚合分类器模块对分类结果有明显提升作用;在实际数据集上的分类准确率达到100%,证明了MACCML框架的实用性和有效性。

融合语义路径与语言模型的元学习知识推理框架

针对传统推理方法无法兼顾计算能力与可解释性,同时在小样本场景下难以实现知识的快速学习等问题,该文设计一款融合语义路径与双向Transformer编码(BERT)的模型无关元学习(MAML)推理框架,该框架由基训练和元训练两个阶段构成。基训练阶段,将图谱推理实例用语义路径表示,并代入BERT模型微调计算链接概率,离线保存推理经验;元训练阶段,该框架基于多种关系的基训练过程获得梯度元信息,实现初始权值优化,完成小样本下知识的快速学习。实验表明,基训练推理框架在链接预测与事实预测任务中多项指标高于平均水平,同时元学习框架可以实现部分小样本推理问题的快速收敛。

基于迁移元学习的调制识别算法

针对基于深度学习的调制识别算法在仅有几个带标签信号样本时无法训练的问题,通过模型无关元学习算法提高网络的泛化性能,以使网络对仅有几个训练样本的待测信号实现准确识别。同时对深度神经网络进行预训练以降低元学习阶段网络的训练难度,并根据迁移学习思想,通过引入可学习的缩放偏移参数来迁移预训练所得网络参数,减少学习新类信号所需训练的网络参数量,当面对新类信号的识别任务时通过少量信号样本微调网络就能实现准确识别。实验结果表明,算法在新类信号训练样本仅有5个时最高可实现93.5%的识别准确率。

关于n个独立变元的欧阳型非线性积分不等式

讨论 Rn 上的 Ou- Iang型非线性积分不等式 ,所得结论是杨恩浩的 R1 上的Ou-

小样本条件下多功能雷达工作模式识别方法

在日益复杂的电磁环境中,多功能雷达工作模式识别仍然面临着诸多挑战.针对多功能雷达的截获信号样本数量有限,样本增强质量差,导致工作模式识别准确率较低的问题.本文提出一种将自适应填充转换生成对抗网络与模型无关元学习联合驱动的识别方法.首先,从贴合小样本数据状态出发,采用自适应填充转换生成对抗网络模型进行自适应样本填充和样本增强;然后结合元学习中模型无关元学习算法,从而实现在小样本条件下多功能雷达工作模式的识别.最后,仿真结果表明,相较于生成对抗网络结合模型无关元学习的算法和支持向量机分类器,本文所提方法识别准确率分别提升了2.39%和17.42%.验证了该方法在小样本条件下针对多功能雷达工作模式进行准确识别的有效性.

求偶图最大匹配的矩阵算法

深入研究了偶图与其简化邻接矩阵之间的关系 ,提出了 (0 ,1 ) -矩阵的无关元对角形概念 ,利用此概念给出了定理“任一 (0 ,1 ) -矩阵的项秩与线秩相等”的一种直接简单证明 ,得到了判断 (0 ,1 ) -矩阵的无关元集为最大无关元集的充要条件。最后给出了寻找偶图最大匹配的算法———矩阵算法 。

关于n个无关变元的欧阳型离散型不等式

本文讨论关于ｎ个无关变元的Ｏｕ－Ｉａｎｇ型离散型不等式，所得结论是杨恩浩的Ｎ１上的Ｏｕ－Ｉａｎｇ型离散型不等式的自然推广和改进．

共享电动汽车可调度容量时空预测

针对共享电动汽车通过需求响应参与电力系统备用服务的可调度容量预测问题,基于历史轨迹数据提出一种基于模型无关的元学习(model-agnostic meta-learning,MAML)、卷积神经网络(convolutional neural network,CNN)、长短期记忆网络(long short term memory network,LSTM)和注意力机制(attention mechanism)的可调度容量评估模型,采用LSTM对CNN从历史数据中提取有效的特征向量动态变化进行建模学习,并用MAML对CNN-LSTM网络的初始化参数进行训练,在解决传统神经网络难以有效提取历史序列中潜在高维特征且当时序过长时重要信息易丢失的问题的同时,通过多任务训练对元预测网络进行微调以快速适应新预测任务,从而提高模型的预测精度及泛化能力;加入注意力机制突出对预测结果起关键性作用的时序信息,进一步提高预测精度。仿真结果表明所提模型可以有效预测不同日期类型和不同功能区域共享电动汽车的可调度容量,也为后续共享电动汽车通过需求响应参与电网备用服务的风险评估研究提供参考。

归一思想探索

本文以归一思想为指导，探索总结出一些消元方法．

关于一类积分不等式的推广及其应用

本文讨论了一类新的关于两个无关变元积分不等式,所得结论是Pachpatte型的积分不等式的自然推广,并把主要结果应用于偏微分方程的定性理论中。