有亏格为1的Heegaard分解的三维流形中的环面纽结

将存在亏格为1的Heegaard分解T’_(1)∪F T’_(2)的三维流形记为M=L(p,q),其中p和q是互素整数,q/p为T’_(2)的纬线在T’_(1)上的斜率.若环面F上的简单闭曲线γ在M中非平凡,则称γ是M中的环面纽结.本文对在M中沿环面纽结作m/n-Dehn手术所得流形进行了分类,并给出了两个实心环体沿边界上平环作融合所得流形是L(p,q)中环面纽结补的特征描述.

Heegaard分解稳定性定理的简单证明

给出一般情形下Heegaard分解稳定性定理的一个简单证明．

亏格为2的Heegaard分解中的Haken球面(英文)

主要结果描述了透镜空间和圆周与2-球面乘积的亏格为2的Heegaard分解中的两个Haken球面是如何相关的,进而完全解决了亏格为2的Heegaard分解中的Haken球面的相关性问题.

三维流形Heegaard分解的同调分解同态

考虑Heegaard分解U∪SV的同调分解同态,包含映射i:S→U,j:S→V诱导了同调群同态i#:H1(S)→H1(U),j#:H1(S)→H1(V)。研究可定向闭三维流形M的Heegaard分解U∪SV的同调分解同态(i#,j#):H1(S)→H1(U)×H1(V),得到同调分解同态的若干性质。

Heegaard分解满足不交(A^2,D^2)性质的一个充要条件

本文主要讨论了Heegaard分解的不交(A2,D2)性质,推导出与Heegaard分解的不交(A2,D2)性质等价的一个条件,同时还证明了在此条件下强不可约的Heegaard分解也具有不交曲线性质.

中国四大城市群碳排放驱动因素时空分解研究

城市群是中国经济发展和能源消耗的集聚区域,也是碳排放的主要来源。研究中国典型城市群碳排放的时空演变特征及其影响因素对实现“双碳”目标具有重要意义。文中应用ST-IDA模型(时空指数分解分析法)和LMDI(对数平均迪氏指数法)分解法,分析2000—2019年京津冀、长三角、珠三角和成渝城市群的碳排放驱动因素(人口规模、经济水平、产业结构、能源强度和能源结构)。研究发现:2000—2019年间,四大城市群能源活动碳排放总体趋势均由高速增长阶段步入平稳增长阶段,其中成渝城市群已基本实现碳达峰;能源强度效应是影响碳排放空间差异的主要因素;人口规模扩张、经济发展水平提高和能源强度上升是促进碳排放增长的主要因素,产业结构和能源消费结构优化起到抑制作用;四大城市群碳排放的时空演变主要取决于工业部门。鉴于四大城市群呈现出不同的碳排放特征,未来应探索差异化、多元化的城市群减排路径,促进城市群碳减排。

分布式散射体相位估计奇异值分解法

常规的分布式散射体(DS)相位估计方法需要生成全组合干涉对以构建样本协方差矩阵(SCM),然后根据SCM的统计特性估计DS相位,这一过程不但计算耗时,而且占据大量存储空间。本文提出了一种基于奇异值分解技术的DS相位快速估计方法(SVDI)。该方法分析的对象是单主影像干涉对组成的干涉相位矩阵而非全组合干涉对组成的SCM,因而可以有效提高计算效率、节省存储空间。并且,理论上证明了在一定条件下SVDI的结果与常规的特征值分解方法(EVD)是一致的。模拟数据和真实SAR数据的结果表明,SVDI算法有更高的计算效率,并且其相位估计精度以及形变解算精度与常规算法是一致的。

