超Π-Fitting子群的若干特征

定义了超ΠＦｉｔｉｎｇ子群，给出了超ΠＦｉｔｉｎｇ子群的若干性质。

π-Fitting子群

设G为有限群 ,π为一素数集 .本文推广Fitting子群而定义了G的π_Fitting子群Fπ(G) ,得到了它的若干性质 ,进而考查了Fπ(G)

基于三维分类网络的前列腺辅助诊断

现代医学对数据可视化、科学化的分析需求增加,也增加了对医学影像的依赖性。但对于计算机而言,生物图像极为抽象,生物图像识别至今仍处于探索阶段,同时,对大、复杂三维医学图像特征提取和图像识别难度大。目前采用卷积神经网络对三维医学图像进行训练处理,由于训练数据集数量不足,经常出现过拟合现象。针对这些问题,基于TensorFlow深度学习框架,提出了一种新的前列腺辅助诊断模型。模型优化了深度学习网络层次,采用较少的参数加快训练速度,还能降低过拟合的可能性,此外还利用两种数据扩展方式进行数据扩充,并采用了dropout方法以避免过拟合。训练及测试结果表明,模型能够对大部分前列腺三维图像进行分类,判断出图像是否存在异常,正确率超过70%,优于同种条件下训练出的3DAlexNet网络图片分类模型。

π-■群

本文引进π-局部定义群系π-■,推广了局部定义群系的概念,统一和推广了P-幂零群、p-超可解群和 p-可解群等概念.本文还引进π-Frattini 子群Φ,(G)和π-Fitting 子群 F_x(G)两个特征子群,得到了π-■群的如下刻划:若■可解,对π-可解群 G,下列命题等价:(1) G∈π-■;(2) G/Φ_x(G)∈π-■;(3) ■p∈π∩π(G),G 的每个 p-极大子群 M 有 M/M_G∈■;(4) ■p∈∩π(G),G 的每个p-极大子群补于 G 的■-主因子.

多次散射辐射传输计算中的相函数处理

在实际大气中,分子和粒子不仅遭受单次散射,还遭受多次散射。本文首先计算了多次散射在总散射量中的贡献。结果表明当光学厚度大于0.1时,多次散射在总散射量中的贡献将超过10%,因此必须考虑多次散射的作用。在多次散射辐射传输计算时,一般需把散射相函数展开为勒让德(Legendre)函数的多项式。有些介质如云或气溶胶粒子,散射相函数前向非常尖锐。展开的Legendre多项式需数百项甚至上千项才能收敛,而计算时间与展开项数的3次方成正比。本文介绍了在辐射传输计算时对尖锐相函数的δ-M和δ-fit处理方法,比较了两种方法的计算结果。当计算用的流数相同时,δ-fit方法的计算结果比δ-M方法的计算结果要精确得多;当计算结果精确度相同时,δ-fit方法的流数比δ-M方法的流数少得多,运算速度也快很多。δ-fit方法是目前处理散射相函数的理想方法,可以大大提高计算的精度以及缩减运算时间。