几类微分方程解的迭代增长级数与零点迭代收敛指数

本文研究了几类微分方程解的迭代增长级及零点迭代收敛指数．

基于上下文分析的无监督分层迭代算法用于SAR图像分割

基于聚类的分割算法能够有效地分析目标特征在特征域的分布结构,进而准确判断目标的所属类别,但难以利用图像的空间和边缘信息,而基于区域增长的分割算法能够在空间域利用多种图像信息计算目标之间的相似性,但缺乏对特征结构本身的深层挖掘,容易出现欠分割或过分割的结果.本文结合这两种算法各自的优势,针对合成孔径雷达(Synthetic aperture radar,SAR)图像的特点,提出了一种基于上下文分析的无监督分层迭代算法.该算法使用过分割区域作为操作单元,以提高分割速度,降低SAR图像相干斑噪声的影响.在合并过分割区域时,该算法采用了分层迭代的策略:首先,设计了一种改进的模糊C均值聚类算法,对过分割区域的外观特征进行聚类分析,获得其类别标记,该类别标记包含了特征的分布结构信息.然后,利用多种SAR图像特征对同类区域的空域上下文进行分析,使用区域迭代增长算法对全局范围内的相似区域进行合并,直到不存在满足合并条件的过分割区域对为止,再重新执行聚类算法.这两种子算法分层交替迭代,扬长避短,实现了一种有效的方法来组织和利用多种信息对SAR图像进行分割.对模拟和真实SAR图像的实验表明,本文提出的算法能够在区域一致性和细节保留之间做到很好的平衡,准确地分割出各类目标区域,对相干斑噪声具有很强的鲁棒性.

结合区域增长与RANSAC的机载LiDAR点云屋顶面分割

建筑物屋顶面大小差异较大、形状复杂、数量不确定等特点,以及机载LiDAR点云密度不均、分布不规则、缺乏语义信息等特性,对屋顶面的准确分割造成了很大干扰,因此现有分割方法的精度和适用性仍有待提高。针对上述问题,本文提出一种结合区域增长与RANSAC的机载LiDAR点云屋顶面分割方法。首先,引入稳健的法向量估计算法计算点云法向量,利用提出的迭代区域增长策略和RANSAC提取多个可靠屋顶面片;然后,基于可靠屋顶面片参数和RANSAC计算内点的思想,迭代合并可靠屋顶面片,并精化屋顶面参数;最后,计算未能通过前面步骤分割的点到各屋顶面的垂直距离,将其标记为距离最小且小于阈值的屋顶面,并通过局部范围内投票的方式精化屋顶面分割结果。利用多个具有代表性的建筑物点云和一组区域建筑物点云进行试验,结果表明,所提出的方法可有效地分割不同复杂程度的建筑物屋顶面,并能较好地分割面积较小的屋顶面,以屋顶面和单点为评价单元的平均分割正确率为95.56%和97.93%,分割的结果可为建筑物三维模型重建、点云精简等应用提供可靠的信息。

改进聚类算法在DRDoS攻击检测中的应用研究

针对DBSCAN及K-means聚类算法固有缺陷,提出基于信息熵的贪婪迭代增长式聚类算法(GIG-CA)。该算法将熵值理论引入聚类初始点的确立,以类内对象间欧几里德距离均值作为聚类的区域密度阈值,用贪婪法迭代增长生成聚类。将该算法应用于DRDoS攻击检测中,通过实验验证其正确性、鲁棒性及实用性。

序列可控高分子的合成及应用

序列可控高分子是指高分子链中不同单体单元按特定顺序排列的高分子.自然界中的生物大分子,如核酸分子和多肽,其精确的序列结构决定了其复杂功能的表达.受此启发,序列可控高分子的合成及序列结构与性能关系研究近年来受到了越来越多的关注.本文介绍了近年来在序列可控高分子合成方面的重要研究成果,突出介绍了本课题组在序列可控高分子方向的研究进展.最后,对序列可控高分子的应用进行了总结和展望.

单一分子量γ-丁内酯齐聚物的合成及其结晶行为研究

聚γ-丁内酯作为一种真正意义上可以实现“单体—聚合物—单体”的可循环聚酯种类,其结构性能的精准研究引起了广泛的兴趣.本文从生物基原料丁内酯和丁二酸酐出发,通过迭代指数级增长策略结合高效的酯化条件,合成了一系列单一分子量γ-丁内酯齐聚物,其结构经过了核磁共振氢谱,凝胶渗透色谱和大分子质谱的严格表征,并研究了这些单一分子量γ-丁内酯齐聚物的结晶行为.结果表明,单一分子量γ-丁内酯齐聚物的熔融温度随分子量的增加而升高,而多分散样品的熔融温度与分子量近似的单一分子量γ-丁内酯齐聚物相似.在相同结晶温度下,分子量越高,成核速率和球晶生长速率越大,结晶越快.多分散样品的结晶行为主要受高分子量组分的影响.