中国碳排放影响因素分解及峰值预测研究

随着我国对2030年前达到碳排放峰值意愿的逐渐增强,首先,利用对数平均迪氏分解(Logarithmic Mean Divisia Index, LMDI)模型对我国2011—2019年人均碳排放量变化的影响因素进行分解,以明确各影响因素的贡献量、贡献率,并得出2011—2019年我国人均碳排放累积增长约为1.09 t。其中,经济发展起主要促进作用,累积贡献值约为5.61 t;能源结构优化和能源强度降低起抑制作用,累积贡献值分别约为-0.66 t和-3.86 t。其次,依据相关政策公布的经济社会发展预定目标,设定3种模拟情景下的指标变动量,并预测2022—2030年的CO_(2)排放量。结果显示:基准情景下CO_(2)排放量在2027年达到峰值,约为110.87亿t,人均CO_(2)排放量为7.69 t;低减排情景下CO_(2)排放量在2029年达到峰值,约为112.04亿t,人均CO_(2)排放量为7.75 t;高减排情景下CO_(2)排放量峰值出现在2023年,约为110.00亿t,人均CO_(2)排放量为7.74 t。

基于混合分解和PCG-BiLSTM的风速短期预测

为降低风速的随机性对风力发电的影响,提高风速短期预测的精准度,提出一种基于混合分解、双通道输入、多分支PCG-BiLSTM深度学习模型的短期风速预测方法。首先,将全年风速数据分为春、夏、秋、冬4个季度,选取春季作为主要实验对象;其次,利用奇异谱分解(SSD)和变分模态分解(VMD)以降低原始春季风速数据复杂度,生成具有不同模态且复杂度低的子分量,两种不同模式子分量组合为混合分量,实现不同模式分解算法的优势互补;最后,将混合分量以双通道的形式输入到多分支PCG-BiLSTM深度学习模型中,其模型的每个分支由卷积神经网络(CNN)与门控循环单元(GRU)并联组成时空特征提取模块,用于提取两种分解分量组合的混合分量的时空特征,各分支提取对应混合分量的时空特征经聚合后再由双向长短期记忆网络(BiLSTM)进一步提取风速信号的正向和反向双向波动规律,进而得到最终的风速预测结果。多组实验结果表明:提出的组合预测方法在短期风速预测中具有较高的精度和泛化能力,优于其他传统预测方法。

需求侧视角下数字经济拉动经济增长的因素分解

文章从需求侧角度研究数字经济对国民经济的影响,在此基础上运用国家统计局发布的数字经济核心产业分类标准,构建了2017年、2020年数字经济核心产业可比价非竞争型投入产出表,采用“假设抽取”调整的Leonti-ef模型测算了需求拉动作用下数字经济核心产业的产出效应,进一步地运用结构分解方法对各产业部门的产出增长因素进行分析。结果表明:数字经济核心产业对国民经济有显著的需求拉动效应,且通过后向关联效应对上游产业具有一定的带动作用,其产出量的变化是引起国民经济其他部门产出增长的主要原因。因此,发展数字经济需要在加强数字经济与传统产业融合的同时,特别要重视数字经济核心产业从需求侧“赋能”所引发的产出效应,并充分发挥其在需求侧产出效应的优势。

高速列车顶层设计指标分解研究现状与展望

顶层设计指标分解是决定高速列车正向设计周期长短和成功与否的首要环节.首先,在阐述运输能力、安全舒适、绿色环保、经济性等高速列车顶层设计指标的基础上,从系统结构组成、运行边界条件以及大系统耦合作用等角度提出高速列车顶层设计指标分解所面临的技术挑战;然后,论述设计指标分解方法、设计指标分解关联模型和设计指标分解协调策略3个方面研究现状,并分析现有方法的不足与新需求;最后,展望群落生态学在高速列车顶层设计指标分解中的适用性,剖析基于群落生态学的高速列车顶层设计指标分解将会面临的关键问题,并给出相应的解决技术路线,以期为高速列车顶层设计指标分解的深入研究和实践提供参考.

基于加速无约束张量隐因子分解模型的Web服务Qo S估计

针对基于张量非负隐因子分解模型的Web服务QoS估计方法过于依赖非负初始随机数据以及特意设计的非负训练方法,导致模型的兼容性和扩展性不高的问题,提出了加速无约束张量隐因子分解模型。其主要思想包括三部分:将非负性约束从决策参数转移到输出的隐因子,并通过单元素映射函数连接它们;运用结合动量方法的随机梯度下降算法,有效提高模型的收敛速度与估计精度;给出加速无约束张量隐因子分解模型的详细算法和结果分析。在实际工业应用中的2个动态QoS数据集上的实证研究表明,与最先进的QoS估计模型相比,所提模型具有较高的计算效率和估计精度。

工业园区碳排放多因素分解及其与经济发展的脱钩关系

综述分析了工业园区碳排放核算范围和基于一维或二维脱钩模型的工业园区碳排放与经济发展脱钩关系,并讨论了基于LMDI分解方法和Tapio脱钩模型构建的脱钩效应模型中各因素对脱钩关系的影响程度,为工业园区碳排放清单确立、脱钩程度分析、驱动因素识别和综合评估等方面提供参考。在此基础上,建议工业园区应合理制定碳排放清单,多维度考量碳排放驱动因素,构建更为全面的指标体系。

基于EEMD分解法对北武当观测站形变资料受气压干扰特征分析

本文通过选取北武当观测站的水平摆、伸缩仪,对观测数据受气压干扰明显的典型事件进行分析,研究气压变化如何对观测数据变化产生的影响,并对原始观测数据采用EEMD分解出含有干扰信息的IMF分量;对IMF分量进行Hilbert变换得出Hilbert时频图。结果表明,水平摆和伸缩仪受气压干扰明显,且气压干扰具有延时性。总之,通过EEMD方法对北武当观测站测向资料的分析,说明这种方法对气压干扰的研究有较好的效果,提高了识别干扰信息的能力。

居民财产分配差异测度研究——基于基尼系数群组和来源的二维分解方法

本文提出一个新的基尼系数二维分解方法,该方法可以同时进行基尼系数的按群组和按来源分解操作,从而避免了不平等的群组分解和来源分解因使用方法不同而难以融合的缺陷。基于此方法,本文使用CFPS数据测算了2012—2020年我国城乡居民财产分配差距,发现这一时期居民财产分配差距呈波动上升态势。其中,城乡内部特别是城镇内部居民持有住房资产的差异是这一时期财产分配不平等扩大的重要原因,但如果考虑扣除房贷后的净资产,则其对差距扩大贡献明显缩小;而城乡间差异不是导致居民总体财产差距扩大的原因,其中,土地资产在这一时期起到扩大城乡组间差距的效果,而住房资产及住房净资产起到缩小组间差距的作用。因此,十八大以来,农村居民住房条件和住房财产明显提高对于缓解城乡差异起到积极作用,但不可忽视的是,城乡间住房资产和住房条件的绝对差距仍然很大,缩小城乡间居民住房条件差距仍然任重道远。

融合多重分解和差值修正的海浪波高预测研究

为了提升海浪波高预测精度,提出了融合多重分解和差值修正的海浪波高预测模型(J-DE-LSTM)。该模型采用自适应噪声完备集合经验模态分解,对波高数据进行一重分解,以及对分解后的残差分量进行二重分解;采用亲和力传播算法进行聚类降维并输人到长短期记忆网络进行预测获取初步预测值。建立波高观测值与初步预测值形成的差值序列进行三重分解,采用样本熵重构为趋势项和周期项并进行权重计算,构建粒子群算法优化极限学习机和LSTM的组合预测模型进行双轨并行预测;最后将预测结果与权重加权融合进行差值修正未来点位波高预测值。实验结果表明J-DE-LSTM模型较LSTM、TCN模型平均绝对误差提升约4.1%~11.5%,均方误差提升6.5%~15.2%。

基于TT-Tucker分解的无预训练LC卷积神经网络压缩方法

张量训练(TT)分解和Tucker分解是两种有效的卷积神经网络压缩方法。然而,TT和Tucker分解分别面临空间结构信息丢失与计算复杂度高等问题。为解决上述问题,文中考虑了网络结构的信息保留率和资源占用情况,采用学习-压缩(LC)算法的约束型压缩框架,提出了一种基于TT-Tucker分解的无预训练LC卷积神经网络压缩方法(TTLC)。TT-LC方法包括学习步骤和压缩步骤两个部分。学习步骤不需要预训练过程,采用了指数循环学习率方法以提高训练准确率。而在压缩步骤,文中根据TT和Tucker分解的优点以及贝叶斯规则选取全局最优秩的特性,运用经验变分贝叶斯矩阵分解(EVBMF)和贝叶斯优化(BayesOpt)选出合理的秩以指导张量分解,采用TT-LC方法压缩训练后的模型。TT-LC方法既降低了空间结构信息丢失率和计算复杂度,又解决了张量的秩选取不合理导致模型准确率显著下降的问题,可实现模型的双重贝叶斯选秩和双重压缩,获得最优的压缩模型。最后,采用ResNets和VGG网络在CIFAR10与CIFAR100数据集上进行实验。结果表明:对于ResNet32网络,相比于基准方法,文中方法在准确率为92.22%的情况下,获得了69.6%的参数量压缩率和66.7%的浮点计算量压缩率。

基于二次分解双向门控单元新型电力系统超短期负荷预测

在新型电力系统中,电力负荷随机性和波动性较强,现有预测方法难以对其实现高精度预测。为此,提出一种基于二次分解和双向门控循环单元的超短期负荷预测模型。首先,针对电力负荷的强随机性和强波动性,利用自适应噪声完备经验模态分解对电力负荷历史序列进行初步分解,使负荷序列更加平稳。随后,对初步分解得到的强非平稳分量运用连续变分模态分解进行二次分解,降低其预测难度。最后,为充分学习电力负荷的时序特征,在预测过程构建基于双向门控循环单元的超短期电力负荷预测模型。实验结果表明,该模型相较于现有优秀预测模型有更高的预测精度。

基于混合分解多尺度时频图和Res-GRU-AT的电能质量复合扰动识别

能源互联网背景下的电能质量问题越来越凸显,针对传统电能质量扰动(power quality disturbances,PQDs)识别过程中存在的信号特征提取复杂、算法识别能力不足和复合扰动区分困难等问题,提出了一种混合分量多尺度时频图和残差神经网络(residual neural network,ResNet)、门控循环单元(gated recurrent units,GRU)网络与注意力机制(attention,AT)组合的电能质量复合扰动识别新方法—Res-GRU-AT。首先利用奇异谱分解(singular spectrum decomposition,SSD)和逐次变分模态分解(successive variational mode decomposition,SVMD)对PQDs信号分别进行多尺度分解得到混合分量,再对混合分量进行希尔伯特黄变换(Hilbert-Huang transform,HHT),分析得到多尺度时频图。其次,利用Res-GRU-AT模型对多尺度时频图进行深层次特征提取、强化和识别。Res-GRU-AT模型能够利用ResNet的二维图像空间特征提取能力和GRU的时序特征提取能力进行特征融合,再通过AT进行特征加权强化,提高了PQDs的识别能力。不同方案的仿真结果表明,所提方法特征提取能力强且抗噪性能好,对复合扰动识别率高。

基于新闻情感分析和区间分解的汇率预测研究

汇率序列具有非线性和连续变化等特点,其细节波动是一系列事件和新闻综合影响的结果.然而,现有区间预测模型难以量化重大事件和公众情绪的影响,导致其缺乏广泛的适用性,且传统区间分解方法存在上下界混叠的缺陷.因此,论文从新冠疫情冲击出发,提出一种基于新闻情感分析和区间分解的汇率波动实时预测模型.首先,基于Snownlp情感词典对外汇新闻文本进行情感分析,获得相应的情感分数.另外,构建全球恐惧指数(the global fear index,简称GFI)以量化新冠疫情的影响,并将其与芝加哥期权交易所波动率(the Chicago board options exchange volatility index,简称VIX指数)相结合作为汇率的影响因素.然后,提出一种新的区间经验模态分解(interval empirical mode decomposition,简称IEMD)方法对区间汇率序列进行多尺度分解,并根据样本熵重构得到高、中、低频区间序列和残差项.其次,利用极限学习机(extreme learning machine,简称ELM)、多层感知机(multi-layer perceptron,简称MLP)、随机森林(random forest,简称RF)和二次曲面支持向量回归(quadric surface support vector regression,简称QSSVR)分别对不同特征的子序列进行组合预测,以提高预测结果的准确性和稳定性.最后,利用论文方法对美元兑人民币、澳元兑人民币和瑞士法郎兑人民币3种汇率进行实证预测分析,结果表明,论文模型适用于重大事件影响下的汇率区间波动预测,与现有方法相比具有较高的预测精度.